MLAMLワークフローのデプロイとオーケストレーション
医療画像診断AIシステムを開発しているチームが、胸部X線画像（1枚あたり平均12MB）の異常検知モデルをSageMakerにデプロイしようとしています。
1回の推論処理には2〜4分かかり、1日のリクエスト数は約300件です。
医師がリクエストを送信後、結果は非同期で通知される仕様となっています。
この要件を満たす最も適切なSageMakerデプロイオプションはどれですか？
ASageMaker リアルタイム推論エンドポイントを使用し、クライアント側でポーリングしながら結果を待機する
リアルタイムエンドポイントはペイロード上限6MBのため12MBの画像を直接送信できません。
BSageMaker Serverless Inferenceエンドポイントを使用し、リクエストごとにコンテナを動的にスピンアップする
Serverless Inferenceはペイロード上限4MB・タイムアウト60秒のため不適切です。
CSageMaker 非同期推論（Asynchronous Inference）エンドポイントを使用し、処理完了時にAmazon SNSで医師へ通知する
✓ 正解
SageMaker 非同期推論は大容量ペイロード（最大1GB）と長い処理時間（最大1時間）に対応しており、このシナリオに最適です。リクエスト受け取り後、非同期で処理を実行し、完了時にSNS通知により医師へ通知できます。
DSageMaker バッチ変換ジョブを1時間ごとにスケジュール実行し、蓄積されたリクエストをまとめて処理する
バッチ変換は1時間ごとの処理では300件/日という散発的なリクエストへのタイムリーな対応が困難です。
解説
選択肢C（正解）の SageMaker 非同期推論（Asynchronous Inference）エンドポイント は、大容量ペイロード（最大1GB）と長い処理時間（最大1時間）に対応しており、このシナリオに最適です。リクエスト受け取り後、非同期で処理を実行し、完了時にSNS通知により医師へ通知できます。
選択肢Aのリアルタイムエンドポイントはペイロード上限6MBのため12MBの画像を直接送信できません。
選択肢BのServerless Inferenceはペイロード上限4MB・タイムアウト60秒のため不適切です。
選択肢Dのバッチ変換は1時間ごとの処理では300件/日という散発的なリクエストへのタイムリーな対応が困難です。
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 →