記事のサマリー（TL;DR）
- Hugging Face モデルページから SageMaker Studio へワンクリックでジャンプ、ドメイン作成・IAM 設定を自動化
- 新マネージドポリシー
AmazonSageMakerModelCustomizationCoreAccessが SFT / DPO / RLVR / RLAIF を網羅 - Studio の インスタンス選択 UI に GPU クォータ（G5・G6 など）の空き状況をリアルタイム表示
国内 AWS 利用企業・MLエンジニアが押さえるべき環境構築の変化
従来、Hugging Face でモデルを見つけてから SageMaker Studio で試すには、AWS コンソールでのドメイン作成・IAM ロール設計・GPU クォータ申請と、複数の手動ステップを経る必要がありました。国内の MLOps 現場では、このオンボーディングコストが PoC フェーズのボトルネックになるケースが多く報告されています。今回の統合により、ゼロから環境を用意することなく Hugging Face 上のオープンウェイトモデルを SageMaker のマネージド基盤で即座に検証できるようになります。
特に、生成 AI 活用の文脈では Gemma・Llama・Arcee 系モデルのような軽量モデルを素早くファインチューニングして社内データに適合させる需要が高まっており、Amazon Bedrock エンドポイントへのデプロイも同ポリシーでカバーされる点は見逃せません。BigQuery 等の外部データ基盤と組み合わせて学習データを整備する構成においても、実験サイクルを短縮できるメリットがあります。
詳細
今回の発表概要
Hugging Face と Amazon SageMaker AI のディープリンク統合が正式にリリースされました。対応モデルのページに表示される以下の 2 つのボタンが起点となります。
- Customize on SageMaker AI：SageMaker Studio のモデルカスタマイズページへ直接遷移。選択したモデルがプリロード済みの状態でファインチューニング設定を開始できます。
- Deploy on SageMaker AI：エンドポイントデプロイページへ直接遷移。モデルが事前設定された状態でインスタンス選択からデプロイまで進められます。
新規に作成された Studio 環境には、以下の機能をカバーする権限が自動で付与されます。
- モデルカスタマイズ・トレーニングジョブ
- ノートブック実験
- エンドポイントデプロイ（SageMaker AI または Amazon Bedrock）
3 つの新機能
1. Hugging Face → SageMaker Studio へのディープリンク
対応モデルページで「Deploy」ボタンをクリックし「Amazon SageMaker AI」を選択すると、Customize on SageMaker AI と Deploy on SageMaker AI の 2 つのアクションが表示されます。いずれも選択したモデルのコンテキストを保持したまま Studio 内の該当ページへ遷移するため、Studio 内で再度モデルを検索する必要がありません。
2. 事前設定済みの IAM 権限
このフローで新規作成された Studio 環境には、新しいマネージドポリシー AmazonSageMakerModelCustomizationCoreAccess が自動でアタッチされます。このポリシーは以下のアルゴリズムを用いたサーバーレスモデルカスタマイズジョブを許可します。
| 略称 | 正式名称 |
|---|---|
| SFT | Supervised Fine-Tuning（教師あり微調整） |
| DPO | Direct Preference Optimization（直接選好最適化） |
| RLVR | Reinforcement Learning with Verifiable Rewards（検証可能報酬強化学習） |
| RLAIF | Reinforcement Learning from AI Feedback（AI フィードバック強化学習） |
既存の Studio 環境を使用している場合は、ドキュメントへの直接リンク付きのガイダンスメッセージが表示され、必要な権限の追加手順が案内されます。
3. GPU クォータの可視化
デプロイまたはトレーニング用のインスタンスタイプを選択する際、Studio UI がアカウントの現在の上限をインスタンス一覧に直接表示するようになりました。G5・G6 などの GPU インスタンスタイプの空き状況を、Service Quotas を別タブで開くことなく確認できます。クォータ引き上げが必要な場合は、該当インスタンスタイプの Service Quotas ページへ直接リダイレクトされます。
ウォークスルー：Hugging Face から SageMaker Studio へのディープリンク
Step 1：モデルの発見と選択
Hugging Face のモデルページで「Deploy」をクリックし「Amazon SageMaker AI」を選択します。対応モデルであれば「Deploy on SageMaker AI」と「Customize on SageMaker AI」の 2 つのボタンが表示されます。
Step 2：AWS サインイン
AWS の既存認証情報でサインインを求められます。アクティブなコンソールセッションが既にある場合、このステップは自動的にスキップされます。
Step 3：Studio への着地
SageMaker Studio のモデルカスタマイズページにモデルがプリセレクトされた状態で直接遷移します。トレーニングデータ・ハイパーパラメータ・インスタンスタイプを設定してカスタマイズジョブを送信するか、「Deploy on SageMaker AI」を選んだ場合はエンドポイントデプロイページでインスタンスを選択してデプロイします。
Step 4：エンドポイントのテスト
デプロイ完了後、Studio のエンドポイントテストインターフェイスから直接推論を試せます。
Arcee AI の評価コメント
Arcee AI の創業者兼 CEO である Mark McQuade 氏は次のように述べています。「Hugging Face のオープンモデルから SageMaker Studio へワンクリックで入り、自社の AWS 環境内でファインチューニングやデプロイができるのは、オープンモデルに欠けていた体験です。自分たちが所有するオープンウェイトを、自分たちがコントロールするクラウドで動かす。これがまさに顧客が求めていた組み合わせです。」
利用を開始するには
- Hugging Face でモデルを検索する
- 対応モデルの「Customize on SageMaker AI」または「Deploy on SageMaker AI」ボタンを選択する
- 簡略化されたサインインフローを経て Studio へ着地する
- 設定済み環境でモデルの実験・デプロイを開始する