ワンクリックで Hugging Face から Amazon SageMaker Studio へ移行

記事一覧に戻る

• 新着情報：Hugging Face から SageMaker Studio へのディープリンク機能
• 事前設定済み権限
• GPU クォータの可視化
• チュートリアル：Hugging Face から SageMaker Studio へのディープリンク

ステップ 1: 発見と選択

• ステップ 2: ログイン
• ステップ 3: Studio に移動
• ステップ 4: エンドポイントのテスト
• はじめに
• 結論

本日、Hugging Face と Amazon SageMaker AI の間にディープリンク統合が導入されたことを発表できることを嬉しく思います。開発者は、モデルの発見から SageMaker Studio での実践的な実験までを、単一の選択で実行できるようになりました。Amazon SageMaker JumpStart からファウンデーションモデル（FM: Foundation Model）を微調整する場合も、Amazon SageMaker Inference エンドポイントにデプロイする場合も、関連する SageMaker Studio のワークフロー内に直接移動できるようになりました。選択したモデルは事前に読み込まれており、環境は完全に設定されてすぐに使用可能です。

以前、Hugging Face でモデルを発見した後、SageMaker Studio を使い始めるには、AWS コンソールで Amazon SageMaker AI を開き、ドメインを作成し、IAM 権限を設定し、場合によっては GPU クォータを要求するなど、複数の手順を踏む必要がありました。迅速に反復作業を行いたい開発者にとって、この摩擦はインスピレーションから実験への道のりを遅らせていました。今回の統合により、発見からエンタープライズ展開までのより直接的な道筋が生まれました。

**

*「当社の Arcee では、オープンモデルを構築することで、開発者や企業が実際に実行するものを所有できるようにしています：重みを検査し、独自のデータでポストトレーニングを行い、自らの条件でデプロイできます。今回の統合は、その約束の最後の 1 マイルを実現します。Hugging Face のオープンモデルからワンクリックで SageMaker Studio へ移行し、接続作業を一切行わずに AWS 環境内でファインチューニングやデプロイを行うという体験こそが、オープンモデルが欠いていたものです。所有するオープンウェイトを、自分が制御するクラウド上で実行できる。まさにこれが、お客様が求めていた組み合わせです。」*

— Mark McQuade, Arcee AI 創設者兼 CEO

ワンクリックで Studio にアクセスできる新機能の導入により、対応している Hugging Face モデルページで「SageMaker AI でカスタマイズ」または「SageMaker AI でデプロイ」を選択すると、直接コンソールへ遷移します。その後、SageMaker AI は数秒で事前設定された権限を持つ新しいドメインを自動的にプロビジョニングし、モデルの文脈を引き継ぎます。

新機能

今回の発表により、Hugging Face のモデルから動作する SageMaker Studio ワークフローへの道筋を短縮する 3 つの機能が導入されました。

Hugging Face から SageMaker Studio へのディープリンク

Hugging Face でモデルを検索すると、サポート対象のモデルの横に、SageMaker Studio ワークフローに直接マッピングされるアクションボタンが表示されます:

• "Customize on SageMaker AI" をクリックすると、選択したモデルが事前に読み込まれた状態で Studio の Model Customization（モデルカスタマイズ）ページが開き、ファインチューニングの準備が整います。

• "Deploy on SageMaker AI" をクリックすると、エンドポイントへのデプロイ用にモデルが事前設定された状態で Studio の Deployment（デプロイ）ページが開きます。

各エントリーポイントはコンテキストを保持するため、Studio 内に入った後に再度モデルを検索する必要はありません。

このフローを通じて作成された新しい Studio エンバイロメントには、モデルのカスタマイズ、トレーニングジョブ、ノートブックでの実験、エンドポイントのデプロイなど、SageMaker AI の全機能に対する権限がすでに設定されています。サーバーレス型モデルカスタマイズジョブ（教師あり微調整 (SFT)、直接選好最適化 (DPO)、検証可能な報酬を用いた強化学習 (RLVR)、AI フィードバックからの強化学習 (RLAIF)）および SageMaker AI または Amazon Bedrock エンドポイントへの対応デプロイに必要な権限を提供する新しい管理ポリシー AmazonSageMakerModelCustomizationCoreAccess が自動的に作成され、紐付けられます。これにより、実験を開始する前に AWS Identity and Access Management (IAM) ロールやポリシーを手動で作成・設定する必要がなくなります。既存の Studio エンバイロメントについては、これらの権限を追加するための手順を案内するドキュメントへの直接リンクを含む実行可能なメッセージが表示されます。

GPU クォータの可視性

デプロイや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 ではインスタンス選択リストにクォータの利用状況が直接表示されるようになりました。アカウントの現在の制限内で利用可能な GPU インスタンスタイプ（G5, G6）を即座に確認できます。Service Quotas に個別に移動する必要はありません。それでも制限の増額をリクエストする必要がある場合は、該当するインスタンスタイプ用の Service Quotas ページへ直接リダイレクトされます。

手順：Hugging Face から SageMaker Studio へのディープリンク

Hugging Face を出発点としてモデルのカスタマイズやデプロイを行う体験について詳しく見ていきましょう。

ステップ 1: 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。モデルがサポートされている場合、「Deploy on SageMaker AI」と「Customize on SageMaker AI」の 2 つのボタンが表示されます。その後、サポート対象のモデルに対しては「Customize on SageMaker AI」を選択してください。

ステップ 2: ログイン

既存の認証情報を使用して AWS にサインインするよう求められます。すでにアクティブなコンソールセッションがある場合は、このステップは自動的にスキップされます。詳細については、「AWS Management Console へのサインイン」をご覧ください。

ステップ 3: Studio へ移動

モデルが事前に選択された状態で、SageMaker Studio 内の Model Customization ページに直接移動します。次に、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などのファインチューニングパラメータを設定し、カスタマイズジョブを提出してください。

あるいは、SageMaker AI へのデプロイを選択すると、モデルが事前に設定された状態で Studio のエンドポイントデプロイページが開きます。インスタンスタイプ（クォータの可視性を含む）を選択し、設定を確認してデプロイしてください。

ステップ 4: エンドポイントをテストする

エンドポイントをデプロイした後、Studio のエンドポイント テストインターフェース から直接推論を実行してテストできます。

はじめに

今日からこの体験を試すことができます:

• Hugging Face でモデルを閲覧する。

• サポートされているモデルで、SageMaker AI でのカスタマイズまたは SageMaker AI へのデプロイボタンを探す。

• 選択して、簡素化されたサインインフローに従う。

• 完全に設定された SageMaker Studio 環境で構築を開始する。

結論

ワンクリックで Studio のランディング体験が開始されることで、モデルの発見から実験までの摩擦を最小限に抑えることができます。Hugging Face を直接 SageMaker Studio のワークフローに接続することで、開発者は作業の流れを維持できます。コンテキストの切り替えも、手動での環境設定も、権限に関するトラブルシューティングも不要です。

始めるには、Amazon SageMaker Studio ページを訪れるか、Hugging Face でモデルを検索して、SageMaker AI でのデプロイまたはカスタマイズを選択してください。