ヘルスケア企業の ML ガバナンスチームが、本番デプロイするすべてのモデルについて以下の情報を構造化形式で記録し、SageMaker Model Registry の特定バージョンに紐付けて管理することを義務付けました。

Question

ヘルスケア企業の ML ガバナンスチームが、本番デプロイするすべてのモデルについて以下の情報を構造化形式で記録し、SageMaker Model Registry の特定バージョンに紐付けて管理することを義務付けました。
- モデルの目的
- トレーニングデータの説明
- 評価結果（精度・公平性指標）
- 想定用途と禁止用途
- リスクの考慮事項
この要件を直接満たす AWS サービスはどれですか？

Accepted Answer

正解: SageMaker Model Cards を使用して目的・学習データ・評価結果・倫理的考慮事項を標準スキーマで記録し、Model Registry の対応バージョンに直接紐付ける。SageMaker Model Cards は ML モデルの透明性と説明責任のために設計された構造化ドキュメント機能です。モデルの意図された用途・トレーニングデータの詳細・評価結果・倫理的考慮事項・リスクなどの情報を標準化されたスキーマで記録でき、SageMaker Model Registry の特定モデルバージョンと直接紐付けることができます。バージョン管理機能も備えており、モデルの改訂に合わせてドキュメントを更新・追跡できます。

選択肢Aの SageMaker Clarify はバイアス分析と説明可能性のツールであり、モデルの目的・想定用途・リスク考慮事項などの非技術的なドキュメントを構造的に管理する機能はありません。
選択肢Cのノートブックを HTML 変換して保存するアプローチは非構造化で検索性が低く、Model Registry との正式な統合もないため組織的なガバナンスには不向きです。
選択肢Dの AWS Audit Manager はコンプライアンスエビデンスの自動収集に特化したサービスであり、モデルドキュメントの作成・管理機能は持ちません。

Answer

SageMaker Clarify でバイアスレポートを生成して S3 に保存し、Model Registry の各バージョンのメタデータフィールドに S3 URI を手動登録する — SageMaker Clarify はバイアス検出と SHAP 説明可能性のサービスであり、モデルの目的・想定用途・禁止用途・リスク考慮事項を構造化ドキュメントとして管理する機能はありません。S3 への保存も非構造化で Model Registry との統合が非公式です。

Answer

SageMaker Studio のノートブックにモデルドキュメントを記述して HTML に変換後 S3 に保存し、Model Registry の承認フローのコメント欄に参照リンクを記録する — Jupyter ノートブックを HTML 変換して S3 保存するアプローチは非構造化で検索性が低く、バージョン管理も手動依存です。Model Registry との正式な紐付け機能がなく、組織規模のガバナンス管理には適していません。

Answer

AWS Audit Manager でカスタムフレームワークを定義し、ML モデル評価項目をコントロールとして設定してコンプライアンスエビデンスを自動収集する — AWS Audit Manager はコンプライアンスフレームワークへのマッピングとエビデンス収集を自動化するサービスです。ML モデルの目的・用途・リスクを記述する構造化ドキュメントの作成・管理機能は持たず、Model Registry との統合もありません。

解説

解説