MLAMLワークフローのデプロイとオーケストレーション
あるMLチームは、SageMaker Pipelinesを使用して本番環境へのモデルデプロイを自動化しようとしています。新しいモデルがトレーニングされるたびに、評価指標が閾値を超えた場合のみ自動的にデプロイし、それ以外は人間のレビューを求めるワークフローを構築したいと考えています。このユースケースに最も適した構成はどれですか？
ASageMaker Pipelines の ConditionStep を使用して評価指標を条件分岐し、閾値を超えた場合は RegisterModel ステップと Lambda ステップでエンドポイントを更新し、超えない場合は SNS 通知を送信して人間のレビューを求める
✓ 正解
SageMaker Pipelines の ConditionStep は、評価指標などの条件に基づいてパイプラインの分岐を制御できます。条件を満たした場合は RegisterModel → Lambda でエンドポイント更新、満たさない場合は SNS で通知して人間のレビューを促すフローが、要件を最も正確に実現します。
BSageMaker Pipelines の ProcessingStep で評価を行い、その後は常に RegisterModel ステップを実行して SageMaker Model Registry に登録し、承認は手動で別途行う
自動デプロイの条件分岐がなく、要件を満たせません。
CAWS Step Functions で独自のステートマシンを構築し、Lambda 関数で評価指標を判定してから SageMaker エンドポイントを更新する（SageMaker Pipelines は使用しない）
SageMaker Pipelinesの利点を活かせず、カスタム実装の負荷が増します。
DSageMaker Autopilot を使用してアルゴリズム選択・ハイパーパラメータ最適化・モデル評価・デプロイを自動化し、評価閾値の条件分岐や人間レビューの通知ステップは省略する
条件付きデプロイをサポートしません。
解説
SageMaker Pipelines の ConditionStep は、評価指標などの条件に基づいてパイプラインの分岐を制御できます。条件を満たした場合は RegisterModel → Lambda でエンドポイント更新、満たさない場合は SNS で通知して人間のレビューを促すフローが、要件を最も正確に実現します。
選択肢AはConditionStepによる条件分岐、RegisterModelによるモデル登録、LambdaによるエンドポイントのUpdate、SNSによる通知をすべて組み合わせており、自動デプロイと人間レビューの要件を満たします。
選択肢Bは自動デプロイの条件分岐がなく、要件を満たせません。
選択肢CはSageMaker Pipelinesの利点を活かせず、カスタム実装の負荷が増します。
選択肢DはSageMaker AutopilotはAutoMLサービスであり、評価指標による条件分岐や通知ステップを含むパイプラインをサポートしません。
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 →