SageMaker ホスティングサービスにモデルをデプロイするためのベストプラクティス

通常、クライアントアプリケーションはエンドポイントに SageMaker HTTPSリクエストを送信して、デプロイされたモデルから推論を取得します。テスト中に Jupyter ノートブックからこのエンドポイントにリクエストを送信することもできます。

でトレーニングされたモデルを独自のデプロイターゲット SageMaker にデプロイできます。そのためには、モデルトレーニングによって生成されたモデルアーティファクトのアルゴリズム固有の形式を知る必要があります。出力形式の詳細については、「トレーニングの共通データ形式」の使用しているアルゴリズムに対応するセクションを参照してください。

モデルの複数のバリアントを同じ SageMaker HTTPSエンドポイントにデプロイできます。これは、本番環境でモデルのバリエーションをテストするのに役立ちます。たとえば、モデルを本番環境にデプロイしたとします。たとえば、5% という少量のトラフィックを新しいモデルに転送することで、モデルのバリエーションをテストします。これを行うには、モデルの両方のバリエーションを記述するエンドポイント設定を作成します。ProductionVariant を CreateEndPointConfig へのリクエストに指定します。詳細については、「ProductionVariant」を参照してください。

ProductionVariant を設定すると、Application Auto Scaling を使うことができます。自動スケーリングの設定については、「Amazon SageMaker モデルの自動スケーリング」を参照してください。

すでに実稼働環境にデプロイされているモデルを停止中の状態にすることなく、エンドポイントを変更することができます。たとえば、新しいモデルバリアントを追加したり、既存のモデルバリアントの ML コンピューティングインスタンス設定を更新したり、モデルバリアント間のトラフィックの分散を変更することができます。エンドポイントを変更するには、新しいエンドポイント設定を指定します。 はダウンタイムなしで変更 SageMaker を実装します。詳細については、「UpdateEndpoint」および「UpdateEndpointWeightsAndCapacities」を参照してください。

モデルアーティファクトを変更または削除したり、モデルをデプロイした後に推論コードを変更すると、予期しない結果が生じます。モデルアーティファクトの変更や削除、または推論コードの変更が必要な場合は、新しいエンドポイント設定を提供してエンドポイントを変更します。新しいエンドポイント設定を指定すると、古いエンドポイント設定に対応するモデルアーティファクトを変更または削除できます。

データセット全体の推論を取得するには、ホスティングサービスの代わりにバッチ変換を使用することを検討してください。詳細については、「Amazon による推論のためのバッチ変換 SageMaker」を参照してください。