AWS SageMakerの各種サービスまとめ

AWS SageMakerは「機械学習モデルを作るサービス」と思われがちですが、実際にはデータ準備からモデルの開発・運用・監視まで、機械学習ライフサイクル全体を支援するサービス群です。

個々のサービス名を暗記するよりも、「どのフェーズで何をするサービスなのか」を理解すると整理しやすくなります。

SageMaker全体像

                     Amazon SageMaker

      ┌──────────────────────────────────────┐
      │          開発環境                     │
      │ Studio / Canvas / Notebook / RStudio │
      └──────────────────────────────────────┘
                     │
                     ▼
      ┌───────────────────────────────────────┐
      │          データ準備                  │
      │ Ground Truth                         │
      │ Data Wrangler                        │
      │ Processing                           │
      │ Feature Store                        │
      └──────────────────────────────────────┘
                     │
                     ▼
      ┌───────────────────────────────────────┐
      │          モデル訓練                  │
      │ Training Jobs                        │
      │ Autopilot                            │
      │ Automatic Model Tuning               │
      │ Debugger                             │
      │ Experiments                          │
      │ Training Compiler                    │
      │ HyperPod                             │
      └──────────────────────────────────────┘
                     │
                     ▼
      ┌──────────────────────────────────────│
      │          モデルデプロイ              │
      │ Endpoints                            │
      │ Batch Transform                      │
      │ Serverless Inference                 │
      │ Async Inference                      │
      │ Multi-Model Endpoint                 │
      └──────────────────────────────────────┘
                     │
                     ▼
      ┌──────────────────────────────────────┐
      │          MLOps・運用                 │
      │ Pipelines                            │
      │ Model Registry                       │
      │ Model Monitor                        │
      │ Clarify                              │
      └──────────────────────────────────────┘
                     │
                     ▼
      ┌──────────────────────────────────────┐
      │      Foundation Models・生成AI       │
      │ JumpStart / HyperPod                 │
      └──────────────────────────────────────┘

① 開発環境

機械学習モデルを開発・実験するための環境です。用途や利用者に応じて、GUI・Notebook・R言語など複数の開発環境が提供されています。

サービス	主な用途
SageMaker Studio	SageMakerの標準となる統合開発環境（IDE）です。データ準備から学習、デプロイ、モデル管理までをブラウザ上で一元的に実施できます。
Studio Classic	Studioの旧世代環境です。既存プロジェクトとの互換性を維持しながら、従来のワークフローを継続利用できます。
Notebook Instances	Jupyter NotebookをAWS上で簡単に利用できるサービスです。Pythonによるデータ分析やモデル開発をすぐに始められます。
Canvas	プログラミング不要で機械学習モデルを作成できます。ビジネス部門でもGUI操作だけで予測モデルを構築できるのが特徴です。
RStudio on SageMaker	R言語を利用するデータサイエンティスト向けの開発環境です。RStudioの機能をそのままAWS上で利用できます。

② データ準備

機械学習モデルの精度はデータ品質に大きく左右されます。このフェーズでは、データの加工・ラベリング・特徴量管理など、学習前の準備を行います。

サービス	主な用途
Ground Truth	教師あり学習に必要な正解ラベルを効率よく作成するサービスです。人手によるラベリングだけでなく、自動ラベリング機能も利用できます。
Data Wrangler	データの加工やクレンジングをGUIで実施できます。結合・欠損値補完・特徴量作成などをコードを書かずに行えます。
Processing	前処理や後処理を大規模データに対して実行するサービスです。学習前のデータ加工や推論後の集計処理などに利用されます。
Feature Store	機械学習で利用する特徴量を一元管理するためのリポジトリです。学習用と推論用で同じ特徴量を利用できるため、精度や再現性の向上につながります。

③ モデル訓練

前処理したデータを利用して機械学習モデルを学習させるフェーズです。学習の自動化や高速化、実験管理などを支援するサービスが用意されています。

サービス	主な用途
Training Jobs	SageMakerの基本となる学習機能です。マネージド環境でモデルの学習を実行でき、分散学習やスポットインスタンスにも対応しています。
Autopilot	学習アルゴリズムや前処理を自動で選択するAutoMLサービスです。専門知識がなくても最適なモデル候補を作成できます。
Automatic Model Tuning	ハイパーパラメータを自動で最適化する機能です。ベイズ最適化を利用し、精度の高いモデルを効率よく探索できます。
Debugger	学習中のモデルを監視し、過学習や勾配消失などの異常を検出します。問題発生時の原因調査やデバッグを支援します。
Experiments	モデル学習の実験履歴を管理するサービスです。パラメータやデータセットごとの結果を比較しながら最適なモデルを選択できます。
Training Compiler	ディープラーニングモデルの学習処理を自動で最適化します。GPU利用効率を高め、学習時間やコストを削減できます。
HyperPod	大規模言語モデル（LLM）などを学習するためのGPUクラスター管理サービスです。障害復旧や分散学習を自動化し、大規模学習を効率化します。

④ モデルデプロイ

学習したモデルをアプリケーションから利用できる状態にするフェーズです。用途に応じてリアルタイム推論やバッチ処理など複数の提供方法を選択できます。

サービス	主な用途
Endpoints	学習済みモデルをリアルタイムAPIとして公開できます。チャットボットやレコメンドなど、即時応答が必要なシステムで利用されます。
Batch Transform	保存済みデータに対して一括で推論を実行するサービスです。大量データの予測処理を低コストで実施できます。
Serverless Inference	リクエストがあった時だけ推論環境を起動する仕組みです。アクセス頻度が低いAPIやPoC用途に適しています。
Asynchronous Inference	数分以上かかるような長時間推論向けのサービスです。動画解析や大量画像処理などの重い処理に利用されます。
Multi-Model Endpoints	複数のモデルを1つのEndpointで提供できます。モデル数が多い場合でもインフラコストを抑えて運用できます。
Inference Recommender	モデルに最適なインスタンスタイプや構成を自動で提案します。性能とコストのバランスを取りながら推論環境を最適化できます。

⑤ MLOps・運用

機械学習モデルは公開して終わりではありません。継続的に品質を維持し、改善し続けるための運用機能が提供されています。

サービス	主な用途
Pipelines	データ準備から学習、デプロイまでの一連の処理を自動化します。CI/CDのように継続的な機械学習運用（MLOps）を実現できます。
Model Registry	学習済みモデルをバージョン管理するためのサービスです。本番利用するモデルの承認や履歴管理を効率化できます。
Model Monitor	本番環境でモデル精度の低下やデータドリフトを監視します。異常を早期に検知し、再学習のタイミングを判断できます。
Clarify	モデルの予測理由やバイアスを分析するサービスです。説明可能AI（Explainable AI）や公平性の評価に利用されます。

⑥ Foundation Models・生成AI

近年は生成AI向け機能もSageMakerへ統合されています。学習済みモデルの利用から、大規模言語モデルの学習まで幅広く対応しています。

サービス	主な用途
JumpStart	LlamaやMistralなどの学習済みモデルをすぐに利用できます。サンプルやテンプレートも提供され、生成AIの検証を短期間で開始できます。
HyperPod	LLMやFoundation Modelの大規模学習向けに設計されています。数百〜数千GPU規模の分散学習を効率よく管理できます。

ここまで読んでいただき、ありがとうございます。もしこの記事の技術や考え方に少しでも興味を持っていただけたら、ネクストのエンジニアと気軽に話してみませんか。

• 選考ではありません
• 履歴書不要
• 技術の話が中心
• 所要時間30分程度
• オンラインOK

エンジニアと話してみる