MLAMLワークフローのデプロイとオーケストレーション
データサイエンスチームは、データ前処理 → モデル訓練 → 評価 → 条件付きデプロイ（評価指標が閾値を超えた場合のみ）というMLワークフローを自動化したいと考えています。
パイプラインのバージョン管理、実行履歴の追跡、SageMaker Model Registry との統合が必須要件です。
最も適切なアーキテクチャはどれですか？
ASageMaker Pipelines を使用し、ConditionStep で評価結果に基づく条件分岐を実装し、RegisterModel ステップで Model Registry に登録する
✓ 正解
SageMaker Pipelines は SageMaker ネイティブのMLワークフローオーケストレーションサービスで、ProcessingStep・TrainingStep・ConditionStep・RegisterModel などのMLライフサイクルに特化したステップが組み込まれています。SageMaker Experiments との統合により実行履歴が自動追跡され、Model Registry へのネイティブ登録もサポートします。
BAWS Glue ワークフロー（Glue Workflow）でステップを管理し、Lambda で SageMaker Training Job を起動する
（AWS Glue ワークフロー）は ETL（データ抽出・変換・ロード）向けです。
CAWS Step Functions で各ステップを定義し、SageMaker SDK を呼び出す Lambda 関数と連携させる
（AWS Step Functions）は汎用ワークフロー向けであり、MLOpsに特化したバージョン管理・追跡機能では Pipelines が最も適しています。
DAmazon MWAA（Managed Workflows for Apache Airflow）で DAG（Directed Acyclic Graph：有向非巡回グラフ）を定義し、各ステップを SageMaker オペレーターで実行する
（Amazon MWAA）も汎用ワークフロー向けであり、MLOpsに特化したバージョン管理・追跡機能では Pipelines が最も適しています。
解説
SageMaker Pipelines は SageMaker ネイティブのMLワークフローオーケストレーションサービスで、ProcessingStep・TrainingStep・ConditionStep・RegisterModel などのMLライフサイクルに特化したステップが組み込まれています。SageMaker Experiments との統合により実行履歴が自動追跡され、Model Registry へのネイティブ登録もサポートします。
選択肢B（AWS Glue ワークフロー）は ETL（データ抽出・変換・ロード）向けです。
選択肢C（AWS Step Functions）は汎用ワークフロー向けであり、MLOpsに特化したバージョン管理・追跡機能では Pipelines が最も適しています。
選択肢D（Amazon MWAA）も汎用ワークフロー向けであり、MLOpsに特化したバージョン管理・追跡機能では Pipelines が最も適しています。
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 →