MLAMLワークフローのデプロイとオーケストレーション
医療画像解析AIシステムを開発しているチームが、推論エンドポイントの設計を検討しています。画像1枚あたりの推論処理時間は2〜8分かかり、1日あたり数百件の解析リクエストが不規則に届きます。システムに求められる要件は「全リクエストの確実な処理」「コスト最適化」「スケーラビリティ」の3点です。この要件を最もよく満たすSageMakerのデプロイ方式はどれですか？
ASageMakerリアルタイム推論エンドポイント（Auto Scalingを設定し、アイドル時は最小インスタンス数を1に維持する。同期処理のため処理に数分かかるリクエストはタイムアウトが発生する）
リアルタイム推論エンドポイントは同期処理のため 2〜8 分の処理時間ではタイムアウトが発生します。また最小 1 台のインスタンスを常時起動するためアイドル時もコストが発生し、コスト最適化の要件を満たしません。
BSageMaker非同期推論エンドポイント（リクエストをS3入力パスに格納してキュー処理し、結果をS3に出力、アイドル時はインスタンスを0にスケールダウンする）
✓ 正解
非同期推論エンドポイントはリクエストを S3 にキューイングして最大 60 分（1時間）の長時間処理に対応し、結果を S3 に出力します。アイドル時はインスタンス数を 0 にスケールダウンできるため、全件処理・コスト最適化・スケーラビリティの 3 要件をすべて満たします。
CSageMakerサーバーレス推論エンドポイント（インフラ管理不要で従量課金だが、コールドスタートが発生し長時間の推論処理には制限がある）
サーバーレス推論はコールドスタートがあり最大処理時間にも制限があるため、2〜8 分の推論処理には対応できません。長時間処理が必要なユースケースには設計上適していません。
DSageMakerバッチ変換ジョブ（1日1回スケジュール実行し蓄積したリクエストを一括処理する。不規則に到着する個々のリクエストに即時応答できない）
バッチ変換ジョブは大量データの一括処理に最適ですが、1 日 1 回のスケジュール実行では不規則に届く個々のリクエストに即時対応できず、タイムリーな全件処理の観点から要件を満たしません。
解説
SageMaker非同期推論エンドポイントは処理時間が長いリクエスト（最大60分・ペイロード最大1GB）に最適化されており、リクエストをS3の入力パスにキューイングしてバックグラウンドで処理し、結果をS3に出力します。アイドル時にインスタンス数を0にスケールダウンできるため、不規則なリクエストパターンでもコスト効率が高くなります。
選択肢AのリアルタイムエンドポイントAutoScaling設定は、応答タイムアウト（60秒）を超える処理には不向きです。
選択肢CのSageMaker Serverless推論は、コールドスタートがあり長時間処理には対応していません。
選択肢DのバッチTransformジョブは、リアルタイム性がなくリクエストごとの即時応答が不要な大量一括処理向けです。
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 →