AWS AIリーグ：AtosがAI教育へのアプローチを微調整

*この投稿は、Atos の Mark Ross と共著です。* AI 変革を推進する組織は、チームが AI を構築・展開・利用する方法を変えながら、大規模な workforce のスキルアップをどう行うかという、よくある課題に直面することがあります。従来の AI 研修アプローチ——オンラインコース、認定プログラム、教室での講義——は必要不可欠ですが、しばしば不十分です。これらは基礎知識の習得には役立ちますが、多くの組織で参加者の関与が低く、実践的な演習が不足しており、理論的理解と実世界での応用の間にギャップが生じています。その結果、チームは認定証を取得しても、ビジネス課題に AI を意味ある形で適用するために必要な自信や経験を得られないことがあります。 [Atos](https://atos.net/en/) と AWS のパートナーシップを通じて、私たちは長年、効果的な AI 活用には実践的な学習が不可欠な要素であると認識してきました。構造化された e ラーニングと認定パスウェイと組み合わせることで、体験型学習は知識を影響力に変換します。現在、Atos の従業員は 5,800 件以上の AWS 認定証と 11 着のゴールデンジャケット（※注：AWS の最高認定資格）を取得しており、クラウドおよび AI スキルにおける強固な基盤を示しています。しかし、2026 年までに AI に精通した workforce を 100% 達成するというコミットメントのもと、関与を大規模に拡大し、実践的なスキルを加速させ、エンジニアが現実的なシナリオで AI を適用するよう動機づける学習モデルが必要であることを私たちは知っていました。 これに対処するため、Atos は AWS と提携し、AWS AI League を通じて実践的でゲーム化された学習体験を提供しました。これは受動的な学習を超え、参加者を実際の AI チャレンジに没入させるために設計されています。本稿では、Atos がどのように AWS AI League を活用して 400 人以上の参加者に対する AI 教育を加速させたか、ゲーム化され経験に基づく学習の実感できるメリット、そしてご自身の AI エネーブルメントプログラムに応用可能な具体的な洞察について探ります。 ## AWS AI League による AI エネーブルメント e ラーニングコースや認定資格は不可欠な基盤ですが、多くの組織では、その知識を実践的な経験、持続的な関与、そして実際のビジネスへの影響へと転換することに苦労しています。特に大規模展開においてはそれが顕著です。 このギャップを埋めるために [AWS AI League](https://aws.amazon.com/ai/aileague/) が設計されました。概念的な学習にのみ焦点を当てるのではなく、このプログラムは実践的な実験と構造化された競争を組み合わせており、ビルダーが実際の環境で使用される生成 AI ツールを直接扱うことができます。Atos にとって、このアプローチは、関与、協力、そして測定可能な成果を維持しつつ、組織全体における応用 AI スキルの習得を加速させる手段となりました。 AWS AI League は、モデルのカスタマイズと評価の核心となるメカニズムを維持しつつ、深いインフラストラクチャの複雑さを抽象化することで、ビルダーが AI スキルを向上させるのを支援します。参加者は [Amazon SageMaker](https://aws.amazon.com/sagemaker/?trk=ceaf07a2-36ab-4fba-b62f-bcf6c48ca9f2&sc_channel=ps&trk=ceaf07a2-36ab-4fba-b62f-bcf6c48ca9f2&sc_channel=ps&ef_id=CjwKCAiA7LzLBhAgEiwAjMWzCC9sgDq_Vlyb00i-G8UCwPfqmbR7GwkfiZRYjaofMRLoGTUZzAEqThoCRTIQAvD_BwE:G:s&s_kwcid=AL!4422!3!651751060692!e!!g!!amazon%20sagemaker!19852662230!145019225977&gad_campaignid=19852662230&gclid=CjwKCAiA7LzLBhAgEiwAjMWzCC9sgDq_Vlyb00i-G8UCwPfqmbR7GwkfiZRYjaofMRLoGTUZzAEqThoCRTIQAvD_BwE) および [Amazon SageMaker JumpStart](https://aws.amazon.com/sagemaker/ai/jumpstart/) を用いて、大規模言語モデル（LLM）のファインチューニングを行い、企業における AI 導入においてますます中核的な役割を果たす技術に関する実践的経験を積みます。 ## ビジネスユースケースにおけるファインチューニングの重要性 大規模言語モデルのファインチューニングは、転移学習の一形態です。これは、事前学習済みモデルをゼロから訓練するのではなく、より小さくドメイン固有のデータセットを用いて適応させる機械学習技術です。ビジネスチームにとって、このアプローチはカスタマイズへの実用的な道筋を提供します。これにより、トレーニング時間と計算コストを削減しつつ、専門知識、用語、および意思決定ロジックを反映したモデルを実現することが可能になります。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/06/ML-19957-image1.png) 実際、ファインチューニング（fine-tuning）を活用する組織は、精度、推論能力、説明可能性が極めて重要な特定ドメインに対して汎用モデルを適応させることができます。Atos にとっては、リスクプロファイル、保険約款の条件、免責事項、および保険料計算を理解するには、単なる一般的な言語流暢さ以上のものが必要となる保険引受領域にモデルをカスタマイズすることを意味しました。AWS AI League は、適切な構造とツールさえあれば、ソリューションアーキテクト、開発者、コンサルタント、ビジネスアナリストなど多様な役割のチームが、深い機械学習の専門知識を必要とせずにモデルのファインチューニングとデプロイが可能であることを示しています。これにより、顧客対応型の AI ソリューションの提供に注力するパートナー組織にとって、ファインチューニングは実用的な能力となります。 ## AWS AI リーグの仕組み AWS AI リーグは、実践的で生産指向型の AI スキルを構築しつつ、継続的な動機と参加意欲を維持するために設計された 3 つの段階からなる構造を採用しています。プログラムは、SageMaker JumpStart を用いたファインチューニングの基礎を紹介する没入型ワークショップで始まります。SageMaker JumpStart は、ガイド付きインターフェースを通じて事前学習済みファウンデーションモデルへのアクセスを提供し、参加者がインフラ構築よりもむしろモデルの挙動や成果に集中できるようにします。その後、参加者は集中的なモデル開発フェーズへと移行します。この段階では、チームは複数のファインチューニング戦略を反復して試行し、データセットの構成、拡張手法、ハイパーパラメータ設定などを実験します。提出されたモデルは、AI ベースの評価システムによって駆動される動的リーダーボードで評価され、一貫した基準セットに基づいてパフォーマンスがベンチマークされます。この構造は迅速な実験を促し、進捗を可視化することで、チームが独自にカスタマイズしたモデルをより大規模なベースラインモデルと比較できるようにします。プログラムは、ライブでインタラクティブなフィナーレで幕を閉じます。上位チームはリアルタイムチャレンジを通じて自らのモデルを実演し、その出力は多次元スコアリングシステムを用いて評価されます。技術審査員が深さと正確性を評価し、AI ベンチマークが客観的なパフォーマンスを測定し、聴衆による投票が実用的でユーザー視点の要素を加えます。これら複数の次元が一体となることで、リーグの目的である「実践学習を実世界で良好に機能するモデルへと転換すること」が強化されます。 ## Atos のユースケース – インテリジェント保険引受 この基盤を整えた上で、Atos は実際の顧客ニーズに密着したユースケースとして「インテリジェント保険引受」を選択しました。AWS AI League イベントを通じて開発されたこのプロジェクトの目的は、複雑な保険シナリオを分析し、専門レベルの引受ガイダンスを提供できる大規模言語モデルを微調整することです。このモデルはリスク評価を行い、適切な保険条件や免責金額を推奨し、保険料の調整案を示し、各決定の根拠を明確に説明するよう設計されています。これらはすべて、業界の専門基準に準拠した形で行われます。 このユースケースは理論的な演習として選ばれたのではなく、生成 AI が一貫性と効率性を保険商品ライン全体で向上させることで、引受専門家をサポートできる現実的な例として選定されました。コスト効果の高い微調整済みオープンソースモデルを基盤とし、Amazon SageMaker、SageMaker Unified Studio、Amazon S3 によって駆動されるこのソリューションは、独自の引受データでトレーニングされた推論および推奨モジュールと知識ベースを組み合わせています。