Hugging Face から Amazon SageMaker Studio へワンクリックで移行可能に
AWS は Hugging Face との統合を強化し、モデル発見から SageMaker Studio での微調整・デプロイまでワンクリックで完了する新機能をリリースした。
キーポイント
Hugging Face と SageMaker の深層連携
Hugging Face のモデルページから「Customize on SageMaker AI」や「Deploy on SageMaker AI」ボタンを選択するだけで、SageMaker Studio に直接遷移できる機能を提供。
環境構築の自動化と摩擦の排除
従来のドメイン作成、IAM 権限設定、GPU クォータ申請などの手動ステップを省略し、数秒で事前構成された環境が自動的にプロビジョニングされる。
オープンモデルの企業活用促進
Arcee AI の CEO は、この統合により「所有する重み」を「制御するクラウド」で即座に実行できる体験が可能になり、オープンモデルの実用性が飛躍的に向上すると評価している。
開発ワークフローの効率化
モデルコンテキストを引き継ぎながら、基礎モデルの微調整や推論エンドポイントへのデプロイまでシームレスに行えるようになり、インスピレーションから実験までの時間を短縮する。
重要な引用
"Going from an open model on Hugging Face straight into SageMaker Studio in a single click, then fine-tuning or deploying it inside your own AWS environment with nothing to wire up, is the kind of experience open models have been missing."
"This integration takes that promise the last mile."
影響分析・編集コメントを表示
影響分析
この発表は、オープンソース LLM の採用障壁を下げ、開発者がアイデアから実装・デプロイまでを短時間で完了できる環境を整備した点で重要です。特に、複雑なクラウド設定の手間を排除することで、中小企業や個人開発者を含む幅広い層が高性能な AI モデルを実務に即座に活用できるようになり、AI 開発のスピードとアクセシビリティが向上します。
編集コメント
開発者の体験を劇的に改善する実用的な機能追加であり、オープンソースモデルの企業導入スピードを加速させる重要な一歩です。AWS と Hugging Face の連携深化は、AI エコシステムの成熟を示す象徴的な事例と言えます。
本日、Hugging Face と Amazon SageMaker AI の間に深層リンク統合が行われる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 Amazon SageMaker Studio での実践的な実験までを、単一の選択で完了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）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 Amazon 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。選択され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。
従来、Hugging Face でモデルを発見した後に Amazon SageMaker Studio を開始するには、複数の手順を踏む必要がありました。これには、AWS Management Console 上で Amazon SageMaker AI を開くこと、ドメインの作成、AWS Identity and Access Management (IAM) 権限の設定、場合によってはグラフィックスプロセッシングユニット（GPU）クォータのリクエストが含まれていました。迅速に反復処理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しまいます。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実現されました。
**
*「Arcee では、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するためにオープンモデルを構築しています。つまり、重み（weights）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ることです。この統合は、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（重み）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 に着地する体験の導入により、サポート対象となっている 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、直接コンソールへ移動します。SageMaker AI はその後、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
今回の発表では、Hugging Face のモデルから動作する SageMaker Studio ワークフローへの道のりを短縮する 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 でモデルを閲覧すると、サポート対象となっているモデルの横に、SageMaker Studio の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：
- SageMaker AI でのカスタマイズは、選択したモデルを事前に読み込んだ状態で Studio のモデルカスタマイズページを開き、ファインチューニングの準備を整えます。
- SageMaker AI でのデプロイは、エンドポイントデプロイ用にモデルが事前設定された状態で Studio のデプロイページを開きます。
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 内に入った後は再度モデルを検索する必要はありません。
事前設定済み権限
このフローを通じて作成される新しい Studio 環境には、モデルカスタマイズ、トレーニングジョブ、ノートブックでの実験、エンドポイントデプロイを含む SageMaker AI の全機能に対応した権限が既に設定されています。新しいマネージドポリシー AmazonSageMakerModelCustomizationCoreAccess が作成され、自動的にアタッチされます。このポリシーは、教師ありファインチューニング (SFT)、直接好適性最適化 (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) を使用したサーバーレスモデルカスタマイズジョブに対する権限を提供し、SageMaker AI または Amazon Bedrock エンドポイントへのサポート付きデプロイを可能にします。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 環境については、これらの権限を追加するためのアクション可能なメッセージとドキュメントへの直接リンクが表示され、手順を案内します。
GPU クォータの可視化
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直接クォータの利用状況が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 に別途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、順を追って説明します。
