課題27: 〇〇株式会社 SageMaker モデル基盤 - 需要予測モデルの構築とデプロイ

難易度: 🟡 中級

1. 分類情報

項目	内容
難易度	中級
カテゴリ	機械学習 / SageMaker
処理タイプ	バッチ
使用IaC	CloudFormation
想定所要時間	6-8時間

2. ビジネスシナリオ

企業プロファイル: 〇〇株式会社

項目	内容
企業名	〇〇株式会社
業種	小売チェーン運営企業
設立	2010年
従業員数	3000名
本社	大阪
事業	コンビニエンスストアチェーン（全国500店舗）
年商	800億円
SKU数	3000品目
1日販売数	200万個

現在の課題

発注業務の問題

各店舗の店長が経験と勘で発注量を決定
欠品率: 8%（機会損失月間2億円）
廃棄ロス率: 5%（月間4000万円）
発注作業時間: 1店舗あたり2時間/日

データはあるが活用できていない

POSデータ: 3年分（10億レコード）
気象データ: 連携済み
イベント情報: 手動管理

目指す姿

AI需要予測システムにより、POS/気象/イベントデータを統合してSageMakerモデルで「商品×店舗×日」の需要予測を行い、自動発注推奨を実現

ビジネス要件と KPI

予測精度目標

指標	現状	目標	改善
MAPE（平均絶対パーセント誤差）	手動: 25%	< 15%	40%↓
欠品率	8%	< 3%	62%↓
廃棄ロス率	5%	< 2%	60%↓

ビジネス効果目標

項目	現状	目標	効果
機会損失削減	2億円/月	0.8億円/月	1.2億円↓
廃棄ロス削減	4000万/月	1600万/月	2400万↓
発注作業時間	2時間/日/店	30分/日/店	75%↓
年間コスト削減	-	約15億円	-

システム要件

推論レイテンシ: < 500ms（バッチ推論は許容）
モデル更新頻度: 週次再学習
予測対象: 500店舗 × 3000SKU × 7日先
1日あたり推論回数: 約1050万回（バッチ）

3. 学習目標

習得スキル

主要スキル

1. SageMaker基礎

SageMaker Studio / Notebooks
組み込みアルゴリズム（XGBoost, DeepAR等）
Training Job / Processing Job
Model / Endpoint / Batch Transform

2. モデル開発ライフサイクル

データ前処理（SageMaker Processing）
特徴量エンジニアリング
ハイパーパラメータチューニング
モデル評価・検証

3. モデルデプロイ

リアルタイム推論エンドポイント
バッチ変換（Batch Transform）
サーバーレス推論
マルチモデルエンドポイント

4. CloudFormationによるML基盤構築

SageMaker Domain / Studio
S3バケット設計
IAMロール設計
VPCネットワーク設計

副次スキル

時系列予測の基礎知識
Feature Storeの活用
Model Registry
コスト最適化

4. 使用するAWSサービス

コアサービス

サービス	用途	重要度
SageMaker	ML開発・デプロイ	★★★★★
S3	データ・モデル保存	★★★★★
CloudFormation	インフラ定義	★★★★★
IAM	アクセス制御	★★★★☆

支援サービス

サービス	用途	重要度
CloudWatch	監視・ログ	★★★★☆
EventBridge	スケジュール実行	★★★☆☆
Lambda	推論トリガー	★★★☆☆
Step Functions	ML パイプライン	★★★☆☆
ECR	カスタムコンテナ	★★☆☆☆

5. 前提条件と事前準備

必要な環境

bash

# AWS CLI バージョン確認
aws --version
# aws-cli/2.x.x 以上

# Python環境
python3 --version
# Python 3.9以上

# 必要なPythonパッケージ
pip install boto3 sagemaker pandas numpy scikit-learn

AWS環境の準備

bash

# 環境変数設定
export AWS_REGION=ap-northeast-1
export PROJECT_NAME=smartretail
export ENVIRONMENT=dev

# 作業ディレクトリ作成
mkdir -p ~/smartretail-sagemaker/{cfn,notebooks,scripts,data}
cd ~/smartretail-sagemaker

IAMポリシー（必要な権限）

json

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "sagemaker:*",
        "s3:*",
        "ecr:*",
        "cloudwatch:*",
        "logs:*",
        "iam:PassRole",
        "iam:CreateServiceLinkedRole",
        "cloudformation:*",
        "ec2:*",
        "kms:*"
      ],
      "Resource": "*"
    }
  ]
}

