ある企業のMLチームが、Amazon SageMaker を用いた機械学習パイプラインを CI/CD で自動化しようとしています。新しいトレーニングデータが S3 にアップロードされるたびに自動的に再トレーニングが実行され、評価結果が閾値を超えた場合のみ本番エンドポイントを更新したい場合、最もアーキテクチャとして適切なものはどれですか。
- A. S3 イベント通知 → Lambda → SageMaker トレーニングジョブ → 手動で担当者がコンソールからエンドポイントを更新
- B. S3 バケットに全データを格納し、Amazon Comprehend の自動学習機能を使って継続的に更新する
- C. S3 イベント通知 → EventBridge → SageMaker Pipelines の実行 → 評価ステップで閾値判定 → 合格時のみ SageMaker Model Registry に登録してエンドポイントを更新
- D. 定期的に AWS Glue ジョブを実行してデータを変換し、その後手動でノートブックを実行してモデルを更新する
解答と解説を見る
正解: C
SageMaker Pipelines は前処理・トレーニング・評価・条件分岐・デプロイまでを一つのワークフローとして定義し、EventBridge を通じて S3 イベントなどのトリガーで自動実行できます。評価ステップで精度が閾値を満たした場合のみ Model Registry に登録し、エンドポイントを更新する条件付きステップ（ConditionStep）も実装可能です。Lambda 経由で手動更新するアーキテクチャは自動化が不完全であり「評価閾値による自動判定」の要件を満たしません。Glue + 手動ノートブックは自動化という要件から逸脱しており、CI/CD とはなりません。Amazon Comprehend は特定のNLPタスク向けのサービスであり、汎用的なMLパイプライン自動化には使用しません。
📚 関連サービスの解説: Amazon S3 ・ Amazon EventBridge