ある金融サービス企業が不正検知モデルの MLOps を導入しようとしています。要件は次の通りです：
①新規データ到着時の自動再トレーニング、
②モデル評価の自動化、
③ステージング環境から本番環境へのステージドデプロイ（

Question

ある金融サービス企業が不正検知モデルの MLOps を導入しようとしています。要件は次の通りです：
①新規データ到着時の自動再トレーニング、
②モデル評価の自動化、
③ステージング環境から本番環境へのステージドデプロイ（段階的リリース）、
④変更の監査証跡（Audit Trail）の記録。カスタム開発を最小限に抑えつつこれらを実現するには、どのアプローチが最も適切ですか？

Accepted Answer

正解: SageMaker Projects の MLOps テンプレートを使用し、CodePipeline・CodeBuild と統合されたエンドツーエンドの CI/CD パイプラインを構成する。SageMaker ProjectsはMLOpsのベストプラクティスを組み込んだプロジェクトテンプレートを提供し、CodePipeline・CodeBuild・SageMaker Pipelines・Model Registryを自動的に統合します。再トレーニングの自動化、評価ゲート、ステージド承認フロー、CodePipelineによる監査証跡をほぼ設定なしで実現できます。

カスタムStep Functionsワークフローは柔軟ですが、すべてのステージを独自実装・保守する必要があり、開発・維持コストが大幅に増加します。

手動CodeDeployを使用する場合、イベント駆動の自動再トレーニングやステージド承認フローを自力で接続する必要があり、要件を完全に満たすには追加開発が必要です。

EventBridgeとLambdaの組み合わせも柔軟ですが、評価ゲート・ステージド承認・監査証跡の実装をすべてカスタムで開発する必要があり、開発・維持コストが増加します。

Answer

ML ライフサイクルの各ステージに対応したカスタム Step Functions ワークフローを独自に構築する — Step Functionsによるカスタムワークフローは柔軟性がありますが、自動再トレーニング・評価ゲート・ステージド承認・監査証跡の各ステージをすべて独自実装・保守する必要があり、カスタム開発を最小化するという要件に合いません。

Answer

SageMaker Pipelines でトレーニングパイプラインを作成し、デプロイは CodeDeploy を手動でトリガーして実施する — SageMaker Pipelinesでトレーニングを自動化できますが、CodeDeployを手動でトリガーする設計では自動再トレーニングとステージド承認フローの自動化に追加のカスタム開発が必要となり、要件を完全には満たせません。

Answer

EventBridge で S3 イベントを検知し、Lambda から SageMaker API を直接呼び出して各処理を実行する — EventBridgeとLambdaの組み合わせはイベント駆動の自動化が可能ですが、評価ゲート・ステージド承認・監査証跡の実装をすべてカスタムで開発する必要があり、開発・維持コストが大幅に増加します。

解説

解説