SageMakerとの最初の印象
私が最初にAmazon SageMakerに出会ったとき、それは、ソフトウェアエンジニアよりもデータサイエンティストにとって理にかなっているような、あの手のAWSサービスの一つだと思っていました。
その名前は何度も見かけていましたが、基本的な一つの疑問に対して、まだはっきりとした答えを持てていませんでした。
SageMakerは実際に何のためのもの？
最初は「AWSの機械学習サービス」だと考えました。しかし、その説明は広すぎて役に立つとは思えませんでした。
今の私が理解しやすい形で言うと、こうです。
Amazon SageMakerは、ワークフローのあらゆる部分を最初から組み立て直さなくても、チームが機械学習システムを構築、学習、デプロイし、それらと連携していくのを支援するマネージドAWSプラットフォームです。
私が必要だったのは、この発想の切り替えでした。
理解を助けてくれた問い
ソフトウェアエンジニアとして、私は新しいプラットフォームを理解するとき、いつもシンプルな問いを立てます。
このプラットフォームは、私の日々の仕事からどんな問題を取り除こうとしているのですか？
その見方でSageMakerを捉えた途端、ずっと納得しやすくなりました。
SageMakerが解決している本当の問題は、単に次のようなことではありません。
どうやってモデルを学習させるの？
それだけではなく、
どうすれば、再現可能で、マネージドで、本番運用に適した形でこれを行えるの？
この違いは重要です。
SageMakerはモデルだけの話ではない
多くのAIの会話は、モデルそのものに焦点を当てがちです。
ですが、すぐに動くデモを超えて考えると、実際の仕事はモデル以上にずっと大きくなります。扱う必要があるのは次のようなことです。
- データ準備
- 実験
- 学習
- デプロイ
- 監視
- 反復
ここでSageMakerが役に立つように感じ始めます。
一つのモデルというより、その周辺のワークフローを支えることに重点があります。
いまの私がSageMakerを説明するいちばん簡単な方法
いま私がSageMakerを説明するとしたら、こうです。
もしあなたが開発者なら、SageMakerを機械学習ワークフローのためのマネージドな作業空間だと思ってください。
ノートブック、学習ジョブ、デプロイ、実験といった別々のツールをつなぎ合わせるのではなく、SageMakerはチームにとってより構造化された道筋を提供します。
それは、エンジニアリング上の判断の必要性をなくすわけではありません。
良いデータの必要性をなくすわけでもありません。
そして、機械学習が突然簡単になるという意味でも、もちろんありません。
ただし、作業の周りにあるセットアップや運用上の摩擦を大幅に減らしてくれます。
だからこそ、SageMakerは重要だと私は思います。特に、プロダクトの中でより多くのAI関連の仕事を支えるよう求められている開発者にとっては。
私が犯していた間違い
SageMakerを理解するために時間を使う前、私はおそらく期待を間違えていました。
私は「一つのシンプルな機能」を探していました。
しかしSageMakerは、実際には単一の機能というより、もっとプラットフォームに近い存在です。そう捉え始めたことで、サービスがずっと分かりにくくなくなりました。
この切り替えは、「SageMakerが一体何を一つだけしてくれるのか？」という問いをやめて、「SageMakerは、チームがどんな種類のワークフローを管理するのを助けているのか？」と考えるきっかけになりました。
後者の問いのほうがずっと有用です。
エンジニアリングの観点で、なぜ重要なのか
もう一つエンジニアリングの観点で気に入っているのは、SageMakerが実験の域を超えることを促してくれる点です。
ソフトウェアエンジニアリングでは、コードを書くことは価値提供の一部に過ぎないと、私たちはすでに分かっています。私たちが気にするのは次のようなことです。
- 信頼性
- 可観測性
- デプロイのワークフロー
- 保守
AIシステムも同じです。
ノートブック上でしか動かないモデルは、実際のアプリケーションを支えられる能力とは別物です。
そこで、SageMakerが関係してくるように感じます。
機械学習の仕事を、より本番運用を意識した見方で捉えることを後押しします。単に：
これを作れる？
だけでなく、
整理されていて、再現可能で、スケーラブルな形で運用できる？
SageMakerはすべての初心者に向いている？
また、SageMakerはおそらく、すべての初心者が今すぐ飛び込むべき最初のツールではない、という点も言っておく価値があると思います。
誰かが機械学習の基本を理解しようとしているだけなら、まずはコアとなる概念から始めたほうが簡単かもしれません。
ですが、AWSが実際にどのように機械学習ワークフローを支えるのかを理解しようとしているなら、SageMakerは知っておくべき重要なサービスになります。
そして、チームが小さな実験から、より運用寄りのものへと移行し始めているなら、SageMakerはますます関連性が高く感じられるようになります。
私の最大の学び
私にとって最大の学びは、これでした。
モデルだけのことを考えるのをやめて、システムとして考え始めたときに、SageMakerが腑に落ちるようになったのです。
この部分は、多くのソフトウェアエンジニアが共感できるところだと思います。
私たちはコードだけを作っているのではありません。私たちは次のようなものを作っています。
- ワークフロー
- 環境
- リリースの道筋
- 長期的な保守性
SageMakerは、私が最初に想像していたよりもずっと、その世界に近いところにあります。
最後に
もしあなたがAmazon SageMakerという名前を何度も見かけているのに、それが実際に何をしてくれるのかまだよく分からないと感じているなら、私の簡単な説明は次のとおりです。
機械学習の仕事を、より実用的で、構造化され、本番運用に適したものへと変えるための、AWSのマネージドプラットフォームです。
正直なところ、このように捉えることで、どんな短いサービス説明よりもずっと早く理解できました。