ステップ 1: 発見と選択
Hugging Face のモデルページで、対応するモデルに対して「SageMaker AI でカスタマイズ」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 にログ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 を参照してください。
ステップ 3: Studio へ遷移
モデルが事前に選択された状態で、SageMaker Studio 内の「モデルカスタマイズ」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、カスタマイジョブを提出してください。
あるいは、Deploy on SageMaker AI（SageMaker AI 上でデプロイ）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を選択し（クォータの可視性も含まれます）、設定を確認してデプロイを実行してください。
ステップ 4: エンドポイントのテスト
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（inference）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 でモデルを検索します。
- サポート対象のモデルで「Customize on SageMaker AI」または「Deploy on SageMaker AI」ボタンを探してください。
- 選択して、簡素化されたサインインフローに従います。
- 完全に設定された SageMaker Studio 環境で構築を開始します。
結論
ワンクリックで Studio のランディング体験が提供されることで、モデルの発見から実験までの間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したまま進めることが可能です。コンテキストの切り替えや手動での環境設定、権限に関するトラブルシューティングは不要です。
始めるには、Amazon SageMaker Studio ページにアクセスするか、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。
著者について
Hazim Qudah
Hazim は、テキサス州ダラスに拠点を置く AWS のスペシャリスト ソリューション アーキテクトです。AWS の技術とベストプラクティスを活用して、顧客が AI/ML（人工知能・機械学習）ソリューションを構築し、導入するのを支援することを喜びとしています。AWS での役割以前には、多くの業界や地域にまたがる顧客に対して、長年にわたりテクノロジー コンサルティングに従事していました。趣味はランニングと、愛犬の Nala と Chai と遊ぶことです。
Naidile Murali
Naidile は、ワシントン州ベルビューに拠点を置く AWS のプロダクト マネージャーです。Amazon SageMaker AI における AI/ML（人工知能・機械学習）開発者の体験向上に注力しており、オンボーディング、IDE（統合開発環境）の接続性、GPU（グラフィック処理装置）容量管理などが含まれます。AWS 以前には、HSBC でソフトウェア エンジニアとして勤務していました。ジョージタウン大学で MBA を取得しています。
原文を表示
Today, we’re excited to announce a deep-link integration between Hugging Face and Amazon SageMaker AI. Developers can now go from model discovery to hands-on experimentation in SageMaker Studio with a single selection. Whether you fine-tune a foundation model (FM) from Amazon SageMaker JumpStart or deploy it to an Amazon SageMaker Inference endpoint, you can now land directly inside the relevant SageMaker Studio workflow. Your selected model is pre-loaded, and the environment is fully configured and ready to go.
Previously, getting started on SageMaker Studio after discovering a model on Hugging Face required navigating multiple steps. These included opening Amazon SageMaker AI on the AWS Management Console, creating a domain, configuring AWS Identity and Access Management (IAM) permissions, and sometimes requesting graphics processing unit (GPU) quota. For developers who want to iterate quickly, this friction slows down the path from inspiration to experimentation. The integration creates a more direct path from discovery to enterprise deployment.
“At Arcee, we build open models so developers and enterprises can actually own what they run: inspect the weights, post-train on their own data, and deploy on their own terms. This integration takes that promise the last mile. Going from an open model on Hugging Face straight into SageMaker Studio in a single click, then fine-tuning or deploying it inside your own AWS environment with nothing to wire up, is the kind of experience open models have been missing. Open weights you own, running in the cloud you control. That is exactly the combination our customers have been asking for.”
— Mark McQuade, Founder and CEO, Arcee AI
With the launch of a one-click Studio landing experience, choosing *Customize on SageMaker AI* or *Deploy on SageMaker AI* on a supported Hugging Face model page takes you directly to the console. SageMaker AI then automatically provisions a new domain with pre-configured permissions in seconds and carries the model context through.
