SageMaker のアップデート

Amazon SageMaker HyperPodは、GPU インスタンスタイプに基づいてSlumクラスタの最適なネットワークトポロジー構成を自動選択・管理する機能を開始しました。クラスタのスケーリングやノード置換時にトポロジーが自動的に更新されるため、手動での設定変更が不要になります。ml.p5.48xlarge、ml.p5e.48xlarge、ml.p5en.48xlarge、ml.p6e-gb200.NVL72などのGPUインスタンスタイプに対応しており、全AWSリージョンで利用可能です。

Amazon SageMaker Unified StudioがAWS IAM Identity Center（IdC）ドメインでサーバーレスノートブックと組み込みデータエージェント機能をサポートしました。これまでこれらの機能はIAMドメインのみで利用可能でしたが、IdCを使用する顧客も高性能なサーバーレスノートブック環境にアクセスできるようになりました。ノートブックはSQL、Python、自然言語を組み合わせて使用でき、Amazon Athena for Apache Sparkが支援し、ペタバイト規模のデータ処理に対応します。

Amazon SageMaker Unified StudioのノートブックカーネルがVPC（Virtual Private Cloud）に対応しました。ノートブックカーネルはドメインレベルで構成されたVPC内で実行され、企業向けにネットワーク分離を提供します。このアップデートにより、ノートブックコンピュート トラフィックをVPC境界内に保つことで、セキュリティとコンプライアンス要件を満たせます。

Amazon SageMaker Unified Studioは、IAMドメイン向けに1つのプロジェクト内で複数のコードスペース（個別に設定された開発環境）の作成・管理に対応しました。従来はプロジェクトあたり1つのJupyterLabスペースと1つのCode Editorスペースに限定されていましたが、これにより異なるコンピュート・ストレージ構成で並行作業が可能になります。各スペースは独立したAmazon EBSボリュームを持ち、ファイル・データ・セッション状態を個別に保持でき、スケーリング・一時停止・再開が可能です。

Amazon SageMaker AIがQwen3.5（4B、9B、27Bパラメータ）モデルのサーバーレスモデルカスタマイズに対応しました。監視付きファインチューニング（SFT）と強化学習ファインチューニング（RFT）の両方が利用可能です。米国東部（バージニア北部）、米国西部（オレゴン）、アジアパシフィック（東京）、EU（アイルランド）の4リージョンで提供されています。

SageMaker AIに、生成AIモデルの最適なデプロイ構成を推論レコメンデーション機能が追加された。モデルアーキテクチャを分析し、複数インスタンスタイプで最適化を適用。NVIDIA AIPerfを用いた実GPUインフラでのベンチマークにより、コスト・レイテンシ・スループットのいずれかを目標に設定して推奨構成を得られる。

Amazon SageMakerが IAM Identity Center（IdC）のマルチリージョンレプリケーションに対応し、IdCインスタンスとは別リージョンにSageMaker Unified Studioドメインをデプロイできるようになった。IdCの配置とデータ処理リージョンを分離でき、SSOアクセスはリージョンをまたいでシームレスに維持される。

Qwen3-Coder-Next・Qwen3-30B-A3B・Qwen3-30B-A3B-Thinking-2507・Qwen3-Coder-30B-A3B-Instruct・Qwen3.5-4B の5モデルが SageMaker JumpStart で利用可能になった。エージェンティックコーディング・数学・科学・マルチモーダル（201言語対応の Qwen3.5-4B）など、用途に応じて選択できる。

SageMaker HyperPodで、1つのインスタンスグループ内に複数のインスタンスタイプ・複数サブネットを指定できる「柔軟なインスタンスグループ」が追加された。従来はタイプ・AZごとに別グループで管理する必要があったが、優先順位付きリストで指定でき、高優先のタイプで確保できない場合は自動で下位にフォールバックする。

Amazon SageMaker HyperPodが、Amazon EKSおよびSlurm構成のクラスタに対するオンデマンド深度ヘルスチェック機能をサポート開始しました。実行中のインスタンスのGPUアクセラレータのヘルスをいつでも事前に検証できるようになります。Slurm構成のクラスタではクラスタ作成時のノードプロビジョニング中に深度ヘルスチェックを実施することも可能です。

SageMaker JumpStartで、基盤モデルを用途別の最適化設定でデプロイできる機能が追加された。コスト最適・スループット最適・レイテンシ最適・バランスの4つのターゲットから選択でき、デプロイ前にP50レイテンシ・TTFT・スループットを確認できる。30以上のモデル（Llama 3.1/3.2、Phi-3、Mistral、Qwen、Gemma、Falcon3など）に対応する。

NVIDIA Nemotron-3-Super-120B、Qwen3.5-9B、Qwen3.5-27B の3モデルが Amazon SageMaker JumpStart で利用可能になった。Nemotron-3-Super-120B はMamba-2とMoEを組み合わせたハイブリッドLatentMoEアーキテクチャで、エージェンティック推論に最適化。Qwen3.5 は多言語コーディング・指示追従から、拡張されたコンテキスト理解・複雑な推論まで幅広く対応する。

Amazon SageMaker HyperPodのタスクガバナンスにギャングスケジューリング機能が追加された。分散トレーニングジョブに必要なすべてのPodが準備完了してから訓練を開始することで、部分的なジョブ実行によるリソース浪費やデッドロックを防止する。EKSオーケストレーターベースのHyperPodクラスターで、15のAWSリージョンで利用可能。

Amazon SageMaker Unified StudioがIdentity Centerドメインでサーバーレスワークフローをサポートするようになりました。これまでサーバーレスワークフローはIAMベースのドメインのみの対応でしたが、Identity Centerドメインユーザーも利用可能になります。Airflowインフラストラクチャのプロビジョニングと管理なしに、Apache Airflowを使用してデータ処理タスクをオーケストレーションできます。

Amazon SageMaker Unified Studioがノートブックのインポート/エクスポート機能を追加し、JupyterLabなどの他のプラットフォームからの移行が容易になりました。.ipynb、.json、.pyの形式に対応し、セルタイプとメタデータが保持されます。同時に開発者向けの加速機能として、セルの並び替え、カスタム名の付与、キーボードショートカット、マルチラインSQL実行に対応しました。

Amazon SageMaker Data Agentがインタラクティブなチャート生成機能、Snowflakeデータソースに対するSQL分析、具体化ビュー管理に対応しました。自然言語プロンプトのみで、データ探索、結果の可視化、クエリパフォーマンスの最適化を実現し、コード作成なしで完全な分析ワークフローが可能になります。

AWSはPartner Revenue MeasurementがAWS Marketplace MeteringでAMIおよびML製品に対応したことを発表しました。パートナーは顧客がAWS Marketplace経由でAMIやML製品を購入・利用する際のAmazon ECおよびAmazon SageMakerのサービス消費を自動的に測定できるようになります。追加実装なしに、パートナーが自社ソリューションのAWSサービス利用への影響を正確に可視化できます。

Amazon SageMaker Unified StudioがAWS Glueジョブの監視機能を強化し、CloudWatchメトリクスをジョブログと同じインターフェース内で表示できるようになりました。DPU使用率、メモリ消費、CPU負荷、データ移動サイズなどのリソース利用パターンをログ出力と相関させることで、ETLパイプラインの問題診断が高速化します。メトリクスとログを統合することで、問題解決時間(MTTR)を大幅に削減し、運用効率が向上します。

Amazon SageMaker Unified StudioのQuery Editorで、Data Agentが新たに利用できるようになりました。自然言語からSQL クエリを生成したり、失敗したクエリをデバッグしたり、データを対話的に探索できます。これにより、複雑なJOINや集計を手動で記述することなく、質問から実行可能なSQLまで素早く生成できるようになります。

AWSは、KiroとCursor IDEからAmazon SageMaker Studioへのリモート接続機能を新たに提供開始しました。データサイエンティストやMLエンジニアは、自分好みのローカルIDE環境（仕様駆動開発、会話型コーディング、自動機能生成機能を含む）を使いながら、SageMaker Studioのスケーラブルなコンピュートリソースにアクセスできます。AWS Toolkitエクステンションを使って認証し、数クリックで接続するだけで、ローカルとクラウドの間での頻繁な切り替え（コンテキストスイッチ）を排除でき、単一環境で統合的なAI/ML開発が可能になります。

