SAA SageMaker / AWS AI 設計パターン5選｜カスタムML vs マネージドAI・推論エンドポイント選択・MLOps・Bedrock 生成AI 統合完全攻略

「まずカスタムMLか既製AIサービスかを選び、次に推論パターンを選べ」 — SAA-C03 の機械学習問題は「SageMaker を使う必要があるか、マネージドAI サービスで十分か」の判断から始まる。本記事では、要件キーワードからパターンへの逆引きができる粒度で、試験頻出の5つの設計パターンを整理する。

※ 本記事はアフィリエイト広告（Amazon アソシエイト等）を含みます

---

📑 目次

1. 結論：SageMaker / AWS AI 設計パターン5選

SAA-C03 で問われる機械学習・AI 設計パターンは大きく5つに集約される。

パターン	主なサービス	主なユースケース
マネージドAI vs カスタムML 選択	Rekognition / Comprehend / SageMaker	要件適合度と開発コストの最適化
推論エンドポイント選択	SageMaker Real-time / Serverless / Batch Transform	レイテンシ・コスト・スループットの最適化
MLOps 自動化	SageMaker Pipelines + CodePipeline	モデルトレーニング・デプロイの自動化
データ前処理・ラベリング	SageMaker Ground Truth + Processing	学習データ品質向上
生成AI 統合	Amazon Bedrock + Agents	Foundation Model の活用と RAG アーキテクチャ

---

2. マネージドAI vs カスタムML 選択の判断軸

機械学習問題の最初のステップは 既製 AI サービスか SageMaker カスタムモデルか の選択だ。

判断フロー

要件を確認
├─ 独自データでモデルを訓練する必要がある      → SageMaker（カスタムML）
├─ 画像の物体検出・顔認識・テキスト検出        → Rekognition
├─ テキストの感情分析・エンティティ抽出・言語検出 → Comprehend
├─ 文書（PDF/画像）からテキスト・表を抽出       → Textract
├─ 音声をテキストに変換（文字起こし）           → Transcribe
├─ テキストを音声に変換（読み上げ）             → Polly
├─ 時系列データの需要予測・在庫予測             → Forecast
├─ ユーザーへのパーソナライズ推薦               → Personalize
└─ Foundation Model / 生成AI を活用したい        → Bedrock

AWS マネージドAI サービス vs SageMaker カスタムML

評価項目	マネージドAI サービス 推奨	SageMaker カスタムML
開発工数	◎ API 呼び出しのみ	△ データ準備・トレーニング・チューニング必要
カスタマイズ性	△ 固定モデル（パラメータ調整不可）	◎ 独自データ・アルゴリズムで自由に訓練
初期コスト	◎ 従量課金（API 呼び出し数）	△ トレーニングインスタンス + ストレージコスト
独自ドメイン精度	△ 汎用モデルのため業界特化精度に限界	◎ 独自データで高精度チューニング可能
典型ユースケース	汎用画像分析・文書処理・感情分析	医療画像診断・製造品質検査・金融不正検知

---

3. パターン1：マネージドAI サービス活用（既製モデル）

AWS AI サービス早見表

サービス	入力	主な機能	SAA 試験頻出シナリオ
Rekognition	画像・動画	物体検出・顔認識・有害コンテンツ検出	SNS 投稿画像の自動モデレーション
Comprehend	テキスト	感情分析・エンティティ抽出・言語検出	カスタマーレビューの感情スコアリング
Textract	PDF・画像	テキスト・テーブル・フォーム構造化抽出	帳票・契約書のデジタル化
Transcribe	音声ファイル	音声→テキスト変換（文字起こし）	コールセンター録音の自動議事録化
Polly	テキスト	テキスト→音声（TTS）	多言語音声アナウンス自動生成
Translate	テキスト	リアルタイム翻訳	多言語コンテンツの自動翻訳
Forecast	時系列CSV	需要・在庫・売上予測	EC サイト在庫最適化
Personalize	行動履歴	パーソナライズ推薦	動画・商品のレコメンドエンジン

---

4. パターン2：SageMaker 推論エンドポイント選択

SageMaker でカスタムモデルをデプロイする際、推論エンドポイントの種類選択が SAA 試験で頻出する。

推論方式の判断フロー

要件を確認
├─ リアルタイム（低レイテンシ・常時稼働）         → Real-time Endpoint
├─ 利用頻度が低い・アイドル時のコスト削減したい    → Serverless Inference
├─ 大量データを非リアルタイムで一括処理したい      → Batch Transform
└─ 大型モデルで1リクエスト処理に数秒以上かかる     → Async Inference

SageMaker 推論エンドポイント3種 比較

評価項目	Real-time Endpoint 推奨	Serverless Inference	Batch Transform
レイテンシ	◎ ミリ秒単位	△ コールドスタートあり（秒単位）	× バッチ処理（分〜時間）
コスト（アイドル時）	△ インスタンス常時課金	◎ リクエスト数課金のみ	◎ 処理時のみ課金
スループット	◎ 高（Auto Scaling 対応）	○ 中（同時実行数に制限）	◎ 最高（大量データ処理）
典型ユースケース	API 推論・リアルタイム推薦	低トラフィック推論・開発環境	S3 データ一括スコアリング

---

5. パターン3：SageMaker Pipelines MLOps 自動化

概要

ML パイプラインの自動化・再現性確保・デプロイ自動化を実現するパターン。データ前処理 → モデルトレーニング → 評価 → 承認 → デプロイをコードとして定義し、継続的に実行する。

