MLAMLモデルの開発複数選択
データサイエンスチームが顧客離脱予測モデルの開発で、異なる特徴量エンジニアリング手法・アルゴリズム・ハイパーパラメータの組み合わせで多数の実験を実施しています。すべての実験のメトリクス・パラメータ・成果物を体系的に追跡・比較し、最終的に最良モデルを本番環境へ昇格させる承認ワークフローを構築したいと考えています。最も適切な SageMaker 機能の組み合わせを 2 つ選んでください。
ASageMaker Experiments で各実験のメトリクス・パラメータ・成果物を自動追跡し、実験間の比較を可能にする
✓ 正解
SageMaker Experiments は実験ごとのハイパーパラメータ・メトリクス・成果物を自動追跡し、Studio UI での比較を可能にします。実験管理の中核機能を提供し、複数の試行を効率的に比較できます。
BSageMaker Model Registry でモデルをバージョン管理し、Pending→Approved→Rejected の承認ワークフローで本番昇格を管理する
✓ 正解
SageMaker Model Registry はモデルのバージョン管理とメタデータ管理に加え、承認ステータス（Pending/Approved/Rejected）による本番昇格ワークフローを提供し、MLOps の中核を担います。
CCloudWatch でトレーニングメトリクスをログに記録し、S3 のバージョニング機能でモデル成果物を管理する
CloudWatch＋S3 の組み合わせは代替案となり得ますが、SageMaker ネイティブの実験管理機能に比べてメタデータ管理や比較機能では劣り、運用効率も低下します。
DSageMaker Debugger ですべてのトレーニングメトリクスをキャプチャし、テンソル比較で最良モデルを特定する
SageMaker Debugger はトレーニング中のテンソル値の詳細な分析に用いられ、異常検出に優れていますが、実験管理やモデルバージョン管理の機能は提供しません。
解説
正解：
SageMaker Experiments と SageMaker Model Registry の組み合わせです。
SageMaker Experiments は実験ごとのハイパーパラメータ・メトリクス・成果物を自動追跡し、Studio UI での比較を可能にします。多数の試行を体系的に管理・比較できます。
SageMaker Model Registry はモデルのバージョン管理とメタデータ管理に加え、承認ステータス（Pending/Approved/Rejected）による本番昇格ワークフローを提供し、MLOps の中核を担います。
この 2 サービスの組み合わせで、実験管理から本番デプロイの承認までを一貫してカバーできます。
選択肢Cの CloudWatch＋S3 は代替にはなり得ますが、ML 実験のメタデータ管理・比較機能やネイティブな承認ワークフローを持たず運用効率で劣ります。
選択肢Dの SageMaker Debugger はトレーニング中のテンソル値の詳細分析・異常検出のための機能であり、実験追跡やモデルバージョン管理・承認ワークフローは提供しません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →