新製品の需要予測に推奨される AWS アーキテクチャ

AI/ML パイプラインを複数の製品やリージョンにスケールする場合は、再現性、信頼性、スケーラビリティに関する機械学習オペレーション (MLOps) のベストプラクティスに従うことをお勧めします。詳細については、Amazon SageMaker AI ドキュメントのMLOps の実装」を参照してください。次の図は、新製品導入の需要を予測する ML モデルを実装するための AWS アーキテクチャの例を示しています。

サンプル AWS アーキテクチャは、データエンジニアリング、DevOps、データサイエンスの 3 つのレイヤーで構成されています。

データエンジニアリングレイヤーは、 を使用して企業データソースからデータを取り込んでAWS Glue、Amazon Simple Storage Service (Amazon S3) にコスト効率の高い方法でデータを保存することに重点を置いています。 AWS Glue は、フルマネージド型のサーバーレス ETL サービスであり、さまざまなデータストア間でデータを分類、クリーンアップ、変換、確実に転送するのに役立ちます。Amazon S3 は、スケーラビリティ、データ可用性、セキュリティ、パフォーマンスを提供するオブジェクトストレージサービスです。データエンジニアリングレイヤーには、Amazon SageMaker AI でバッチ変換を使用してオフラインのバッチ推論デプロイも表示されます。バッチ変換は Amazon S3 から入力データを取得し、Amazon API Gateway を介して 1 つ以上の HTTP リクエストで推論パイプラインモデルに送信します。Amazon API Gateway は、あらゆる規模で APIs を作成、公開、保守、モニタリング、保護するのに役立つフルマネージドサービスです。最後に、データエンジニアリングレイヤーは Amazon Amazon CloudWatch は、システム全体のパフォーマンスを可視化し、アラームの設定、変更への自動対応、運用状態の統合ビューの取得に役立つサービスです。CloudWatch は、指定した Amazon S3 バケットにログファイルを保存します。

DevOps レイヤーは、API Gateway、CloudWatch、Amazon SageMaker AI Model Monitor を使用してリアルタイムの推論デプロイを行います。Model Monitor は、データドリフトや異常などのモデル品質の偏差に対して自動アラートトリガーシステムを設定するのに役立ちます。Amazon CloudWatch Logs は Model Monitor からログファイルを収集し、モデルの品質がプリセットした特定のしきい値に達したときに通知します。DevOps レイヤーは、コード配信パイプラインを自動化AWS CodePipelineするための の使用も示します。

データサイエンスレイヤーは、Amazon SageMaker AI Pipelines と Amazon SageMaker AI Feature Store を使用して機械学習ライフサイクルを管理する方法を示しています。SageMaker AI Pipelines は、データ前処理からモデルモニタリングまで、すべての ML フェーズを自動化するのに役立つ専用のワークフローオーケストレーションサービスです。直感的な UI と Python SDK を使用すると、反復可能なend-to-endの ML パイプラインを大規模に管理できます。複数の とのネイティブ統合 AWS のサービス により、MLOps の要件に基づいて ML ライフサイクルをカスタマイズできます。Feature Store は、ML モデルの機能を保存、共有、管理するための完全マネージド型の専用リポジトリです。機能は ML モデルへの入力であり、トレーニングと推論中に使用されます。