次のステップとリソース

このガイドでは、本番環境に導入する機械学習モデルのライフサイクルを計画する際のいくつかの考慮事項について説明します。データ、トレーニング、デプロイ、モニタリングの 4 つの領域における課題とベストプラクティスについて説明し、関連するその他のリソースも含まれています。

AWS は、 Well-Architected フレームワークを提供します。これは、クラウドアーキテクトが、さまざまなアプリケーション、ワークロード、テクノロジードメイン向けに、安全で高性能、耐障害性、効率的なインフラストラクチャを構築するのに役立ちます。詳細については、 AWS Well-Architected が提供するMachine Learningレンズを参照してください。

リソース

Amazon SageMaker AI ドキュメント

• Amazon SageMaker AI Feature Store

• Feature Store のセキュリティとアクセスコントロール

• シェープリー値

• Amazon SageMaker AI デバッガー

• Amazon SageMaker AI パイプライン

• Amazon SageMaker AI のデフォルトプロジェクトテンプレート

• SageMaker AI リアルタイム推論

• Amazon SageMaker AI モデルを自動的にスケーリングする

• Amazon SageMaker AI 非同期推論

• SageMaker AI Model Monitor

AWS デベロッパーツール

• AWS CodePipeline

AWS ブログ投稿

• Amazon SageMaker AI Feature Store の主な機能を理解する

• を使用した大規模なデータ品質のテスト PyDeequ

• Amazon SageMaker AI 実験

• と を使用して Amazon SageMaker エンドポイントを安全にデプロイ CodePipeline およびモニタリングする AWS CodeDeploy

• Amazon SageMaker AI にシャドウ ML モデルをデプロイする

• Amazon SageMaker AI を使用して本番環境で ML モデルを A/B テストする