MLOps チームが月次でモデルを更新するパイプラインを運用している。各バージョンの評価メトリクスや学習設定をメタデータとして一元管理し、品質ゲートを通過したモデルのみをステージング・本番環境に昇格させる承認ワークフロー

Question

MLOps チームが月次でモデルを更新するパイプラインを運用している。各バージョンの評価メトリクスや学習設定をメタデータとして一元管理し、品質ゲートを通過したモデルのみをステージング・本番環境に昇格させる承認ワークフローを実装したい。

Accepted Answer

正解: SageMaker Model Registry にモデルを登録し、メタデータ・メトリクスを一元管理しながら承認ステータスで環境昇格ワークフローを実装する。SageMaker Model Registry はモデルのバージョン管理・メタデータ管理・承認ワークフロー（Pending/Approved/Rejected）を統合的に提供する MLOps 向けサービス。

Answer

SageMaker Experiments に実験ごとのメトリクスを記録し、手動で S3 のバージョン管理フォルダにモデルを整理する — SageMaker Experiments は実験トラッキングツールであり、モデルのバージョン管理や環境昇格の承認ワークフローを管理する機能は持たない。

Answer

AWS CodeArtifact にモデルアーティファクトをバージョン付きで保存し、タグで承認状態を管理する — AWS CodeArtifact はソフトウェアパッケージ（npm・Maven 等）向けリポジトリで、ML モデルの承認ワークフローや評価メタデータ管理には対応していない。

Answer

SageMaker Feature Store にモデルの学習設定・バージョン情報・評価メトリクスを格納し、EventBridge で状態変化を検知して Lambda でステージング環境への自動デプロイをトリガーする — SageMaker Feature Store は特徴量の管理サービスであり、モデルのバージョン管理や環境昇格ワークフローの用途には適していない。

解説