AWSがSageMaker AIのトレーニングセッションを発表、GPU管理不要でモデルをカスタマイズ
AWSはSageMaker AIのトレーニングセッションを正式提供開始した。企業は独自のポストトレーニングループを記述でき、GPUインフラの管理はAWS側が担う。
ひとことで言うと
AWSはSageMaker AIのトレーニングセッションについて何を発表したか。
AWSは、サーバーレスのモデルカスタマイズ機能の一部であるSageMaker AIトレーニングセッションの正式提供開始を発表した。この機能により、企業は独自の損失関数や報酬信号を含むポストトレーニングループを自ら記述できる一方、GPUの割り当て、分散実行、障害復旧、チェックポイントの保存はSageMaker AIが処理する。
要点
- AWSは2026年10月22日、Amazon SageMaker AIのサーバーレスモデルカスタマイズ機能内でトレーニングセッションの正式提供開始を発表した。
- トレーニングセッションにより、ユーザーは独自の損失関数や報酬信号を含むトレーニングループを自ら記述・調整できる一方、GPUの割り当て、分散実行、障害復旧、チェックポイントの保存はSageMaker AIが管理する。
- AWSによると、この機能はSFT、DPO、RLVR、RLAIF、マルチターン強化学習、LoRA、フルファインチューニングなどの手法に対応し、これらの手法は継続的カスタマイズを通じて連結できる。
- AWSは、事例やモデルカスタマイズ用のエージェントスキルを含むSageMaker AIトレーニングセッションのクックブックを公開し、これはSageMaker Studio、Kiro、Claude Code、Codex、GitHub Copilotの各環境内で動作する。
- AWSによると、ユーザーはSageMaker AIが処理したトークン数に応じて課金され、ユーザーの報酬関数が自身の環境内でバッチを採点している間は課金メーターが停止し、確保すべきキャパシティは存在しない。
AWSのブログ記事によると、Amazon Web Servicesは、Amazon SageMaker AIのサーバーレスモデルカスタマイズ機能の新機能「トレーニングセッション」の正式提供開始を発表した。この機能は、強化学習などのポストトレーニング手法を用いてオープンウェイトの基盤モデルをカスタマイズする企業を対象としている。
AWSが説明する機能内容
AWSによると、トレーニングセッションを使うことで、ユーザーは基盤となるインフラを管理せずにポストトレーニングのロジックを自ら制御できる。同社によれば、ユーザーは独自の損失関数や報酬信号を含むトレーニングループを自身で記述・調整し、その一方でGPUの割り当て、分散実行、障害復旧、チェックポイントの保存はSageMaker AIが担う。
AWSは、SageMaker AIのサーバーレスモデルカスタマイズを使えば、ユーザーがインスタンスタイプを選んだり、クラスタを管理したり、分散トレーニングの設定を記述したりする必要はないとしている。同社によれば、ユーザーは教師ありファインチューニング(SFT)、直接選好最適化(DPO)、検証可能な報酬による強化学習(RLVR)、AIフィードバックによる強化学習(RLAIF)、マルチターン強化学習などの手法を適用できる。さらにAWSは、Low-Rank Adaptation(LoRA)によるモデルの一部更新か、フルファインチューニングかをユーザーが選択できるほか、AWSが「継続的カスタマイズ」と呼ぶ仕組みを通じて複数の手法を連結できるとしている。
利用開始を支援するため、AWSはSageMaker AIトレーニングセッションのクックブックを公開したとしており、これには事例や使用例、モデルカスタマイズ用のエージェントスキルが含まれる。AWSによると、ユーザーは自身の利用ケースをエージェントに説明すれば、データ準備、手法の選定、トレーニング、評価、デプロイをエージェントが処理し、このエージェントはSageMaker Studio、Kiro、Claude Code、Codex、GitHub Copilotの各環境内で動作するという。
マルチターン強化学習
AWSは、今回の更新の重点の一つがマルチターン強化学習であるとしている。同社によれば、旅行の予約、サポートチケットの振り分け、複数ステップにわたる調査といったタスクを完了するエージェントには、成果を判断するまでに複数回のやり取りが必要となるため、この手法が求められる。AWSは、SageMaker AIはこれまでもマネージド型のサーバーレス手法としてマルチターン強化学習を提供していたが、独自の損失関数、報酬信号、強化学習の各段階を単一のループ内で定義したいという顧客の要望に応える形でトレーニングセッションが構築されたと説明している。
AWSによると、典型的な強化学習のパスでは、ユーザーのトレーニングループがサンプラーに対し、現在のモデルを用いてプロンプトへの複数の応答を生成するよう求め、ユーザーの報酬関数が検証器、報酬モデル、またはテストハーネスを用いて各応答を採点し、ループはそのスコアをトレーナーに送って勾配を計算し、モデルの重みを更新する。その後、次のバッチが始まる前に、更新された重みでサンプラーが更新される。
AWSは、課金はSageMaker AIが処理したトークン数に基づいて行われ、ユーザーの報酬関数がユーザー自身の環境内でバッチを採点している間は課金メーターが停止し、確保すべきキャパシティは存在しないとしている。
AWSが引用する顧客の声
AWSは、ImagineSoftwareのデータサイエンス部門シニアバイスプレジデントであるロブ・ゴンタレク氏の発言を紹介した。同氏によると、同社はサーバーレスのトレーニングセッションを用いて医療保険の請求拒否を振り分けるモデルを構築し、同プラットフォームの低レベルAPIが、精度が重要となる用途における強化学習の追求において、同社のサイエンティストに細かな制御を可能にしたという。
AWSはまた、Karini AIのCEOであるニティン・ワグ氏の発言も引用した。同氏によると、同社はこのサービスを用いて、自社のAmazon Neptuneナレッジグラフに対するエージェント的かつマルチターンのツール呼び出しのためにgpt-oss-20bモデルをファインチューニングしたという。同氏は、この構築作業には手動でのチューニングやメモリ不足のトラブルシューティングが不要で、チェックポイントの保存と再開の機能も確実に動作したと述べている。
出典: AWS Machine Learning Blog「Announcing new ways to customize models with SageMaker AI, without managing GPUs」、2026年10月22日公開。
よくある質問
- AWS SageMaker AIのトレーニングセッションとは何か。
- Amazon SageMaker AIのサーバーレスモデルカスタマイズ機能内の正式提供機能で、ユーザーが独自の損失関数や報酬信号を含むポストトレーニングループを記述できる一方、基盤となるGPUインフラの管理はAWSが担う。
- AWSによると、トレーニングセッションはどのポストトレーニング手法に対応しているか。
- AWSによれば、SFT、DPO、RLVR、RLAIF、マルチターン強化学習に加え、LoRAまたはフルファインチューニングに対応しており、これらは継続的カスタマイズを通じて連結できる。
- AWSによると、SageMaker AIトレーニングセッションの課金はどのように機能するか。
- AWSによれば、顧客はSageMaker AIが処理したトークン数に応じて課金され、顧客の報酬関数が自身の環境内でバッチを採点している間は課金メーターが停止し、確保すべきキャパシティは存在しない。
- AWSによると、モデルカスタマイズ用のエージェントはどこで動作するか。
- AWSによれば、データ準備、手法の選定、トレーニング、評価、デプロイを担うエージェントは、SageMaker Studio、Kiro、Claude Code、Codex、GitHub Copilotで動作する。
出典
- Announcing new ways to customize models with SageMaker AI, without managing GPUs | Artificial Intelligence — Amazon Web Services (AWS)