AWSの基礎力をつけるためにAWS What’s Newを毎日目を通す事を始めました。 最初は日本語訳されたものを見ていたのですが、1週間ほど遅れて訳されるようなので、英語の情報を訳して整理することにしました。

本情報が役立つ人もいるかなと思い公開します。 個人的な理解なので、実際の情報は原典をあたってください。

AWS運用入門 改訂第2版 押さえておきたいAWSの基本と運用ノウハウ [AWS深掘りガイド] 単行本（ソフトカバー） – 2025/7/11

¥3,520

Amazonで見る

Amazon SageMaker HyperPodがチェックポイントレス・トレーニングに対応

#

投稿日: 2025年12月03日

何ができるようになったのか

#

Amazon SageMaker HyperPodが、障害発生時の回復においてチェックポイントベースのジョブレベルの再起動を不要にする新しい基盤モデルトレーニング機能である「チェックポイントレス・トレーニング」に対応しました。チェックポイントレス・トレーニングは、障害が発生してもトレーニングの順方向の勢いを維持し、回復時間を数時間から数分に短縮します。

何が嬉しいのか

#

これは、従来のチェックポイントベースのリカバリからの根本的な転換を意味します。従来の方式では、障害発生時にトレーニングクラスター全体を一時停止し、手動で問題を診断し、保存されたチェックポイントから復元する必要がありました。このプロセスでは、高価なAIアクセラレータが何時間もアイドル状態になり、組織に無駄なコンピューティングコストを発生させていました。チェックポイントレス・トレーニングはこのパラダイムを変革し、分散クラスター全体でモデルのトレーニング状態を維持します。これにより、障害のあるトレーニングノードをその場で自動的に交換し、健全なアクセラレータからのピアツーピアの状態転送を利用して障害を回復します。リカバリ中のチェックポイントへの依存を軽減することで、アイドル状態のAIアクセラレータにかかるコストを削減し、時間短縮に貢献できます。大規模な場合でも、Amazon SageMaker HyperPodでのチェックポイントレス・トレーニングは、数千のAIアクセラレータを使用するクラスターで95%以上のトレーニング・グッドプットを実現できます。

これまでとどう変わるのか

#

• これまで: 障害発生時にトレーニングクラスター全体を一時停止し、手動で問題を診断し、保存されたチェックポイントから復元する必要があり、このプロセスで高価なAIアクセラレータが何時間もアイドル状態になることがありました。
• これから: 分散クラスター全体でモデルのトレーニング状態が維持され、障害のあるトレーニングノードをその場で自動的に交換し、健全なアクセラレータからのピアツーピアの状態転送を利用して障害を回復します。

具体的なユースケース

#

• LlamaやGPT OSSなどの一般的な公開モデル向けのHyperPodレシピを使用して、コード変更なしでチェックポイントレス・トレーニングを有効にできます。
• カスタムモデルアーキテクチャの場合、PyTorchベースのワークフロー向けに最小限の修正でチェックポイントレス・トレーニングコンポーネントを統合できます。

Amazon Bedrock が Reinforcement Fine-tuning をサポートし、ベースモデルと比較して平均 66% の精度向上を実現 - AWS

#

投稿日: 2025年12月01日

何ができるようになったのか

#

Amazon Bedrock は reinforcement fine-tuning をサポートするようになりました。これにより、機械学習に関する深い専門知識や大量のラベル付けされたデータを必要とせずに、モデルの精度を向上させることができます。Amazon Bedrock は reinforcement fine-tuning ワークフローを自動化し、この高度なモデルカスタマイズ技術を一般の開発者も利用できるようにします。従来の fine-tuning メソッドで必要とされた大量のデータではなく、少量のプロンプトを使用してモデルを特定の要件に合わせることを学習させるため、チームは迅速に開始できます。この機能は、同じプロンプトに対する複数の可能な応答へのフィードバックを通じてモデルを教育し、「良い応答」がどのようなものかという判断力を向上させます。Amazon Bedrock の reinforcement fine-tuning は、ベースモデルと比較して平均 66% の精度向上を実現し、高品質を維持しながら、より小さく、高速で、費用対効果の高いモデルバリアントを使用できるようになります。トレーニングデータはコンピューターから直接アップロードするか、Amazon S3 にすでに保存されているデータセットから選択できるため、ラベル付けされたデータセットは不要です。検証可能なルールベースのグレーダーまたは AI ベースの評価者、および組み込みテンプレートを使用して報酬関数を定義し、コード生成や数学的推論などの客観的タスク、指示の追従やチャットボットの対話などの主観的タスク向けにモデルを最適化できます。独自のデータは、カスタマイズプロセス全体を通じて AWS のセキュアでガバナンスされた環境外に出ることはなく、セキュリティとコンプライアンスの懸念を軽減します。本機能は Amazon Bedrock コンソールおよび Amazon Bedrock API を通じて利用可能で、提供開始時は Amazon Nova 2 Lite で利用でき、追加モデルのサポートも近日中に予定されています。

