SageMaker SDK v3でエッジ向けCVモデルを自動管理、数千台規模に対応

AWSは、SageMaker SDK v3を活用したエッジ向けコンピュータビジョン（CV）モデルのライフサイクル管理手法を公開した。工場などの現場で、カメラごとに異なる照明や角度といった環境に対応したモデルを、人手を介さずに数千台規模で学習・評価・デプロイするパイプラインを構築できる。

本手法は、Amazon SageMaker Edge Managerの非推奨化に伴い、エッジ最適化にAmazon SageMaker Neoを採用した。パイプラインは異常検知器と欠陥分類器の2系統で構成される。各カメラのデータで個別に学習を行い、ONNX形式でエクスポートした後に評価を実施する仕組みだ。

モデルの性能は品質ゲートで担保する。異常検知器はAUROC 0.8以上、欠陥分類器はバランス精度0.6以上かつ欠陥再現率0.5以上を基準とする。この基準を通過したモデルのみがSageMaker Neoでコンパイルされ、SageMaker Model Registryに登録される。

フリート全体の学習リクエストは、Amazon SQS、AWS Step Functions、Amazon DynamoDBによるセマフォパターンで制御する。これにより同時実行数を制限し、リソースの枯渇を防ぐ。デフォルトの同時実行上限は5に設定されている。

サンプルコードはGitHubのaws-samplesリポジトリで公開された。合成データを用いたパイプライン実行コストは1回あたり約0.07ドル。利用にはPython 3.10以降、Docker、AWS CDK CLI 2.1131.0以降が必要となる。なお、対応するエッジデバイスの全リストや将来的なサポート範囲については現時点で未定だ。

開発者にとっての意味

この発表で手元の実装は変えない。SageMaker Edge Managerの非推奨化に伴う移行であり、新規機能の追加ではないからだ。既存のパイプラインが安定しているなら、あえてNeoへの移行コストを払う理由はない。

実装者は、自社のエッジデバイスがNeoのコンパイル対象か確認が必要だ。記事には対応デバイスの全リストがなく、ハードウェア依存の不具合リスクが不明だからだ。経営者は、この手法が「数千台規模」の自動化を前提としている点に注意せよ。小規模な運用では、SQSやStep Functionsによる制御コストが過剰になる可能性がある。まずは自社のデバイス数と、現在のパイプラインの運用コストを比較し、移行の費用対効果を測り直すべきだ。