はじめに
こんにちは。株式会社シーイーシーのAWSコミュニティチームです。
今回は、Amazon SageMaker AIの概要やAmazon SageMaker AIの機能であるAmazon SageMaker Studioについてご紹介します。
また、Amazon SageMaker Studioを使用してみて、学んだことや良かったことなどもお伝えします。
Amazon SageMaker AIの活用や、機械学習への一歩を踏み出すきっかけになれば幸いです。
Amazon SageMaker AIとは？
機械学習（Machine Learning：略称ML）に特化したプラットフォームで、モデルの学習・デプロイ・管理やデータの準備といったさまざまな段階で必要とされるツールやインフラを提供しています。具体的には以下の通りです。
-
データ準備
- Amazon SageMaker Data Wrangler：UIでデータの前処理パイプラインを構築
- Amazon SageMaker Feature Store：学習・推論時の特徴量を一元管理・保存・共有
-
学習
- Amazon SageMaker Studio：JupyterLabベースの統合開発環境によるAmazon SageMakerの各機能へのアクセスと開発スピードの向上
- Amazon SageMaker Autopilot：データを渡すことで、最適な学習モデルとプロセスを自動で選択・実行するAutoML
上記のような機能を使うことで、これまでは人がコーディングで対応していたデータの準備・モデル学習・パラメーターの選定や調整などのさまざまな機械学習の開発サイクルを効率化・自動化できます。
Amazon SageMaker Studioを使ってみる
今回は、Amazon SageMaker AIの中のAmazon SageMaker Studioを使用して、SLMのファインチューニングを行ってみました。
※Hugging FaceにあるSLMモデルを使用したかったので、以下の構成を取りました。
※この記事では、ファインチューニングの詳細については割愛しています。
使用したいモデルがAmazon SageMaker JumpStartになかったため、Hugging Faceを利用する構成となっていますが、Amazon SageMaker JumpStartを使用した構成も可能です。
AWS公式HPにも具体的な操作方法がありますので、ご確認ください。
※Hugging FaceとはAIモデルやデータセットを共有・活用できるサイトであり
オープンソースのAIモデルを使用できます。
商用利用不可なモデルもありますので、ライセンスにはご注意ください。
Amazon SageMaker Studio起動手順
Amazon SageMaker Studioの起動手順は以下です。
1. Amazon SageMaker AIをコンソールから開く
2. 左側メニューから「SageMaker Studio」を選択し、「SageMakerドメインを作成」をクリック
3. ドメインの作成
- ドメイン名
任意の名前を入力 - 認証周辺
IAMを選択
- ロールの割り当て
今回の構成ではS3へのアクセス権限のみで十分です。
※Amazon AthenaやAWS Glueなどの他サービスを使用する場合には、必要な権限にもチェックを付けてください。
- インターネットとセキュリティ周辺
VPC・サブネット・セキュリティグループを設定
ドメイン作成完了後、作成したドメインを選択し、「Studioを開く」をクリック
4. Notebook環境の設定（インスタンスとストレージの設定）
手順3の完了後、右上の赤枠部分にある「Create JupyterLab Space」をクリックします。
インスタンスとストレージを設定し、「Run space」をクリックするとスペースが完成します。
※スペースの起動には数分かかります
スペースが完成すると以下のような画面になります。
Amazon SageMaker Studioを使ってみて
実際にAmazon SageMaker Studioでファインチューニングをしてみて、学習にあたってつまずいたポイントやメリット・デメリットについてまとめます。
つまずきやすいポイント
比較的簡単に機械学習を行える本サービスですが、つまずいたポイントについても紹介します。
それはインスタンス選定です。
具体的には以下のような問題が発生しました。
・モデルを立ち上げようとした際に、メモリが枯渇してしまい立ち上がらない
・学習時にメモリの使用率が安定しない
基本的に、機械学習の際には以下のインスタンスタイプを使うことが多いです。
- P系：機械学習やディープラーニングメイン
- G系：グラフィック処理メイン
今回ファインチューニングが目的であったため、P系の「ml.p3.2xlarge」を使用しましたが、「メモリの枯渇」が頻繁に起きていました。
また、上記の問題に加え、比較的高価なインスタンスであるP系を、学習フェーズに何度も使うのはコストパフォーマンスが悪かったです。
解決策
P系を使ったファインチューニングの問題として「メモリの枯渇」が挙げられました。
そのため、R系のメモリ最適化インスタンスである「ml.r5.4xlarge」を使用しました。
Notebookには下記赤枠部分で学習中もメモリやストレージの使用量を確認できます。
R系のインスタンスでは使用率が100％まで上がり切ることなく、80％前後で推移しており、メモリの枯渇問題を解消できました。
また、メモリの枯渇を解消できただけでなく、GPUを提供しているインスタンスを使用しないことで、費用もP系使用時の4分の1弱まで抑えられました。
今回はSLMと比較的小さなモデルであったため、R系で学習ができたかもしれませんが
LLMなどモデルが大きくなった際にはP系やG系を使用するのが良いのかもしれません。
データ量や学習モデルのサイズに合わせたインスタンス選定をすることが重要です。
使用できるインスタンスと料金につきましては下記を参照ください。
メリット
- インスタンスサイズが豊富にあるため、効率的かつ良心的なコストで学習が可能
- Amazon Qを使用すればバイブコーディングも可能になり、さらに開発効率Up
- 他のNotebookツールと比べ、Notebook機能だけでなく、デプロイや運用に関する
サービス・機能も充実しているため、モデルの作成～本番運用までAWS内で完結でき、拡張性と自由度が高い
デメリット
- インスタンスの知識がないと、学習までの初動に時間がかかり、かえってコストパフォーマンスが悪い
-
比較的小規模な学習である場合には、インターネットやセキュリティの構成などを
考えなくてもよく、GPUの無料枠もあるGoogle Colabで十分
まとめ
今回は、Amazon SageMaker AIとAmazon SageMaker Studioについてご紹介しました。
これまでは、データ前処理の際にNotebook上で処理の実行順を意識する必要があり、複雑でした。一方で、Amazon SageMaker AIでは、GUIで直感的にパイプラインを構築でき、ノーコード・ローコードで扱える機能も充実しています。
そのため、機械学習に馴染みがない方でも、ハードルが低く始めやすいサービスであると感じました。
また、機械学習に慣れた方にとっても、かゆいところに手の届くサービスであると感じました。
運用面でも、AWS IoT CoreやAmazon CloudWatchなどと連携すれば、現場から収集したデータをダイレクトに学習パイプラインへ投入することが可能です。
つまり、「データ収集・蓄積・学習・運用」という機械学習のライフサイクルを一貫してAWS上で構築できるため、インフラ管理の煩雑さを抑え、本来のモデル精度向上に注力できる環境が整います。
みなさんも機会があればぜひ試してみてください。
最後まで読んでいただきありがとうございました。
※本記事は2026年4月時点の情報に基づいて執筆しています。