6. アーキテクチャ設計

ML基盤全体像

コンポーネント	役割
POS Data	POSトランザクションデータ（RDS/S3）
Weather API	気象データ（API→S3）
Event Data	イベントデータ（手動→S3）
S3 Data Lake	データレイク（raw/processed/features）
SageMaker Studio	Jupyter Notebookでの開発環境
Processing Job	データ前処理ジョブ
Training Job	モデル学習ジョブ
Model Registry	モデルバージョン管理
Batch Transform	日次バッチ予測
Realtime Endpoint	リアルタイム推論エンドポイント
S3 Results	予測結果の保存
API Gateway	予測API公開

データフロー設計

入力データ

データソース	形式	更新頻度	サイズ
POSトランザクション	CSV/Parquet	日次	10GB/日
商品マスタ	CSV	週次	10MB
店舗マスタ	CSV	月次	1MB
気象データ	JSON→CSV	日次	100MB
イベントカレンダー	CSV	週次	1MB

特徴量設計

カテゴリ	特徴量例
時間特徴	曜日, 月, 祝日フラグ, 給料日フラグ
ラグ特徴	過去7日/14日/28日の販売数
ローリング統計	7日/14日移動平均, 標準偏差
商品特徴	カテゴリ, 価格帯, 新商品フラグ
店舗特徴	立地タイプ, 面積, 客層
気象特徴	気温, 降水確率, 天気カテゴリ
イベント特徴	近隣イベント, 店舗イベント

出力データ

7. トラブルシューティング演習

演習7-1: モデル精度の劣化

状況: 本番稼働後3ヶ月で、予測精度が徐々に低下している。MAPEが当初15%だったが、現在は25%まで悪化。

観測データ:

時期	MAPE	特記事項
1ヶ月目	15%	正常
2ヶ月目	18%	新商品50品追加
3ヶ月目	25%	夏季セール開始

課題:

精度劣化の原因を分析してください
データドリフト検出の仕組みを設計してください
モデル再学習の自動化を提案してください

演習7-2: 推論エンドポイントのレイテンシ問題

状況: リアルタイム推論エンドポイントのレイテンシがSLO（500ms）を超えるケースが増加している。

メトリクス:

平均レイテンシ: 300ms
P99レイテンシ: 1200ms
モデル読み込み時間: 800ms
コールドスタート発生率: 15%

課題:

レイテンシ問題の根本原因を特定してください
コールドスタート対策を提案してください
Serverless Inferenceの適用を検討してください

8. 設計課題

設計課題8-1: マルチモデル戦略

課題: 商品カテゴリごとに異なるモデルを使い分けるマルチモデル戦略を設計してください。

要件:

飲料/食品/日用品/菓子で異なるモデル
各モデルは独立して更新可能
推論時にカテゴリに応じて適切なモデルを選択
コスト効率の良いエンドポイント設計

成果物:

マルチモデルエンドポイントの設計
モデルルーティングロジック
CloudFormationテンプレート

設計課題8-2: A/Bテスト基盤

課題: 新しいモデルバージョンを安全にデプロイするためのA/Bテスト基盤を設計してください。

要件:

トラフィックの10%を新モデルに振り分け
モデル間の精度比較を自動化
問題発生時の自動ロールバック
統計的有意性の判定

成果物:

A/Bテストアーキテクチャ図
トラフィック分割設定
評価ダッシュボード設計

9. 発展課題

発展課題9-1: Feature Store の活用

シナリオ: 特徴量の管理と再利用を効率化するため、SageMaker Feature Storeを導入したい。

技術要件:

オフラインストア（学習用）とオンラインストア（推論用）
特徴量のバージョン管理
リアルタイム特徴量取得（<10ms）
特徴量の共有と再利用

成果物:

Feature Group設計
特徴量パイプライン
CloudFormationテンプレート

10. 学習のまとめ

学習チェックリスト

SageMaker基礎

SageMaker Studioの環境構築ができる
Processing Jobでデータ前処理ができる
Training Jobでモデル訓練ができる
Batch Transformでバッチ推論ができる

モデル開発

組み込みアルゴリズム（XGBoost等）を使用できる
ハイパーパラメータチューニングができる
モデル評価指標を適切に選択できる
Model Registryを活用できる

デプロイ

リアルタイムエンドポイントを構築できる
Auto Scalingを設定できる
Data Captureを設定できる
A/Bテスト環境を構築できる

CloudFormation

SageMaker Domainを構築できる
IAMロールを適切に設計できる
VPCエンドポイントを設定できる
エンドポイントをIaCで管理できる

11. コスト見積もり

想定コスト（月額）

開発環境

項目	数量	月額（USD）
SageMaker Studio	40時間/月	$12
Training Job (m5.xl)	10時間/月	$2.30
Processing Job	5時間/月	$1.15
S3 Storage	50GB	$1.15
小計		約 $17