その結果、チームの生産性を高め、リスク評価の精度を向上させ、引受専門家がすでに信頼している本物の業界専門知識とシームレスに統合される、手頃な価格のカスタマイズ型アシスタントが実現しました。 ## Amazon SageMaker Studio と Amazon SageMaker JumpStart を用いたファインチューニング AWS AI League の参加者は、機械学習のための完全に統合された Web ベースの開発環境である [Amazon SageMaker Studio](https://aws.amazon.com/sagemaker/ai/studio/?refid=ceaf07a2-36ab-4fba-b62f-bcf6c48ca9f2) 内でモデルのファインチューニングを行っています。SageMaker Studio は、生成 AI モデルをエンドツーエンドで構築し、ファインチューニングし、デプロイし、監視するためのローコード/ノーコード (LCNC) インターフェースを提供します。このアプローチに従うことで、Atos の参加者はインフラストラクチャの管理ではなく、実験と革新に集中することができ、価値提供までの時間を短縮するのに役立ちます。AI League では現在、[Amazon Bedrock AgentCore](https://aws.amazon.com/bedrock/agentcore/) 上に構築された [サーバーレス SageMaker モデルカスタマイズおよびエージェント型チャレンジ](https://aws.amazon.com/blogs/machine-learning/aws-ai-league-model-customization-and-agentic-showdown/) を通じて、[Amazon Nova](https://aws.amazon.com/nova/) モデルのカスタマイズも提供しています。 ユーザーは Amazon SageMaker Studio 内で、簡素化された一連の手順に従います。 - モデルの選択 – SageMaker JumpStart は、テキスト生成、要約、画像作成などのタスク向けに、事前学習済みかつ公開利用可能なファウンデーションモデルのカタログを提供しています。参加者は主要プロバイダーからモデルをシームレスに閲覧・選択でき、これらはカスタマイズのために事前に統合されています。今回のコンテストでは、参加者は Amazon SageMaker Jumpstart を活用してノーコードで Meta Llama 3.2 3B Instruct モデルのファインチューニングを行う必要がありました。 - 学習用データセットの提供 – Amazon Simple Storage Service (Amazon S3) に保存されたデータセットは、SageMaker に直接接続され、ファインチューニングタスクのために事実上無制限のストレージ容量を活用します。 - ファインチューニングの実行 – ユーザーは、学習率、エポック数、バッチサイズなどのハイパーパラメータをファインチューニングジョブを実行する前に設定できます。SageMaker はその後、計算リソースのプロビジョニングや進捗のログ記録を含むトレーニングプロセスを管理します。 - モデルのデプロイ – トレーニングが完了すると、参加者は SageMaker Studio から直接モデルをデプロイして推論に使用したり、スケーラブルな本番環境での展開のための完全にマネージドされた環境を提供する Amazon Bedrock へインポートしたりできます。 - 評価と反復 – AWS AI League では、LLM-as-a-Judge（自動採点システム）を用いて評価が行われ、モデルの品質、精度、応答性を自動的にスコアリングしました。 上記に示されたこの簡略化されたワークフローは、AWS AI League のモデル開発ライフサイクルを示しており、性能、透明性、コスト効率を維持しつつ、専門的な AI モデルの開発と運用における複雑さをどのように軽減するかを示しています。Atos にとって、この実践的なプロセスは、生成 AI の機能を顧客向けソリューションに拡張するための実用的で本番環境対応の基盤となります。参加者は、JSON Lines (JSONL) 形式で保険ユースケースのデータセットを生成する必要がありました。各レコードは以下の 2 つのフィールドで構成されています： - インストラクション – インテリジェント・インシュアランス・アンダーライター（Intelligent Insurance Underwriter）が検討すべきプロンプトまたは質問。 - レスポンス – 微調整済みモデルが生成するべき理想の回答の例。 これらのデータセットは、モデルのファインチューニング（fine-tuning：微調整）フェーズの基盤を形成しました。 データセット作成を簡素化するため、参加者には [AWS が提供する PartyRock アプリケーション](https://partyrock.aws/u/vincenoh/YqKvdUMeA/AWS-LOL-Datasets-Generator)へのアクセス権が付与されました。このアプリケーションは、データの生成とエクスポートを行うための使いやすいインターフェースを提供しています。完了後、データセットは [Amazon Simple Storage Service (Amazon S3)](https://aws.amazon.com/s3/) にアップロードされ、モデルのファインチューニングの入力として機能しました。 ファインチューニング中、参加者は以下の項目を含むがこれらに限定されない一連のパラメータ（ハイパーパラメータ）を調整し、ファインチューニングに影響を与えることができました： - エポック数 – ファインチューニングプロセスがデータセットを通過する回数。 - 学習率 – モデルがデータを通過するたびに適用される更新に対する重み付け。 ファインチューニング完了後、参加者はカスタマイズした言語モデルを Amazon SageMaker にデプロイし、エンドポイントを使用して推論（inference：推論処理）を行いました。これにより、微調整済みモデルがサンプルとなる保険関連の問い合わせに対してどのように応答するかを観察し、出力の品質を評価することが可能になりました。 参加者間の結果にはばらつきがありました。いくつかのファインチューニング済みモデルは、文脈に即した強力で関連性の高い回答を提供しましたが、他のモデルでは「過学習（overfitting）」の兆候が見られました。これは、モデルが訓練データを過度に正確に学習してしまう状態であり、新しい入力に対して反復的または無関係な応答を引き起こす原因となります。例えば、過剰に訓練されたモデルは、未知のシナリオへの一般化よりも、データセットからのフレーズを模倣する傾向があります。これらの洞察を得た参加者は、自らのモデルのパフォーマンスを評価し、AWS AI League のリーダーボードに提出すべきバージョンと、さらに改良または廃棄すべきバージョンを決定しました。この反復的なプロセスは、高性能な生成AIモデルを実現するための鍵となる要素として、実験、データ品質、およびパラメータ調整の重要性を強調するものでした。 ## ゲーミフィケーションが参加意欲を刺激する ハンズオンラボやワークショップは、実践を通じて学ぶ機会を提供する優れた方法ですが、他者と競争するゲーミフィケーションの手法を取り入れることで、そのレベルは一段階向上します。アトス（Atos）は AWS AI League でこの効果を実証しました。初期のキックオフワークショップの後、アトスの参加者は最初のモデルを作成・提出し、その後 2 週間にわたるバーチャルリーグにおいて、データセットを反復的に作成または改善し、ハイパーパラメータを調整することでリーダーボード上のスコア最大化に注力しました。バーチャルラウンドが完了する頃には、アトスはゲーミフィケーション型競技会として過去最高の参加レベルを達成し、リーダーボードには 409 名の参加者が登録され、4,100 件を超えるファインチューニング済みモデルが作成されました。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/06/ML-19957-image3.png) 競技のゲーム化された性質にもかかわらず、コミュニケーションチャネルとオフィスアワーは、情報を共有し合う一方ですべてを明かさないようにする人々で溢れていました。これは、参加して向上したい人を十分にサポートしつつ、同時に自分自身でいくつかのことを考えさせる必要があるという素晴らしいバランスでした。この友好的な競争は非常に熾烈であり、上位 5 位に入るためには、参加者のファインチューニングされたモデルが、より大規模なモデルによって提供される回答に対して少なくとも 93% の勝率を達成する必要がありました。これは、ドメイン固有の知識に対するファインチューニング（fine-tuning）の力を示すものでした。競技の仮想ステージは完全に自動化されており、Llama 3.2 90B LLM が審査役としてスコアリングを行いました。