何が嬉しいのか

#

• 機械学習の専門知識や大量のラベル付けされたデータがなくても、モデルの精度を大幅に向上させることができます。
• 高度なモデルカスタマイズ技術である reinforcement fine-tuning が自動化され、一般の開発者でも手軽に利用できるようになります。
• 少量のプロンプトでモデルを迅速に目的に合わせて調整できるため、開発期間を短縮できます。
• モデルが同じプロンプトに対する多様なフィードバックから学習し、より適切な応答を生成する能力が向上します。
• 平均で 66% の精度向上を実現し、より小規模で高速、かつコスト効率の良いモデルを使用しながら、高品質な出力を維持できます。
• 独自のデータは AWS のセキュアな環境内で処理されるため、データセキュリティやコンプライアンスに関する懸念が軽減されます。

これまでとどう変わるのか

#

• これまで: 組織は AI モデルを特定のビジネスニーズに適応させる際に、性能が平均的な汎用モデルを選ぶか、専門知識、インフラ、データ移動のリスクを伴う高価で複雑なカスタマイズを選択する必要がありました。
• これから: Amazon Bedrock の reinforcement fine-tuning により、高度なモデルカスタマイズの複雑さが解消され、迅速、自動化され、セキュアな方法でモデルを最適化できるようになります。

具体的なユースケース

#

• コード生成や数学的推論などの客観的なタスクにおいて、モデルの精度と性能を大幅に向上させます。
• 指示の追従やチャットボットの対話などの主観的なタスクにおいて、モデルの応答品質を最適化します。
• Amazon Bedrock コンソールまたは API を通じて、Amazon Nova 2 Lite で reinforcement fine-tuning を開始し、高品質なカスタムモデルを迅速に開発します。

Amazon SageMaker HyperPodでのエラスティックトレーニングの導入

#

投稿日: 2025年12月12日

何ができるようになったのか

#

Amazon SageMaker HyperPodがエラスティックトレーニングをサポートしました。これにより、組織はリソースの可用性とワークロードの優先順位に基づいてトレーニングワークロードを自動的にスケーリングすることで、基盤モデルのトレーニングを加速できるようになります。

何が嬉しいのか

#

手動による再構成のオーバーヘッドを排除し、利用可能なコンピューティングリソースの継続的な利用を保証することで、エラスティックトレーニングは、インフラストラクチャ管理に費やされていた時間を節約し、クラスター利用率を最大化することでコストを削減し、市場投入までの時間を短縮するのに役立ちます。最小限のリソースでトレーニングをすぐに開始でき、容量が利用可能になり次第、機会を見て拡張できます。

これまでとどう変わるのか

#

• これまで: 以前は、コンピューティングの可用性の変更があるたびに、手動でトレーニングを停止し、トレーニングパラメーターを再構成し、ジョブを再開する必要がありました。このプロセスには分散トレーニングの専門知識が必要で、トレーニングジョブの再構成中に高価なAIアクセラレーターがアイドル状態になっていました。
• これから: エラスティックトレーニングは、アイドル状態のAIアクセラレーターを取り込むためにトレーニングジョブを自動的に拡張し、より高い優先順位のワークロードがリソースを必要とするときには、トレーニングを完全に停止することなくシームレスに縮小します。

具体的なユースケース

#

• LlamaやGPT OSSを含む一般公開モデルのHyperPodレシピを使用すると、コード変更なしでエラスティックトレーニングを有効にできます。
• カスタムモデルアーキテクチャの場合、軽量な設定更新と最小限のコード変更により、分散システムに関する専門知識を必要としないチームでもエラスティックトレーニング機能を統合できます。
• SageMaker HyperPodは、Amazon SageMaker HyperPodが現在利用可能なすべてのリージョンで利用できます。

Amazon SageMaker AI における新しいサーバーレスモデルカスタマイズ機能

#

投稿日: 2025年12月03日

何ができるようになったのか

#

AWS は、AI 開発者が教師ありファインチューニングや、強化学学習などの最新技術を用いて、人気のあるモデルを迅速にカスタマイズできる新しいサーバーレスなモデルカスタマイズ機能を発表しました。これにより、AI 開発者は、データ準備から評価、デプロイに至るエンドツーエンドのモデルカスタマイズワークフローを簡素化し、プロセスを加速できるようになります。使いやすいインターフェースを通じて、Amazon Nova、Llama、Qwen、DeepSeek、GPT-OSS などを含む人気のモデルを、自身のデータでカスタマイズできます。プレビュー版の AI agent-guided workflow を利用し、自然言語で合成データの生成、データ品質の分析、モデルのトレーニングと評価を、すべて完全にサーバーレスで処理することも可能です。

