概要

AWS認定試験（AIF/MLA/MLS) では、Amazon SageMaker に関する知識が非常に重要です。

SageMaker には多数の「SageMaker ○○」と言ったサービスが存在しており、それぞれの役割やユースケースを把握することが求められます。

本記事では、それらを体系的に整理して紹介します。

Amazon SageMakerとは？

Amazon SageMaker は、AWSが提供する機械学習（ML）のためのフルマネージドサービスです。データの準備、モデルのトレーニング、チューニング、デプロイ、監視まで、機械学習のライフサイクル全体をサポートします。

インフラの構築不要でMLモデルの開発・運用が可能
ノーコードユーザーからプロのデータサイエンティストまで幅広く対応
多数の「SageMaker ○○」サービスによって用途ごとに最適化

SageMakerの主要サービス一覧

すべてのサービスを網羅しているわけではありませんが、試験対策として重要なものを中心にまとめています。

SageMaker Canvas

ノーコードで機械学習モデルを作成・予測できるサービスです。分析担当者やビジネスユーザーが、Pythonを書かずにMLモデルを構築できます。

データの前処理、モデルの学習、評価、予測がGUI上で完結
AutoMLが裏で動いているため、機械学習に詳しくなくても扱える

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html

SageMaker Studio

統合開発環境（IDE）としての機能を持つ SageMaker の中核サービス。Jupyterベースで、開発・トレーニング・デプロイがGUIから可能です。

データサイエンティスト向け
複数のMLツールとの連携が容易（TensorFlow, PyTorch, SKLearn など）

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html

SageMaker Processing

バッチデータ処理（前処理や後処理など）をスケーラブルに行うためのサービス。

入力データをS3から読み取り、処理後のデータをS3に出力
sklearnや自作のスクリプトでのデータクリーニングが可能

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html

SageMaker Clarify

機械学習モデルのバイアス検出や説明可能性（Explainability）を提供するサービス。

データとモデルの公平性チェック
SHAPによる特徴量重要度の可視化

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-about.html

SageMaker Debugger

トレーニング中のモデルの問題（オーバーフィッティング、消失勾配など）を検出するためのツール。

モデルの学習過程をリアルタイムに監視
自動ルールで異常を検出

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-about.html

SageMaker Model Monitor

デプロイ後のモデルのドリフト（精度の劣化）を監視。

入力データの分布変化、予測値の変化を監視
リアルタイムでアラート送信も可能

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html

SageMaker Autopilot

完全自動でモデル作成（AutoML）を行ってくれるサービス。トレーニングパイプラインを自動生成します。

モデルの候補を複数試行し、最適なものを選択
StudioやCanvasからも実行可能

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html

SageMaker Neo

トレーニング済みモデルを最適化コンパイルして、エッジデバイスで高速に動作させるサービス。

ARM, Intel, NVIDIAなど多様なデバイス向けに最適化
IoTなどとの親和性が高い

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html

SageMaker Pipelines

MLワークフローを構築・管理するための MLOpsパイプライン機能。

CI/CDを使ったML開発に対応
ステップ（処理単位）を視覚的に接続できる

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html

SageMaker Data Wrangler

データの準備・クレンジング・変換をGUIベースで行えるサービス。

SQL不要のGUIで集計・結合・欠損処理などが可能
データ前処理からそのままトレーニングジョブに接続可能

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html

SageMaker JumpStart

事前学習済みモデルやサンプルノートブックを使って、すぐにMLを試せるサービス。

BERTなどの定番モデルもGUIからすぐ使える
業界別テンプレートや事前学習済みモデルを簡単にデプロイ

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html

SageMaker Feature Store

機械学習モデルで使う特徴量の保存・共有に使うリポジトリ。

オンライン/オフライン両方のストアを提供
MLOpsの再現性・一貫性を担保するのに便利

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store.html

SageMaker Edge Manager

SageMaker Neoなどで最適化されたモデルを IoT/エッジデバイスで運用するための管理サービス。

エッジ上のモデルの監視・更新が可能
オフライン予測＋後で同期する仕組み

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/edge.html

SageMaker Ground Truth

教師あり学習のためのデータラベリングサービス。

Amazon Mechanical Turkや自社ワーカーを使ったラベリング
自動ラベリング（Active Learning）も可能

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html

SageMaker Training Compiler

ディープラーニングモデルのトレーニングを自動で最適化し高速化するためのコンパイラ。

PyTorch/XLAなどと連携して、GPUリソースを有効活用
学習時間・コストを削減

🔗 公式ドキュメント:
https://docs.aws.amazon.com/sagemaker/latest/dg/training-compiler.html

SageMaker Experiments

MLの実験管理ツール。ハイパーパラメータの変更やデータバージョンに対する結果をトラッキングできます。

モデルのバージョン管理を体系化できる
実験の比較・可視化が可能

🔗 公式ドキュメント
https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html

SageMaker Model Registry

モデルのバージョンを管理し、承認・デプロイのステータスも記録できる機能。MLOps文脈で重要です。

モデルの「ステージ（開発→本番）」管理
Pipelinesとの統合が前提になることも多い

🔗 公式ドキュメント
https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html

SageMaker Inference Recommender

モデルを本番環境で推論する際に、最適なインスタンスタイプや設定を自動で推奨するツール。

デプロイ時のコストやパフォーマンスのトレードオフ分析
スペック選定を自動化できる

🔗 公式ドキュメント
https://docs.aws.amazon.com/sagemaker/latest/dg/inference-recommender.html