仮想ラウンドが完了した後、上位 5 名の参加者が生放送のゲームショー形式のファイナルに進出し、12 月にラスベガスで開催される AWS re:Invent の決勝戦への出場権を争いました。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/03/06/ML-19957-image4.png) 上位5位を決定するため、ライブファイナールでは追加の採点方法が導入され、ファイナリストには自らのモデルの回答に影響を与える機会も提供されました。ファイナールの採点は、LLM-as-a-Judge（LLMによる審査）に40%、アトス社の5人の人間専門家審査員に40%、観客投票に20%が割り当てられました。5ラウンドにわたる質問によりモデルのパフォーマンスを確認する十分な機会があり、各質問の間、ファイナリストはシステムプロンプティング（システム指示）と推論用のハイパーパラメータ調整（温度パラメータとtop pを用いて回答のランダム性と創造性を制御）を通じてモデル出力に影響を与えることができました。ファイナリストには推論の調整と最終回答の提出に90秒しか与えられていなかったため、非常に緊張感があり接戦となりました。 ## 成功への道：ファインチューニングのヒント ファインチューニング競争は、2つの主要な要素に帰着します。1つ目は、競技の主題に対して良質なデータセットを生成する参加者の能力であり、2つ目は、そのデータセットを用いてファインチューニングを行う際に最適なハイパーパラメータを見つける能力です。 AWS はデータセット生成のために PartyRock アプリケーションを提供しましたが、Atos の参加者の一部は提供されたアプリケーションからインスピレーションを得て、独自の Remix を作成しました。このアプリケーションの目的は、a) より多くのデータを生成すること、および b) AWS が提供するアプリケーションよりも改善された、多様でユニークなデータを生成することです。一部の参加者は、アクセス可能な他の生成 AI ツールを使用して独自の回答を生成しましたが、これにはシステムプロンプトの作成が必要でした。PartyRock アプリケーションは、データが正しい形式で提供されていることを確認するために（例えば）この処理を担当していました。 大規模なデータセットが必ずしもより良い結果につながるわけではないため、生成されたデータセットを見直し、どのように改善するかを検討する必要もありました。成功した参加者は、これにも生成 AI を活用し、改善方法に関する一般的な推奨事項（例：Atos のユースケースである保険分野がデータセットに欠けている場合など）を提供するとともに、データセットに対するより具体的な推奨事項とアクション（例えば、データセット内で類似しすぎた項目を削除するなど）を実行しました。その結果、[新しい PartyRock アプリケーション](https://partyrock.aws/u/markjross2/shC1O_mXt/AWS-AI-League-Dataset-Reviewer) が作成され、参加者間で共有されて改善のヒントを提供しています。 参加者は、微調整の結果に大きな影響を与えるいくつかの重要なハイパーパラメータを制御することができました。*Epochs（エポック）*は、トレーニングプロセスがデータセット全体を何回通過するかを決定します—エポック数が少なすぎるとモデルが十分に学習していないアンダーフィッティングが発生し、多すぎるとモデルが一般化能力ではなく訓練データの暗記に陥るオーバーフィッティングを引き起こす可能性があります。*Learning rate（学習率）*は、各トレーニングステップでモデルが行う更新の大きさを制御します—高い学習率はより高速なトレーニングを可能にしますが、最適な値を見逃すリスクがあり、低い学習率はより精密な調整を提供する一方で、より長いトレーニング時間を要します。 追加のパラメータには、トレーニングの安定性とメモリ使用量に影響を与える*batch size（バッチサイズ）*と、微調整プロセスの効率を制御する*Low-Rank Adaptation (LoRA) パラメータ*（lora_r や lora_alpha など）が含まれていました。成功した参加者は、ハイパーパラメータのチューニングを体系的にアプローチし、単一の値を一度に変更してその影響を分離するか、関連するパラメータを一緒に調整しながら結果を注意深く記録してパターンを特定しました。 Unde

AWS AIリーグ：AtosがAI教育へのアプローチを微調整

背景や根拠まで確認しますか？

調べる

選ぶ

サイト