何が嬉しいのか

#

AI 開発者は、反復サイクルが長くなりがちだったモデルカスタマイズのプロセスを簡素化・高速化できます。これにより、独自のデータでモデルをカスタマイズする際の精度向上をより迅速に実現できるようになり、高パフォーマンスで低コストな AI モデル開発が可能になります。

これまでとどう変わるのか

#

• これまで: AI 開発者は、ユースケースの定義、データの準備、モデルとカスタマイズ技術の選択、モデルのトレーニング、デプロイのためのモデル評価など、長い反復サイクルを必要としていました。
• これから: AI 開発者は、データ準備から評価、デプロイに至るエンドツーエンドのモデルカスタマイズワークフローを簡素化し、プロセスを加速できます。

具体的なユースケース

#

• Amazon Nova、Llama、Qwen、DeepSeek、GPT-OSS などの人気モデルを、教師ありファインチューニングや強化学習、direct preference optimization といった最新のカスタマイズ技術を用いて、独自のデータでカスタマイズする。
• AI agent-guided workflow (プレビュー) を活用し、自然言語で合成データを生成したり、データ品質を分析したり、モデルのトレーニングや評価といった作業をサーバーレスで実行する。

Strands Agents (プレビュー) およびその他の機能における TypeScript サポートを発表

#

投稿日: 2025年12月03日

何ができるようになったのか

#

AWSは、Strands Agents SDKにおいてTypeScriptのサポートをプレビュー版として提供開始しました。これにより、開発者はAIエージェントの構築と言語選択において、既存のPythonに加えてTypeScriptも選択できるようになりました。

さらに、以下の3つの機能強化も発表されました。

• Strands Agents のエッジデバイスサポート (一般提供開始): 双方向ストリーミングと、llama.cppなどのローカルモデルプロバイダーにより、小規模なデバイス上でローカルモデルを使用したエージェントの実行が可能になります。
• Strands steering (実験的機能): エージェントのライフサイクルにおける適切なタイミングでフィードバックを提供し、エージェントを望ましい結果へと導く、モジュラーなプロンプティングメカニズムです。
• Strands evaluations (プレビュー): エージェントの動作を体系的に検証し、改善を測定し、開発サイクル中に自信を持ってデプロイするための機能です。

何が嬉しいのか

#

今回のアップデートにより、TypeScriptを使用している開発者は、完全な型安全性、async/awaitサポート、最新のJavaScript/TypeScriptパターンを活用して、より堅牢で効率的なAIエージェントを構築できるようになります。Strands Agentsは、クライアントアプリケーション、ブラウザ、AWS LambdaやBedrock AgentCoreといったサーバーサイドアプリケーションなど、多様なランタイムで容易に実行可能です。また、AWS CDKを使用することで、TypeScriptで開発スタック全体を構築する統一された開発体験が得られます。

エッジデバイスサポートの一般提供開始により、IoTデバイスやその他の制約のある環境でもAIエージェントをデプロイできるようになり、新たなユースケースが広がります。Strands steeringはエージェントの振る舞いをより柔軟に制御する手段を提供し、Strands evaluationsは開発者がエージェントのパフォーマンスと信頼性を継続的に評価し、品質の高いエージェントを自信を持ってリリースする手助けをします。

これまでとどう変わるのか

#

• これまで: Strands Agents SDKは主にPythonフレームワークとして提供されており、AIエージェントの開発はPythonに限定されていました。エージェントの動作制御や評価に関する機能は限定的でした。エッジデバイスでの実行オプションも限られていました。
• これから: Strands AgentsにおいてTypeScriptがサポートされるようになり、開発者はPythonとTypeScriptのどちらかを選択してAIエージェントを構築できます。エッジデバイスでのエージェント実行が一般提供となり、より広範なデバイスでの利用が可能になりました。Strands steeringとevaluationsの追加により、エージェントの制御、品質保証、および検証プロセスが大幅に強化されます。

具体的なユースケース

#

• 既存のTypeScriptベースのアプリケーションやサービスに、型安全でモダンなAIエージェント機能を統合したい開発者。
• AWS LambdaやBedrock AgentCore上でTypeScriptを用いてスケーラブルなAIエージェントを開発・デプロイしたい開発者。
• スマートデバイスやローカル環境で動作するAIエージェントを構築し、リアルタイム処理やプライバシー要件に対応したい開発者。
• AIエージェントのプロンプトエンジニアリングをよりモジュラーかつ効果的に行い、特定の目標達成に向けてエージェントの行動を「steering（誘導）」したい開発者。
• AIエージェントの新しいバージョンや変更が、既存の振る舞いを損なうことなく意図した通りに機能することを体系的に検証したい開発者。