本番環境想定

項目	数量	月額（USD）
Endpoint (ml.m5.large)	2台 × 24h	$210
Batch Transform (週次)	4回 × 2時間	$18
Training Job (週次)	4回 × 3時間	$28
S3 Storage	500GB	$11.50
CloudWatch	ログ・メトリクス	$15
小計		約 $283（約 ¥42,000）

コスト最適化のポイント

Spot Instancesの活用（Training: 最大90%削減）
Serverless Inferenceの検討（低トラフィック時）
適切なインスタンスサイズ選定
不要なリソースの自動停止

リソースのクリーンアップ

bash

# エンドポイント削除
aws sagemaker delete-endpoint \
  --endpoint-name smartretail-demand-forecast-dev

aws sagemaker delete-endpoint-config \
  --endpoint-config-name smartretail-demand-forecast-config-dev

aws sagemaker delete-model \
  --model-name smartretail-demand-forecast-dev

# CloudFormationスタック削除
aws cloudformation delete-stack --stack-name smartretail-sagemaker-domain-dev
aws cloudformation delete-stack --stack-name smartretail-storage-iam-dev
aws cloudformation delete-stack --stack-name smartretail-network-dev

# S3バケット削除（中身がある場合は先に空にする）
aws s3 rb s3://smartretail-ml-data-dev-${ACCOUNT_ID} --force
aws s3 rb s3://smartretail-ml-models-dev-${ACCOUNT_ID} --force

echo "Cleanup completed!"

次の課題: 課題28

前の課題: 課題26

課題27: 〇〇株式会社 SageMaker モデル基盤 - 需要予測モデルの構築とデプロイ ​

1. 分類情報 ​

2. ビジネスシナリオ ​

企業プロファイル: 〇〇株式会社 ​

現在の課題 ​

目指す姿 ​

ビジネス要件と KPI ​

予測精度目標 ​

ビジネス効果目標 ​

システム要件 ​

3. 学習目標 ​

習得スキル ​

主要スキル ​

副次スキル ​

4. 使用するAWSサービス ​

コアサービス ​

支援サービス ​

5. 前提条件と事前準備 ​

必要な環境 ​

AWS環境の準備 ​

IAMポリシー（必要な権限） ​

6. アーキテクチャ設計 ​

ML基盤全体像 ​

データフロー設計 ​

入力データ ​

特徴量設計 ​

出力データ ​

7. トラブルシューティング演習 ​

演習7-1: モデル精度の劣化 ​

演習7-2: 推論エンドポイントのレイテンシ問題 ​

8. 設計課題 ​

設計課題8-1: マルチモデル戦略 ​

設計課題8-2: A/Bテスト基盤 ​

9. 発展課題 ​

発展課題9-1: Feature Store の活用 ​

10. 学習のまとめ ​

学習チェックリスト ​

SageMaker基礎 ​

モデル開発 ​

デプロイ ​

CloudFormation ​

11. コスト見積もり ​

想定コスト（月額） ​

開発環境 ​

本番環境想定 ​

コスト最適化のポイント ​

リソースのクリーンアップ ​

課題27: 〇〇株式会社 SageMaker モデル基盤 - 需要予測モデルの構築とデプロイ

1. 分類情報

2. ビジネスシナリオ

企業プロファイル: 〇〇株式会社

現在の課題

目指す姿

ビジネス要件と KPI

予測精度目標

ビジネス効果目標

システム要件

3. 学習目標

習得スキル

主要スキル

副次スキル

4. 使用するAWSサービス

コアサービス

支援サービス

5. 前提条件と事前準備

必要な環境

AWS環境の準備

IAMポリシー（必要な権限）

6. アーキテクチャ設計

ML基盤全体像

データフロー設計

入力データ

特徴量設計

出力データ

7. トラブルシューティング演習

演習7-1: モデル精度の劣化

演習7-2: 推論エンドポイントのレイテンシ問題

8. 設計課題

設計課題8-1: マルチモデル戦略

設計課題8-2: A/Bテスト基盤

9. 発展課題

発展課題9-1: Feature Store の活用

10. 学習のまとめ

学習チェックリスト

SageMaker基礎

モデル開発

デプロイ

CloudFormation

11. コスト見積もり

想定コスト（月額）

開発環境

本番環境想定

コスト最適化のポイント

リソースのクリーンアップ