Amazon SageMaker

Last updated at 2025-05-08Posted at 2025-04-27

1. Amazon SageMakerとは

Amazon SageMakerは、AWSが提供するエンドツーエンドの機械学習（ML）開発プラットフォームです。
データ準備からモデルの構築・トレーニング・デプロイ・運用監視まで、すべてAWS環境内で完結できます。

※2024年12月3日より「SageMaker AI」に改称されましたが、2025年3月時点のAWS認定試験では依然として「SageMaker」という名称が使われている可能性があります。

AWSマネジメントコンソールから「SageMaker」を選択し、統合開発環境（IDE）であるSageMaker Studioを起動します。

学習データは主にAmazon S3に保存し、SageMakerから取り込みます。
取り込みモードによるパフォーマンスの違いに注意が必要です。

SageMaker Studio内のJupyterベースノートブックで、データ処理・モデル構築・トレーニングコードを記述します。

定義したトレーニングジョブをSageMaker上で実行し、必要に応じてインスタンスタイプや分散学習を選択できます。

完成したモデルをエンドポイントとしてデプロイし、リアルタイム推論またはバッチ推論を実施します。

機能名	概要	Studio依存
3.1. SageMaker Managed Warm Pools	トレーニングインスタンスの事前起動保持	❌ 不要
3.2. SageMaker Canvas	ノーコードでのML構築ツール	✅ 必須（Canvas専用UI）
3.3. SageMaker Clarify	バイアス検出と説明可能性分析	❌ 不要（SDKで利用可）
3.4. SageMaker Feature Store	特徴量の保存と共有	❌ 不要（ただしStudioでのGUI表示は便利）
3.5. SageMaker JumpStart	事前学習済みモデルのテンプレート群	✅ 必須（StudioのGUI上のみ）
3.6. SageMaker Model Cards	モデルのドキュメントテンプレート	✅ StudioからのGUI操作が基本（SDKでも可）
3.7. SageMaker Neo	モデルのクロスコンパイル	❌ 不要
3.8. SageMaker Pipelines	ワークフロー自動化	✅ Studio推奨（SDK単独でも利用可だがUIはStudio限定）
3.9. SageMaker with TensorBoard	トレーニング中の可視化	✅ Studioに統合されている
3.10. SageMaker Data Wrangler	GUIによる前処理パイプライン構築	✅ 必須（Studio専用）

トレーニング後のインフラを保持し、再利用することで次回トレーニングの起動レイテンシーを削減できます。
反復実験やパラメータチューニング時に有効。

コード不要で機械学習モデルを作成・予測できるノーコードツール。
主に非エンジニア向け。

データやモデルの潜在的バイアス検出と 説明可能性評価（Explainability） をサポートします。
バイアス対策や監査対応に必須。

特徴量データ を保存・管理・共有できるサービス。
オンラインストア（リアルタイム推論用） と オフラインストア（バッチ学習用 を区別して使用します。

事前学習済みモデルやテンプレートソリューションをすぐに利用できる。
内部ではSageMakerインスタンスを使用するため、サーバーレスではない点に注意。

モデルの目的・使用データ・リスクなどを記述するドキュメントテンプレートを提供。
モデルガバナンスや説明責任が求められる場面で有効。

一度学習したモデルを、どこでも超高速に動かすためにコンパイルするサービス。

データ前処理、トレーニング、デプロイなどMLワークフローを一連のパイプラインとして自動化します。
CSV, JSON, Parquetなど、複数のデータ形式に対応。

トレーニング過程の可視化とデバッグを支援。
ただし、自動で異常検知や最適化を行う機能はない点に注意。

GUIベースでデータ前処理・特徴量エンジニアリングを効率化できる。
特に大量の特徴量作成や前処理パイプライン構築など 重いGUI系 に用いる。