翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# サーバーレスモデルのカスタマイズ
<a name="customize-model"></a>

Amazon SageMaker AI モデルのカスタマイズは、AI モデルをカスタマイズする従来の複雑で時間のかかるプロセスを、数か月にわたる取り組みから、数日で完了できる合理化されたワークフローに変換する機能です。この機能は、独自のデータを使用して基盤モデルをカスタマイズして高度に差別化されたカスタマーエクスペリエンスを作成する必要がある AI 開発者が直面する重要な課題に対処します。step-by-stepガイドや高度な設定オプションを含む詳細なカスタマイズドキュメントは、この SageMaker AI ガイドに記載されています。Nova モデルのカスタマイズの概要については、Amazon Nova ユーザーガイドの[SageMaker を使用したカスタマイズと微調整](https://docs.aws.amazon.com/nova/latest/userguide/customize-fine-tune-sagemaker.html)」を参照してください。

機能には、自然言語の要件を理解する新しいガイド付きユーザーインターフェイスと、コンピューティングリソースを管理する運用上のオーバーヘッドを排除するサーバーレスインフラストラクチャを搭載した高度なモデルカスタマイズ手法の包括的なスイートが含まれています。リーガルリサーチアプリケーションの構築、カスタマーサービスチャットボットの強化、ドメイン固有の AI エージェントの開発など、この機能はproof-of-conceptから本番デプロイまでの道のりを加速します。

Amazon Bedrock Evaluations によるモデルカスタマイズの機能は、処理のために地理的な AWS リージョン 間でデータを安全に送信できます。詳細については、[Amazon Bedrock Evaluations のドキュメント](https://docs.aws.amazon.com/bedrock/latest/userguide/evaluation-judge.html)を参照してください。

## 主要なコンセプト
<a name="model-customize-concepts"></a>

**サーバーレストレーニング**

すべてのインフラストラクチャの複雑さを抽象化するフルマネージド型のコンピューティングインフラストラクチャ。モデル開発に専念できます。これには、モデルサイズとトレーニング要件に基づく GPU インスタンス (P5、P4de、P4d、G5) の自動プロビジョニング、各カスタマイズ手法のベストプラクティスを組み込んだ事前最適化されたトレーニングレシピ、UI からアクセスできるライブメトリクスとログによるリアルタイムモニタリング、トレーニング完了後のリソースの自動クリーンアップによるコストの最適化が含まれます。

**モデルのカスタマイズ手法**

教師ありファインチューニング (SFT)、ダイレクトプリファレンス最適化 (DPO)、検証可能な報酬による強化学習 (RLVR)、AI フィードバックによる強化学習 (RLAIF)、マルチターン強化学習 (マルチターン RL) などの包括的な高度なメソッドのセット。

**カスタムモデル**

独自のデータでトレーニングすることで特定のユースケースに適合したベース基盤モデルの特殊なバージョン。元の基盤モデルの一般的な機能を保持しながら、要件に合わせたドメイン固有の知識、用語、スタイル、動作を追加する AI モデルになります。

**AI モデルのカスタマイズアセット**

モデルのカスタマイズプロセス中にカスタムモデルのトレーニング、改良、評価に使用されるリソースとアーティファクト。これらのアセットには、基盤モデルを微調整して特定の動作、知識、スタイルを学習するために使用されるトレーニング例 (プロンプトレスポンスペア、ドメイン固有のテキスト、またはラベル付きデータ) のコレクション****である**データセット**と、***報酬関数*** (RLVR トレーニングとカスタムスコアラー評価で使用される特定の基準に基づいてモデル出力をスコアリングするコードベースのロジック) または***報酬プロンプト*** (RLAIF トレーニングと LLM-as-a-judge 評価で使用されるモデルレスポンスの品質を判断するように LLM をガイドする自然言語指示) を通じてモデルのパフォーマンスを評価および改善するメカニズムです。

**モデルパッケージグループ**

トレーニングジョブからログに記録されたすべてのモデルを追跡するコレクションコンテナ。モデルバージョンとその系統の一元化された場所を提供します。

**ログに記録されたモデル**

サーバーレストレーニングジョブの実行時に SageMaker AI によって作成される出力。これは、微調整されたモデル (成功したジョブ）、チェックポイント (チェックポイントのある失敗したジョブ）、または関連するメタデータ (チェックポイントのない失敗したジョブ) です。

**登録済みモデル**

正式な追跡とガバナンスの目的でマークされ、完全な系統とライフサイクル管理を可能にする、ログに記録されたモデル。

**系統**

SageMaker AI と Amazon Bedrock 全体でトレーニングジョブ、入力データセット、出力モデル、評価ジョブ、デプロイ間の関係を自動的にキャプチャします。

**クロスアカウント共有**

Resource Access Manager (RAM) を使用して AWS AWS アカウント間でモデル、データセット、評価者を共有しながら、系統の完全な可視性を維持する機能。

**ユーザーインターフェイス**

Amazon SageMaker AI は、モデルをカスタマイズするための複数のインターフェイスを提供するため、ワークフローと専門知識レベルに最適なアプローチを選択できます。[SageMaker AI Python SDK](https://sagemaker.readthedocs.io/en/stable/model_customization/index.html) で利用可能な APIs を使用してプログラムでモデルをカスタマイズしたり、Studio の直感的な UI インターフェイスを活用してビジュアルモデルのカスタマイズワークフローを行ったり、選択した IDE およびコーディングアシスタントでエージェントガイドのワークフローを直接使用して、Amazon SageMaker AI スキルを活用して、モデル開発へのインタラクティブで会話型のアプローチを実現したりできます。

**料金**

料金の詳細については、[料金ページ](https://aws.amazon.com/sagemaker/ai/pricing/) (モデルカスタマイズタブ) を参照してください。