What’s new
This launch introduces three capabilities that shorten the path from a Hugging Face model to a working SageMaker Studio workflow.
Deep links from Hugging Face into SageMaker Studio
When you browse models on Hugging Face, you’ll now see action buttons alongside supported models that map directly to SageMaker Studio workflows:
- Customize on SageMaker AI opens the Model Customization page in Studio with the selected model pre-loaded, ready to fine-tune.
- Deploy on SageMaker AI opens the Deployment page in Studio with the model pre-configured for endpoint deployment.
Each entry point preserves the context, meaning you don’t need to search for the model again once inside Studio.
Pre-configured permissions
New Studio environments created through this flow come with permissions already configured for the full range of SageMaker AI capabilities, including model customization, training jobs, notebook experimentation, and endpoint deployment. A new managed policy, AmazonSageMakerModelCustomizationCoreAccess, is created and attached for you. It provides permissions for serverless model customization jobs using supervised fine-tuning (SFT), direct preference optimization (DPO), reinforcement learning with verifiable rewards (RLVR), and reinforcement learning from AI feedback (RLAIF), with supported deployment to SageMaker AI or Amazon Bedrock endpoints. This alleviates the need to manually create and configure AWS Identity and Access Management (IAM) roles and policies before you can start experimenting. For existing Studio environments, actionable messages with direct links to documentation guide you through adding these permissions.
GPU quota visibility
When selecting instance types for deployment or training, the Studio UI now surfaces quota availability directly in the instance selection list. You can immediately see which GPU instance types (G5, G6) are available under your account’s current limits. You don’t need to navigate separately to Service Quotas. If you still need to request a limit increase, you’re redirected directly to the Service Quotas page for the respective instance type.
Walkthrough: Deep-linking from Hugging Face to SageMaker Studio
Let’s walk through the experience of customizing or deploying a model starting from Hugging Face.
Step 1: Discover and select
On the Hugging Face model page, select Customize on SageMaker AI for a supported model.
Step 2: Sign in
You’re prompted to sign in to AWS using your existing credentials. If you already have an active console session, this step is skipped automatically. For more information, see Sign in to the AWS Management Console.
Step 3: Land in Studio
You arrive directly on the Model Customization page inside SageMaker Studio with your model pre-selected. Next, configure your fine-tuning parameters such as training data, hyperparameters, and instance type, then submit the customization job.
Alternatively, selecting Deploy on SageMaker AI opens the endpoint deployment page in Studio with the model pre-configured. Select your instance type (quota visibility included), review the settings, and deploy.
Step 4: Test your endpoint
After you deploy your endpoint, test inference directly from Studio’s endpoint testing interface.
Getting started
You can try this experience today:
- Browse models on Hugging Face.
- Look for the Customize on SageMaker AI or Deploy on SageMaker AI buttons on supported models.
- Select and follow the streamlined sign-in flow.
- Start building in a fully configured SageMaker Studio environment.
Conclusion
The launch of a one-click Studio landing experience minimizes the friction between discovering a model and experimenting with it. By connecting Hugging Face directly to the SageMaker Studio workflows, developers can stay in their flow. There’s no context switching, no manual environment setup, and no permission troubleshooting.
To get started, visit the Amazon SageMaker Studio page or explore models on Hugging Face and choose Deploy or Customize on SageMaker AI.
About the authors
Hazim Qudah
Hazim is a Specialist Solutions Architect at AWS based in Dallas, TX. He enjoys helping customers build and adopt AI/ML solutions using AWS technologies and best practices. Prior to his role at AWS, he spent many years in technology consulting with customers across many industries and geographies. In his free time, he enjoys running and playing with his dogs Nala and Chai!
Naidile Murali
Naidile is a Product Manager at AWS based in Bellevue, WA. She focuses on enhancing the AI/ML developer experience on Amazon SageMaker AI, including onboarding, IDE connectivity, and GPU capacity management. Prior to AWS, she worked as a software engineer at HSBC. Naidile holds an MBA from Georgetown University.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み