機械学習チームが SageMaker Pipelines を使った CI/CD パイプラインを構築しています。
モデルが本番デプロイされる前にデータサイエンティストと ML エンジニアによる承認ゲートを設けたいと考えてい

Question

機械学習チームが SageMaker Pipelines を使った CI/CD パイプラインを構築しています。
モデルが本番デプロイされる前にデータサイエンティストと ML エンジニアによる承認ゲートを設けたいと考えています。
また、モデルのバージョン管理と系譜（リネージ）追跡も必要です。
この要件を最もシンプルかつ標準的な方法で実装するにはどうすればよいですか？

Accepted Answer

正解: SageMaker Model Registry にモデルを登録し承認ステータスを「保留中（PendingManualApproval）」に設定する。承認者がステータスを「承認済み（Approved）」に変更したことを Amazon EventBridge が検知し、デプロイパイプラインを自動トリガーする。SageMaker Model Registry はモデルのバージョン管理・系譜追跡・承認ワークフローをネイティブに提供します。モデルパッケージの承認ステータス変更（PendingManualApproval → Approved）は EventBridge イベントとして自動発行されるため、承認後に即座にデプロイパイプラインをトリガーできます。メトリクス・アーティファクト・入力データの系譜も一元管理でき監査証跡も残ります。

選択肢BのS3アーティファクト管理は非標準でリネージ追跡が困難です。

選択肢CのAWS CodePipelineは実装可能ですが Model Registry の利点（系譜・メトリクス統合）を活かせません。

選択肢DのSageMaker Experimentsはリネージ追跡が困難です。

Answer

S3 にモデルアーティファクトを保存し、承認者がファイルを approved/ プレフィックスに移動した後、S3 イベントで Lambda 関数を起動してエンドポイントを作成する — S3アーティファクト管理は非標準でリネージ追跡が困難です。

Answer

AWS CodePipeline の手動承認アクションを挿入し、承認後に AWS CodeBuild で boto3 スクリプトを実行してエンドポイントを作成する — AWS CodePipelineは実装可能ですが Model Registry の利点（系譜・メトリクス統合）を活かせません。

Answer

SageMaker Experiments にトライアルを記録し、承認者が目的のトライアルをタグ付けした後、タグ変更を Lambda でポーリングしてデプロイをトリガーする — SageMaker Experimentsはリネージ追跡が困難です。

解説

解説