Amazon SageMaker AI
ML の構築・デプロイ基盤
包括的な ML プラットフォーム（旧称 Amazon SageMaker）です。データ準備、notebook/Studio、マネージド instance での学習、チューニング、推論 endpoint のデプロイ、MLOps（Pipelines、Model Registry）を備えています。
- コスト$$$ 高め
- 難易度●●●●●
- 未使用でも課金？はい
- AWS マネージド
- 出題試験CLF · SAA
たとえるなら一式揃った製造工場のようなものです。原材料から機械、出荷ラインまで揃っていて、製品の設計は自分で行います。
いつ使う？
✓ 使うべき場面
独自の ML モデルを自分で学習・チューニング・デプロイしたいとき。
✗ 避けるべき場面
既製モデルや生成 AI を呼び出すだけでよい → Bedrock / 専用 AI サービス（Rekognition、Comprehend…）。
よくある使い方
- 解約（churn）予測モデルの学習
- リアルタイム推論 endpoint のデプロイ
- 定期再学習の MLOps pipeline
料金はいくら？
- 課金方式: notebook、学習、endpoint の instance 時間に加えてストレージで課金されます。serverless inference や Savings Plans のオプションもあります。
endpoint や notebook/Studio アプリの停止忘れが最もよくある無駄な出費です。学習には Spot を使ってコストを削減しましょう。
「独自の ML モデルを構築、学習、デプロイ、MLOps」なら SageMaker AI、「API で基盤モデル」なら Bedrock、「ML の専門知識なしで画像やテキストを認識」なら Rekognition や Comprehend、「エンドポイントなしでデータセット全体を推論」ならバッチ変換を選びます。
よくある質問
SageMaker AI は Bedrock や構築済み AI サービス (Rekognition、Comprehend) と何が違いますか?
Rekognition、Comprehend、Transcribe などは特定の課題に対する構築済みの AI API で、ML の知識は不要です。Bedrock は API で基盤モデルを利用できます。SageMaker AI は、自分のデータで独自のモデルを構築、学習、ファインチューニング、デプロイする場合に使い、ML の知識は必要ですが柔軟性が最も高いです。
SageMaker AI にはどんな推論のデプロイ方法がありますか?
リアルタイムエンドポイントは低遅延で常時稼働します。サーバーレス推論は不定期なトラフィック向けで、アイドル時はゼロまでスケールします。非同期推論は大きな、または処理時間が長いリクエスト向けで、キューに入れて処理します。バッチ変換は、常設エンドポイントなしでデータセット全体を一度に推論します。
SageMaker AI のコストを下げるには?
リアルタイムエンドポイントはリクエストがなくても課金されるため、使わないエンドポイントは削除するか、サーバーレスやバッチに切り替えます。学習ではマネージドスポットを使うと安くなり、チェックポイントで中断に備えます。使っていないノートブックや Studio アプリは停止するのも忘れずに。
