aws-ai-ml

AWS AI/ML モデルのカスタマイズ

Amazon SageMaker でのモデルのファインチューニングとデプロイに関する専門知識を提供します。計画から本番環境へのデプロイまで、モデルのカスタマイズに関するライフサイクル全体を網羅しています。

ルーティング

ユーザーの意図に合ったリファレンスフォルダーを選び、その内容だけを読み込みます。

ユーザーの意図	リファレンス	使用する場面
モデルカスタマイズプロジェクトを計画し、作業範囲を把握し、計画を再開または変更する	references/planning/	ユーザーの依頼がモデルのカスタマイズまたはデプロイに関係する場合（ファインチューニング、トレーニング、構築、カスタマイズ、データのレビュー、モデルのデプロイまたは立ち上げ。トレーニングを行わずに既製モデルやベースモデルを選択またはデプロイする場合や、進め方についてアドバイスを求める場合も含みます）。対象範囲全体を把握するため、必ず他の意図と併せて有効にしてください。この表の複数の行に該当する依頼の場合は、単一アクションのリファレンスに振り分ける前に、その計画テンプレートを読めるよう、このリファレンスを最初に読み込んでください。
ビジネス上の問題、成功基準、またはユースケースの仕様を定義する	references/use-case-specification/	ユーザーが「ユースケースを定義したい」「要件を整理したい」「事前に何を決めておくべきか」と述べた場合、または計画を始める際のデフォルトの最初のステップとして使用します。ユーザーが明示的に辞退した場合に限り、省略してください。
ベースモデルを選択または変更する	references/model-selection/	ユーザーが使用するモデルについて尋ねる、モデル名やモデルファミリーに言及する、または利用可能なモデルを評価したい場合に使用します。既知のモデル名であっても、必ず model-selection を有効にしてください。正確な Hub モデル ID を特定する必要があるためです。推奨： 要件を把握するため、まず use-case-specification に振り分けてください。これにより、より適切に絞り込めます。ユーザーが具体的なモデル名／IDを提示している場合、または辞退した場合は、最初に use-case-specification に振り分ける必要はありません。ファインチューニングするのか、そのままデプロイするのかが曖昧な場合は、先に進む前に model-selection でどちらの方法かを必ず確認してください。デプロイに向けたベースモデルの絞り込みでは、最終的な推奨にあたり、必ず select-for-deployment.md とそのスクリプトを使用してください。
ファインチューニング手法（SFT、DPO、RLVR、RLAIF）を選択する	references/finetuning-technique/	ユーザーがファインチューニングを行うことを決め、手法を選択する必要がある場合、または選択したモデルのレシピに照らして手法を検証する必要がある場合に使用します。先にベースモデルを選択しておく必要があります。
データセットの品質と形式を検証する	references/dataset-evaluation/	ユーザーが「データセットに問題はないか」「トレーニングデータを確認してほしい」「独自のデータがある」と述べた場合、またはファインチューニングジョブを開始する前に使用します。
データセットを別の形式に変換する	references/dataset-transformation/	ユーザーが「変換」「形式を変える」「フォーマットし直す」と述べた場合、またはデータセットのスキーマを変更する必要がある場合に使用します。インラインで変換コードを書くのではなく、必ずこちらを使用してください。
ファインチューニング用のコードを生成してトレーニングを開始する	references/finetuning/	ユーザーが「トレーニングを開始したい」「モデルをファインチューニングしたい」「トレーニングの準備ができた」と述べた場合、または計画がファインチューニングの段階に達した場合に使用します。SFT、DPO、RLVR、RLAIF のトレーナーに対応しています。
SageMaker Training ジョブでモデルをトレーニングする	references/training-jobs/	目的がモデルパラメーターの学習または更新と、モデル成果物やチェックポイントの生成である場合に使用します。レシピ、JumpStart による従来の ML、カスタムトレーニングスクリプトやコンテナ、分散トレーニング、トレーニングジョブの診断に対応しています。
SageMaker Processing ジョブでデータを処理する	references/processing-jobs/	モデルトレーニングを主な処理とせず、前処理、特徴量エンジニアリング、評価、変換、または ETL を行うことが目的の場合に使用します。スクリプト、フレームワークプロセッサー、Spark、カスタムコンテナ、Athena、Redshift、Processing ジョブの診断に対応しています。
トレーニング済みモデルを評価またはベンチマークする	references/model-evaluation/	ユーザーが「モデルを評価したい」「ベンチマークを実行したい」「モデルのパフォーマンスをテストしたい」「モデルを比較したい」と述べた場合に使用します。LLM-as-Judge と Custom Scorer に対応しています。
エンドポイントまたは Bedrock にモデルをデプロイ、ベンチマーク、または最適化する	references/model-deployment/	ユーザーが「モデルをデプロイしたい」「エンドポイントを作成したい」「利用できるようにしたい」（通常のデプロイ）と述べた場合に使用します。また、SageMaker Real-Time Endpoints における推論最適化のサブワークフローに限り、「エンドポイントをベンチマークしたい」／「ベンチマーク実行を比較したい」（ベンチマーク）、または「最も安いインスタンスを探したい」など、新しいデプロイに関するパフォーマンス／コスト／レイテンシー／スループットの目標を示した場合にも使用します。Nova と OSS のデプロイ経路を扱います。
IAM ロール、S3 バケット、SDK の設定を行う	references/sdk-getting-started/	ユーザーが「セットアップしたい」「使い始めたい」「環境を確認したい」「SDK を設定したい」と述べた場合、または SageMaker のトレーニング／評価／デプロイを含む計画の最初のステップとして使用します。
プロジェクトディレクトリと成果物を管理する	references/directory-management/	新しいプロジェクトを開始するとき、既存のプロジェクトを再開するとき、または PLAN.md をプロジェクトディレクトリに関連付ける必要がある場合に使用します。
SageMaker Managed MLflow アプリをセットアップ、更新、または削除する	references/manage-mlflow/	ユーザーが「MLflow をセットアップしたい」「MLflow アプリを作成したい」「MLflow アプリを更新したい」「MLflow アプリを削除したい」「MLflow サーバーが必要」と述べた場合、「SageMaker MLflow とは何か」と尋ねた場合、またはワークフローで MLflow バックエンドが必要だが接続されていない場合に使用します。
SageMaker エンドポイントのエラーまたは異常を診断する	references/endpoint-diagnostics/	ユーザーがエンドポイントのエラー、レイテンシー、推論の失敗、またはデプロイの失敗を報告した場合に使用します。「エンドポイントのステータスは？」「エンドポイントでエラーが発生していますか？」「エンドポイントが失敗しました。原因は？」「エンドポイントの背後で実行されているインスタンスの数は？」「レイテンシーの原因はモデルですか、それとも SageMaker ですか？」「エンドポイントのコンテナログを表示して」といった依頼に対応します。トレーニングジョブの問題、エンドポイントの削除、スケーリングの変更、新しいデプロイには使用しないでください。