パイプライン構成例

トリガー（EventBridge / 手動 / 新データ検知）
↓
SageMaker Pipelines
├─ Step 1: Processing Job（データ前処理・特徴量エンジニアリング）
├─ Step 2: Training Job（モデルトレーニング）
├─ Step 3: Evaluation（モデル精度評価）
├─ Step 4: Condition（精度 > 閾値なら次へ / 閾値未満は停止）
├─ Step 5: RegisterModel（Model Registry にバージョン登録）
└─ Step 6: CreateEndpoint（本番エンドポイントへ自動デプロイ）

SAA 試験で押さえるポイント

• SageMaker Model Registry でモデルのバージョン管理・承認ステータスを一元管理
• SageMaker Experiments でトレーニング実験のメタデータ・メトリクスを追跡・比較
• CodePipeline 統合 により Git プッシュをトリガーにパイプラインを自動起動できる（GitOps for ML）
• 精度基準（Condition ステップ）を満たさないモデルは自動的にデプロイをブロック（品質ゲート）

---

6. パターン4：SageMaker Ground Truth + データ前処理

SageMaker Ground Truth：ラベリング自動化

ML 学習データのアノテーション（ラベリング）を自動化・効率化するサービス。

機能	説明
機械支援ラベリング	既存ラベルからモデルを学習し、高信頼度データは自動ラベリング
クラウドソーシング	Amazon Mechanical Turk ワーカーへのラベリング依頼
プライベートワーカー	社内チームによる機密データのラベリング
Rekognition / Textract 支援	画像・文書に事前アノテーション候補を自動生成

SageMaker Processing Job：前処理・評価

学習前のデータ前処理・特徴量エンジニアリングや、学習後のモデル評価をフルマネージドのジョブとして実行する。

---

7. パターン5：Amazon Bedrock 生成AI 統合

Amazon Bedrock の位置付け

Foundation Model（FM）を API 経由で利用するフルマネージドサービス。Claude（Anthropic）、Titan（Amazon）、Llama（Meta）など複数の FM からワークロードに適したモデルを選択できる。

SAA 試験頻出パターン：RAG アーキテクチャ

ユーザークエリ
↓
Bedrock Knowledge Base（RAG）
├─ Embedding モデル → クエリをベクトル化
├─ OpenSearch Serverless / Aurora（pgvector）→ 類似ドキュメント検索
└─ Foundation Model → 検索結果を基に回答生成
↓
根拠付き回答

Bedrock Agents：マルチステップタスク自動化

ユーザー：「今月の売上レポートをまとめて」
↓
Bedrock Agent
├─ Action Group 1 → Lambda（S3 から売上データ取得）
├─ Action Group 2 → Lambda（Redshift から集計クエリ実行）
└─ Foundation Model → データを基にレポート自動生成
↓
構造化レポート

SageMaker vs Amazon Bedrock 使い分け

評価項目	SageMaker	Amazon Bedrock 推奨
モデル	独自トレーニングモデル・OSS モデル	既製 Foundation Model（Claude/Titan/Llama 等）
カスタマイズ	◎ フルスクラッチ訓練可能	○ Fine-tuning / Continued Pre-training 対応
推論コスト	インスタンス課金 or サーバーレス課金	トークン数課金（従量制）
ユースケース	業界特化カスタムモデル・画像分類・時系列予測	チャットボット・RAG・文書要約・コード生成
開発工数	△ データ準備・訓練・チューニング必要	◎ API 呼び出しのみ（RAG は Knowledge Base 設定）

---

8. 試験頻出キーワード逆引き表

要件キーワード	正解パターン
画像から物体・顔を認識したい	Rekognition
文書・帳票から構造化テキストを抽出したい	Textract
テキストの感情・エンティティを分析したい	Comprehend
音声を自動文字起こししたい	Transcribe
需要・売上を時系列予測したい	Forecast
ユーザーへのパーソナライズ推薦	Personalize
独自データでカスタムモデルを訓練したい	SageMaker Training Job
低トラフィック推論・コスト削減	SageMaker Serverless Inference
大量データをバッチでスコアリングしたい	SageMaker Batch Transform
リアルタイム低レイテンシ推論	SageMaker Real-time Endpoint
ML パイプラインを自動化・再現性確保	SageMaker Pipelines
学習データのラベリングを効率化したい	SageMaker Ground Truth
チャットボット・文書要約・コード生成	Amazon Bedrock
社内ドキュメントを基にした Q&A システム	Bedrock + Knowledge Base（RAG）
複数ツールを呼び出すAIエージェント	Bedrock Agents

---

9. まとめ：SageMaker / AWS AI 設計パターン攻略の3つの法則

1. 既製サービスで十分か確認する： 汎用タスク（画像分類・感情分析・翻訳等）→ マネージドAI サービス、独自データ・高精度要件 → SageMaker
2. 推論パターンで最適化する： リアルタイム → Real-time Endpoint、コスト重視・低頻度 → Serverless Inference、大量バッチ → Batch Transform
3. 生成AI は Bedrock を選ぶ： 「既存知識 × AI 回答」→ RAG、「自動タスク実行」→ Agents、「完全カスタムFM」→ SageMaker

---

関連記事

• Lambda サーバーレス設計パターン
• Kinesis ストリーミング設計パターン
• データレイク設計パターン
• Step Functions 設計パターン4選