第3章 · ML ワークフローのデプロイとオーケストレーション·v2.1.0·更新 2026/6/14·読了目安約9分

変更要約: in-scope サービス網羅: デプロイ/実行基盤/IaC(Lambda/ECS/EKS/ECR/API Gateway/Direct Connect/CloudFormation/CDK/CodeArtifact/CodeBuild/CodeDeploy/Service Catalog/SAR/X-Ray)を追加

3.2MLOps と SageMaker Pipelines

この節の要点

SageMaker Pipelines による ML ライフサイクルの自動化、Model Registry によるモデルのバージョン管理と承認、CI/CD 連携といった MLOps を理解します。

モデルを継続的に作り直し・デプロイするには、ML のライフサイクルを自動化（MLOps）します。AWS では SageMaker Pipelines が中心です。

3.2.1パイプラインとモデルレジストリ

Process（データ準備）→Train（学習）→Evaluate（メトリクスでゲート）→Register & deploy（Model Registry で登録・デプロイ）という SageMaker Pipelines の MLOps フローを示し、ML ライフサイクルを再現可能なパイプラインとして自動化し、モデルをレジストリでバージョン管理する旨を表した図。 — SageMaker Pipelines の MLOps フロー

SageMaker Pipelines：データ準備→学習→評価→登録/デプロイを再現可能なパイプラインとして自動化する。
Model Registry：モデルをバージョン管理し、承認ステータス（承認/却下）で本番デプロイを統制する。
評価ステップ：メトリクスがしきい値を満たした場合のみ登録/デプロイへ進める（品質ゲート）。
CodePipeline などの CI/CD と連携し、コミットを起点に再学習/デプロイを自動化できる。

試験ポイント

「ML ライフサイクルの自動化＝SageMaker Pipelines」「モデルのバージョン管理と承認＝Model Registry」「メトリクスで本番前にゲート＝評価ステップ」 は MLA で頻出です。

MLOps は「ML ライフサイクルを再現可能・自動・統制された形で回す」プラクティスです。SageMaker Pipelines は処理→学習→評価→登録/デプロイを DAG として定義し、各ステップの入出力（データ・モデル・メトリクス）を Lineage（系統）で追跡します。評価ステップ＋条件（ConditionStep）で「メトリクスがしきい値を満たした時だけ登録へ進む」品質ゲートを作れます。学習済みモデルは Model Registry にモデルパッケージグループとしてバージョン登録し、承認ステータス（Approved/Rejected）で本番デプロイを統制——承認をトリガーに CodePipeline 等の CI/CD でデプロイを自動化します。実験管理は SageMaker Experiments、メタデータは ML Lineage Tracking、コード化テンプレートは Projects。再学習は EventBridge（スケジュール）や Model Monitor のドリフト検知（データ品質・モデル品質・特徴量寄与・バイアスのドリフト）をトリガーに自動化し、モデルの鮮度を保ちます。判断軸は「ライフサイクル自動化＝Pipelines」「版/承認＝Model Registry」「本番前ゲート＝評価ステップ」。

やりたいこと	使うもの
ライフサイクルの自動化	SageMaker Pipelines
モデルの版管理・承認	Model Registry
本番前の品質ゲート	評価ステップ＋条件
ドリフトで再学習トリガー	Model Monitor ＋ EventBridge

例

シナリオ：精度が基準未満のモデルは絶対に本番へ出さず、承認後に自動デプロイしたい。 SageMaker Pipelines で学習→評価ステップ＋条件（例 F1≥0.85）を組み、満たした時だけ Model Registry に登録。担当者が Approved にすると CodePipeline がデプロイを自動実行。本番後は Model Monitor でドリフトを監視し、検知時に EventBridge で再学習を起動します。

補足

Q. ライフサイクル自動化？ SageMaker Pipelines。Q. 版管理・承認は？ Model Registry。Q. 本番前のゲート？ 評価ステップ＋条件。Q. ドリフト検知は？ Model Monitor。Q. 再学習トリガー？ EventBridge（スケジュール/イベント）。

注意

混同に注意：
①Pipelines＝自動化／Model Registry＝版・承認——役割を取り違えない。
②品質ゲートが無いと不良モデルが本番に届く——評価ステップ＋条件を必ず入れる。
③Model Monitor は「検知」であり自動修復はしない——再学習/ロールバックは別途設計。
④承認フローを省くとガバナンスが効かない。

コツ

再学習はスケジュール（EventBridge）やデータ/モデルのドリフト検知をトリガーに自動化すると、モデルの鮮度を保てます。

3.2.2この節のまとめ

SageMaker Pipelines（自動化）＋Model Registry（版/承認）
評価ステップで品質ゲート、CI/CD と連携

進捗の記録にはログインが必要です。

理解度チェック

（軽い確認用）

Q1. データ準備→学習→評価→デプロイの ML ライフサイクルを再現可能に自動化したい。最も適すサービスはどれですか？

Q2. モデルをバージョン管理し、承認されたものだけ本番にデプロイしたい。何を使いますか？

Q3. パイプラインで「評価メトリクスがしきい値を満たした場合のみ登録へ進む」を実現するのはどれですか？

理解度を確認第3章「ML ワークフローのデプロイとオーケストレーション」の問題を解く