ルール

• サービスの境界。 このスキルは、カスタマイズしたモデルの Bedrock へのデプロイを含め、SageMaker を対象とします。Bedrock ネイティブの作業（Bedrock のマネージド基盤モデルの呼び出し、Bedrock Agents、Knowledge Bases、Guardrails、AgentCore）は AWS でサポートされていますが、このスキルには検証済みのワークフローがありません。その旨をユーザーに伝え、AWS の一般知識に基づいて可能な範囲で案内してください。ユーザーがサービスを指定せずに AWS 上のモデルについて尋ねた場合は、SageMaker と Bedrock を比較するか、どちらのサービスを使うかを一度だけ確認してください。デフォルトでサービスを選択してはいけません。この 2 つのサービスでは、モデルカタログ、デプロイ方法、料金が異なるため、デフォルトで選択すると、誤ったワークフローにユーザーを進ませるおそれがあります。
• 段階的な情報開示。 現在のユーザーの意図に関連する参照フォルダーのみを読み込んでください。すべての参照を一度に読み込まないでください。
• 可能な範囲での支援。 ユーザーの依頼がこのスキルの参照範囲外であっても、会話を行き詰まらせないでください。AWS の一般知識やドキュメントを活用して支援し、その案内がこのスキルで検証済みのワークフローの対象外であることをユーザーに伝えてください。
• 使用状況の帰属。 AWS CLI コマンドまたはパッケージ化されたスクリプトを実行する前に、export AWS_SDK_UA_APP_ID=AWSSkill-SageMaker を設定してください。