MLAMLワークフローのデプロイとオーケストレーション
MLエンジニアのチームがSageMaker Pipelinesを使用して再トレーニングパイプラインを構築しています。このパイプラインには以下の要件があります。
- AUC-ROC（受信者操作特性曲線下面積：二値分類モデルの性能指標）スコアが0.85以上の場合のみ本番エンドポイントへのデプロイを実行する
- それ以外の場合は処理を終了させる
この条件付きデプロイを実現するために最も適切なSageMaker Pipelinesの機能はどれですか？
AConditionStep と ConditionGreaterThanOrEqualTo 条件を使用してパイプラインの実行フローを分岐させる
✓ 正解
SageMaker Pipelines の ConditionStep を使用すると、評価ステップが出力したメトリクスに基づいてパイプラインの実行フローを宣言的に分岐できます。ConditionGreaterThanOrEqualTo などの条件クラスでモデルメトリクスと閾値を比較し、条件を満たした場合のみ後続のデプロイステップを実行できます。
BAWS Lambda Step を使用して評価スクリプト内でデプロイ条件を判定し、boto3 でエンドポイントを作成する
（AWS Lambda Step）も実装可能ですが、Pipelines ネイティブの ConditionStep がより保守しやすく、可視化・監査面でも優れた正規の方法。
CSageMaker Experiments でメトリクスを比較し、Studio UIから手動でデプロイを承認する
（SageMaker Experiments）はメトリクスの比較はできますが、パイプラインの自動フロー分岐には対応していない。
DSageMaker Model Monitor のしきい値アラームをトリガーとしてデプロイステップを呼び出す
（SageMaker Model Monitor）はしきい値アラームをトリガーとしてデプロイステップを呼び出すことはできず、モニタリング専用。
解説
選択肢Aは、ConditionStepを使用すると評価ステップが出力したメトリクスに基づいてパイプラインの実行フローを宣言的に分岐できます。ConditionGreaterThanOrEqualToなどの条件クラスでモデルメトリクスと閾値を比較し、条件を満たした場合のみ後続のデプロイステップを実行できます。
選択肢Bは、AWS Lambda Stepも実装可能ですが、PipelinesネイティブのConditionStepがより保守しやすく可視化・監査面でも優れた正規の方法です。
選択肢Cは、SageMaker Experimentsはメトリクスの比較はできますが、パイプラインの自動フロー分岐には対応していません。
選択肢Dは、SageMaker Model Monitorはしきい値アラームをトリガーとしてデプロイステップを呼び出すことはできず、モニタリング専用のサービスです。
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 →