はじめに
本記事では、GCPのVertex AIについて、AWSのSageMakerと比較しながらその特徴を解説します。
- Vertex AI = GCPの統合型MLサービス（2021年登場）
- SageMaker = AWSの代表的なMLサービス（2017年登場）
いずれも「開発・学習・デプロイ」までのMLワークフローをサポートするプラットフォームです。
1. 全体設計思想の違い
| 観点 | SageMaker | Vertex AI |
|---|---|---|
| 起点 | Jupyter Studioが中核 | BigQueryやAutoMLが中核 |
| 製品群構成 | 機能ごとに細かく分かれている（例：Processing / Training / Inference Jobs） | Vertex AIという単一ブランドで統合管理 |
| ノートブック | Studio + JupyterLab | Workbench（AI Notebooks） |
| バックエンド | EC2（CPU/GPU）、EKSなど柔軟 | GCE + GKEベース |
SageMakerはインフラレイヤーが見えますが、Vertex AIは抽象化が強め。
GCPネイティブな思想に近いです。
2. AutoML・パイプライン機能の比較
| 観点 | SageMaker | Vertex AI |
|---|---|---|
| AutoML | Autopilot（構成がやや複雑） | AutoML Tables / Forecast / Visionなどが豊富 |
| パイプライン | SageMaker Pipelines（Step Functions相当） | Vertex Pipelines（KFPベース） |
| パイプライン記述 | Python SDK中心（細かい設定が必要） | Kubeflow Pipelines + YAML or Python |
Vertex AIの方がAutoMLやPipeline周りは親切設計。
SageMakerは自由度が高い代わりに学習コストも上がります。
3. モデルデプロイの柔軟性
| 観点 | SageMaker | Vertex AI |
|---|---|---|
| デプロイ方式 | 推論エンドポイントの作成（リアルタイム / バッチ） | Endpoint or Batch Prediction |
| Dockerカスタム | ECRに登録したコンテナを使える | Docker使用可（Cloud Buildなどでのビルドも容易） |
| スケーリング | 手動設定 or オートスケーリング | Cloud Run / GKEなどとの連携が容易 |
4. 課金体系とコスト感
| 観点 | SageMaker | Vertex AI |
|---|---|---|
| ノートブック課金 | インスタンス時間単位（停止でも課金） | Idle時は課金停止可能 |
| 推論エンドポイント | リアルタイムは継続課金 | Cloud Runを併用すればコスト圧縮可 |
| AutoML課金 | 学習時間課金（分単位） | AutoMLも同様だが料金体系が明快 |
5. 組織としての戦略
- SageMaker: AWSの「何でもできるが使いこなせる人が必要」な哲学
- Vertex AI: GCPの「抽象化・再利用性・統合志向」が色濃い