MLAMLワークフローのデプロイとオーケストレーション
Eコマース企業が毎夜0時に前日の購買履歴データ（約500万レコード）に対して需要予測モデルの推論を実行し、翌朝の在庫補充計画に活用しています。推論結果はS3に保存され、リアルタイム性の要件はありません。現在はEC2インスタンスを常時稼働させてバッチ推論を実行していますが、コスト削減と運用負荷軽減を図りたいと考えています。最も適切な移行先はどれですか？
ASageMaker リアルタイム推論エンドポイントを24時間稼働させ、アプリケーションから全レコードを順次送信する
理由。SageMaker リアルタイム推論エンドポイントを24時間稼働させるとアイドル時間もコストが発生し非効率です。
BSageMaker バッチ変換（Batch Transform）ジョブをAmazon EventBridgeのスケジュールルールで毎夜自動起動し、処理完了後にインフラを自動終了する
✓ 正解
SageMaker バッチ変換（Batch Transform）ジョブをAmazon EventBridgeのスケジュールルールで毎夜自動起動し、処理完了後にインフラを自動終了する
SageMaker バッチ変換はリアルタイム性が不要な大量データの一括推論に最適化されています。ジョブ完了後にインスタンスが自動終了するため、EC2常時稼働と比べてコストを大幅削減できます。EventBridgeのスケジュールルール（cron式）と組み合わせることで完全自動化が実現します。
CSageMaker 非同期推論エンドポイントをAuto ScalingのMinCapacity=0で設定し、夜間バッチ処理に活用する
理由。SageMaker 非同期推論エンドポイントはバッチ変換より管理が複雑でこのユースケースには過剰です。
DAWS Glue ETLジョブ内にカスタム推論コードを組み込み、Apache Spark上で分散推論を実行する
理由。AWS Glue ETLジョブ内にカスタム推論コードを組み込むことはMLフレームワーク依存性の管理を複雑にします。
解説
SageMaker バッチ変換はリアルタイム性が不要な大量データの一括推論に最適化されています。ジョブ完了後にインスタンスが自動終了するため、EC2常時稼働と比べてコストを大幅削減できます。EventBridgeのスケジュールルール（cron式）と組み合わせることで毎夜の完全自動実行が実現します。
選択肢Aは、SageMaker リアルタイム推論エンドポイントを24時間稼働させるとアイドル時間もコストが発生し、バッチ処理用途には非効率です。
選択肢Cは、SageMaker 非同期推論エンドポイントはキュー経由の非同期処理に適していますが、バッチ変換より管理が複雑でこのユースケースには過剰です。
選択肢Dは、AWS Glue ETLジョブ内にカスタム推論コードを組み込む方法はMLフレームワーク依存性の管理を複雑にし、SageMakerのモデル管理機能も活用できません。
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 →