金融サービス会社は SageMaker でクレジットスコアリングモデルを定期的にトレーニングしています。コンプライアンス要件として以下が求められています。
・モデルを本番デプロイする前に必ず人間のレビューと承認を経ること

Question

金融サービス会社は SageMaker でクレジットスコアリングモデルを定期的にトレーニングしています。コンプライアンス要件として以下が求められています。
・モデルを本番デプロイする前に必ず人間のレビューと承認を経ること
・承認・却下の履歴を監査証跡として残すこと
・承認完了を契機に自動デプロイを起動すること
この要件を最も効率的に満たすアーキテクチャはどれですか？

Accepted Answer

正解: SageMaker Model Registry にモデルバージョンを登録し、承認ステータス（Approved / Rejected / PendingManualApproval）を管理する。EventBridge でステータス変更イベントを検知し、SageMaker Pipelines または CodePipeline でデプロイを自動起動する。SageMaker Model Registry はモデルのバージョン管理と承認ワークフローを提供し、Approved・Rejected・PendingManualApproval の3状態で承認履歴を記録できます。承認ステータスの変更は EventBridge イベントとして発行されるため、これをトリガーにデプロイパイプラインを自動起動できます。

選択肢AのExperimentsとS3管理は承認ワークフローを提供しないため、手動デプロイとなり自動化要件を満たしません。

選択肢CのAutopilotは自動モデル選択に有効ですが、人間の承認フロー・監査証跡管理・イベント駆動デプロイには対応していません。

選択肢DのSageMaker Pipelines の Condition ステップは指標による自動ゲートであり、人間の承認フロー・承認履歴の記録には対応していません。

Answer

SageMaker Experiments でモデルのメタデータを記録し、S3 でモデルアーティファクトを管理する。デプロイは担当者が手動でスクリプトを実行する — ExperimentsとS3管理は承認ワークフローを提供しないため、手動デプロイとなり自動化要件を満たしません。

Answer

SageMaker Autopilot でモデルを自動選択し、評価指標が閾値を超えた場合に Lambda で自動的に本番エンドポイントへデプロイする — Autopilotは自動モデル選択に有効ですが、人間の承認フロー・監査証跡管理・イベント駆動デプロイには対応していません。

Answer

SageMaker Pipelines でトレーニングから評価まで自動化し、評価ステップの出力が基準を満たした場合のみ Condition ステップでデプロイを実行する — SageMaker Pipelines の Condition ステップは指標による自動ゲートであり、人間の承認フロー・承認履歴の記録には対応していません。

解説

解説