MLAMLソリューションの監視、メンテナンス、セキュリティ
金融機関のMLガバナンスチームが、本番運用中のローン審査モデルについて規制当局から監査を受けました。監査官から「2ヶ月前にデプロイされたモデルバージョンv2.3のトレーニングに使用された元データセット（S3パス）、前処理ステップ（SageMaker Processing Job）、およびトレーニングジョブの設定を遡及的に証明せよ」という要求がありました。最小限の追加実装でこの要求に対応できる方法として最も適切なものはどれですか？
ASageMaker Model RegistryのモデルパッケージメタデータにS3データセットのURIとジョブARNを手動で記録しておき、監査時に参照する
SageMaker Model Registry手動記録では人的ミスが入る余地があり、遡及的な監査証拠としての信頼性が低下し、完全なトレーサビリティが保証されません。
BSageMaker Lineage Trackingを活用し、QueryLineage APIでモデルアーティファクトを起点に上流のProcessing Job・Training Job・S3データセットまでの系譜グラフを自動的に取得する
✓ 正解
SageMaker Lineage Trackingは、トレーニング・処理・デプロイのステップで実行されたジョブとアーティファクト間の依存関係を自動記録します。QueryLineage APIで特定モデルから上流のデータセット・Processing Job・Training Jobまで系譜を自動取得でき、追加実装なしに監査対応が可能です。
CAWS CloudTrailのログを検索して、2ヶ月前のCreateTrainingJobおよびCreateProcessingJobのAPIコール記録からパラメータを復元する
CloudTrailはAPIコール記録を取得できますが、アーティファクト間の関係グラフとしての構造化クエリには対応していません。遡及的な系譜再構築は困難です。
DSageMaker Experimentsに各実験のデータセットURIとジョブパラメータを手動で記録する運用ルールを整備し、監査対応に備える
SageMaker Experiments手動記録は運用ルール依存度が高く、記録漏れリスクがあり、監査要件を満たすためのトレーサビリティ信頼性が保証されません。
解説
SageMaker Lineage Trackingは、SageMakerのトレーニング・処理・デプロイの各ステップで実行されたジョブとアーティファクト（データセット・モデル・コードなど）間の依存関係を自動記録します。QueryLineage APIで特定モデルアーティファクトから上流へ遡り、使用データセット・Processing Job・Training Jobの全系譜を構造化クエリで取得でき、追加実装なしに監査要件へ対応できます。
選択肢AのSageMaker Model Registry手動記録は人的ミスが入る余地があり、遡及的な証明として信頼性が低下します。
選択肢CのCloudTrailはAPIコール記録を取得できますが、アーティファクト間の関係グラフとしての構造化クエリはできません。
選択肢DのExperiments手動記録は運用ルールへの依存度が高く、記録漏れリスクがあります。
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 →