第6章 · SageMaker エコシステムと AI サービス·v2.0.0·更新 2026/6/28·読了目安 約11分
変更要約: MLS-C01 第6章を深掘り（コンポーネント役割分担/スポット学習/Experiments/Debugger/Pipelines・AIサービスのCustom機能と判断/Textract vs Rekognition/Forecast vs DeepAR・Ground Truthワークフォース3種/自動ラベリング/作る使うスペクトラム＋比較表・シナリオ・FAQ・ひっかけ、図ja化）
6.1SageMaker のワークフロー
この節の要点
一貫した ML 基盤——SageMaker Studio、組み込みアルゴリズム、トレーニングジョブ、Processing、準備→学習→デプロイ→監視——を理解します。
SageMaker は、データ準備からデプロイ・監視まで ML の全工程を一貫して扱うマネージドプラットフォームです。Studio が統合 IDE になります。
6.1.1全工程を一つの基盤で
- Studio：データ準備・学習・デプロイ・監視を行う統合 IDE（ノートブック含む）。
- 組み込みアルゴリズム：XGBoost/K-Means/DeepAR などをすぐ使える形で提供。
- トレーニングジョブ：マネージドなインスタンスで学習を実行し、成果物（モデル）を S3 に保存。
- Processing：前処理や後処理（特徴量化・評価）をマネージドなジョブとして実行する。
試験ポイント
「ML の統合 IDE＝SageMaker Studio」「すぐ使えるアルゴリズム＝組み込みアルゴリズム」「マネージドな学習＝トレーニングジョブ（成果物は S3）」「前処理/評価のジョブ＝Processing」 は MLS-C01 で頻出です。各機能の役割（準備/学習/デプロイ/監視）を取り違えないこと。