MLAMLワークフローのデプロイとオーケストレーション
ECサイトの商品推薦モデルがS3に蓄積された購買ログを学習データとしている。モデルの精度スコアが閾値を下回った際に自動で再学習・評価・デプロイするパイプラインを構築したい。前処理・学習・モデル評価・モデル登録・エンドポイント更新を一連のMLワークフローとして管理し、実験追跡と実行履歴の記録も要件となっている。最も適切なアーキテクチャはどれか。
AStep FunctionsでMLワークフロー全体を定義し、CloudWatchアラームでステートマシンを起動して精度回復まで再学習する
Step FunctionsはMLワークフロー実行が可能だが、SageMaker固有の実験追跡とパイプライン実行履歴管理機能を持たない。
BSageMaker PipelinesでMLステップを定義しEventBridgeでModel Monitorアラームを受けて自動起動する
✓ 正解
SageMaker PipelinesはMLワークフロー全体の管理・実験追跡・実行履歴記録を一元化でき、EventBridgeで自動起動できる。
CCodePipelineで前処理からデプロイをパイプライン化し、Lambda経由で精度低下アラームをトリガーに起動する
CodePipelineはコードCI/CD向けであり、MLモデルの実験追跡やSageMaker特有のパイプライン管理機能を持たない。
DAWS Glue・Lambda・SageMaker SDKを組み合わせてMLパイプラインを構成しCloudWatchで自動起動する
AWS Glue・Lambda・SageMaker SDKの組み合わせは構成が複雑になり、実験追跡や実行履歴の統合管理が難しい。
解説
SageMaker Pipelinesは前処理〜モデル登録までのMLワークフローを管理し実験追跡と実行履歴を記録する。EventBridgeと組み合わせてModel Monitorのアラームで自動起動する構成が最適。
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 →