MLAMLモデルの開発

データサイエンティストが、SageMakerがネイティブにサポートしていない独自の最適化ライブラリを含むMLフレームワークを使用してモデルをトレーニングする必要があります。SageMaker Training Jobsの管理機能（自動スケーリング・ログ収集・S3連携等）を活用しながら、このカスタム環境を使用するための最も適切なアプローチはどれですか？

A
SageMaker Script Modeを使用し、requirements.txtに独自ライブラリを記述して実行時にpip installでインストールする
Script Mode はネイティブサポートフレームワーク向けであり、ネイティブ非サポートの独自フレームワークには対応できません。
B
独自ライブラリを含むDockerイメージをビルドしてAmazon ECRにプッシュし、SageMaker Estimatorのimage_uriパラメーターで指定する
✓ 正解
カスタムコンテナを ECR に格納し、Estimator の image_uri で指定します。任意のフレームワークと依存関係をコンテナイメージに含められます。
C
AWS Lambda関数でカスタムライブラリをインストールし、SageMaker Training Jobの前処理ステップとして実行する
Lambda はメモリ上限（10GB）・実行時間制限（15分）があり、SageMaker Training Job のコンポーネントとして組み込む標準的仕組みが存在しません。
D
Amazon EC2インスタンスで直接トレーニングを実行し、SageMaker SDKでジョブの進捗のみを監視する
EC2 直接利用は SageMaker の管理機能（ハイパーパラメータ調整、実験追跡等）を失い、スケーラビリティも限定的です。

解説

SageMakerはカスタムコンテナをサポートしており、任意のMLフレームワークや依存関係をDockerイメージに含めてAmazon ECRに格納し、EstimatorのimageUriで指定することでTraining Jobsで使用できます。Script ModeはTensorFlow・PyTorchなど既存フレームワークのコンテナにスクリプトを追加する方式であり、ネイティブ非サポートの独自フレームワークには対応できません。Lambda関数はメモリ上限（10GB）・実行時間制限（15分）があるうえ、SageMaker Training Jobのコンポーネントとして組み込む標準的な仕組みが存在しないため不適切です。EC2の直接利用はSageMakerの管理機能を失います。

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 →
← MLA の問題一覧に戻る