AWS Toolkitを使用して、Cursor IDEからAmazon SageMaker Unified Studioへのリモート接続が可能になりました。ローカルのCursorのカスタマイズ設定やAI機能を保ったまま、SageMakerのスケーラブルなクラウドコンピュートリソースにアクセスできます。ローカル開発環境とクラウドインフラの間の行き来がなくなり、AI支援開発ワークフローを1つの統合環境で実現できるようになります。

AWS Batch は SageMaker Training ジョブに対してクォータ管理とジョブプリエンプション機能を追加しました。これにより、チームやプロジェクト間で計算リソースを効率的に割り当て・共有できます。GPU容量を使用する場合、優先度の高いトレーニングジョブを優先し、低優先度のワークロードを自動的に中断することが可能になります。

Amazon SageMaker AIが12個の新しいオープンウェイトモデルに対応し、インフラ構築・管理なしでモデルのカスタマイズと強化学習ファインチューニングが可能になりました。Qwen、DeepSeek、Meta Llamaなどの最新モデルが対応され、SFT、DPO、RLVR、RLAIFなど複数のファインチューニング手法が利用できます。使用量に応じた従量課金で、複雑なドメイン固有タスクへのモデル適応が容易になります。

Amazon SageMaker HyperPodがSlumオーケストレーターを使用するクラスターに対して継続的プロビジョニング機能を拡張しました。これにより、インスタンスグループの一部が完全にプロビジョニングされなくても、利用可能なインスタンスでトレーニングジョブをすぐに開始できるようになりました。複数インスタンスグループの同時スケーリングが可能になり、マニュアル介入なしでクラスターが目標規模に到達することを保証します。

AWS Configが、セキュリティ、耐久性、運用などの様々なユースケースに対応した75個の新しいマネージドルールをリリースしました。AWS Amplify、Amazon SageMaker、Amazon Route 53などのサービスを含む、より広範なAWS環境のガバナンスが可能になります。これらのルールはConformance Packsを使用してアカウント全体または組織全体にデプロイでき、複数アカウントのガバナンスが簡素化されます。

Amazon SageMaker Unified Studioにカスタムメタデータ検索フィルターが追加されました。組織固有の属性（ビジネス地域、データ分類、研究名など）を使用してカタログ検索結果を絞り込むことができるようになりました。複数フィルターの組み合わせやセッション間でのフィルター選択の保持も可能で、必要なデータアセットをより迅速に発見できます。

Amazon SageMaker Unified Studioにデータ系統（データリネージ）の集約ビューが追加されました。これにより、データセットに貢献するすべてのジョブを一つの画面で確認でき、データ変換と依存関係の全体像を把握できます。新しいQueryGraph APIを使用することで、メタデータとビジネスコンテキストを含むリネージ情報をプログラムから取得することも可能になりました。

SageMaker Training Plansで予約したGPU容量を、ワークロードの再設定なしに延長できるようになりました。1日単位で最大14日間、または7日単位で最大182日間の延長が可能で、APIまたはSageMaker コンソールから簡単に申し込めます。延長購入後、ワークロードは中断なく継続実行されるため、長期化したAIトレーニングに対応できます。

Amazon SageMaker HyperPodのタスク統治機能が、保証されたクォータを超える未割り当てコンピュートリソースの動的共有をサポートするようになりました。管理者はアクセラレータ、vCPU、メモリなどのリソースタイプごとに借用制限を設定できます。高額なコンピュートインスタンスのアイドル化を自動的に検出して効率的に再配置することで、クラスタ利用率の向上と公平なリソース分配が実現します。

Amazon SageMaker Unified StudioはVisual ETLに新しいデータプレビューv2.0を導入し、ほぼ瞬時の結果表示を実現しました。ブラウザ内クエリエンジンを使用してデータをローカル処理することで、サーバー側のSparkセッション起動が不要になり、追加コスト無しで約1秒で各変換の出力を確認できます。S3、Redshift、Snowflakeなど多数のデータソースに対応し、開発者はより迅速にETLジョブを反復開発できるようになります。