SageMaker SDK v3でスクリプトモード刷新 独自モデルの訓練・デプロイが1つのAPIに

発表の概要

アマゾン・ウェブ・サービス（AWS）は2026年8月26日、機械学習プラットフォーム「Amazon SageMaker AI」向けのPython SDK v3でスクリプトモードを刷新したと発表した。スクリプトモードは、AWSが提供するマネージドなコンテナ上で独自の学習・推論コードを動かす仕組みで、2021年にも解説記事が公開されていた。今回の記事では、v3で追加された新APIの使い方を、2つの実例を通して説明している。

v3では、従来のフレームワーク別Estimatorクラス（SKLearn、PyTorch、XGBoost）を廃止し、訓練にはModelTrainer、デプロイにはModelBuilderという2クラスに統一した。これにより、フレームワークの種類によらず同じインターフェースで操作できるようになったとしている。また、ローカルのソースコードディレクトリを実行時に訓練ジョブへ同期するSourceCodeオブジェクトも導入された。

新APIの仕組み

SourceCodeオブジェクトは、source_dirで指定したローカルディレクトリを、ジョブ起動時にコンテナ内へ同期する。訓練時はcommandでシェルコマンドを指定し、推論時はentry_scriptでエントリポイントを指定する。この設計により、コードとコンテナイメージが分離され、学習スクリプトを変更してもDockerイメージの再ビルドが不要になる。

ModelTrainerは、従来のEstimatorの後継に当たるクラスで、訓練イメージ、SourceCode、計算リソース、出力先などを指定してtrainメソッドを呼ぶ。ModelBuilderは推論ハンドラとモデルアーティファクトをまとめてパッケージ化し、リアルタイムエンドポイントを作成する。どちらも既存のv2のAPIよりも少ないコードで記述できるとみられる。

v2との違い

v2ではフレームワークごとにSKLearn、PyTorch、XGBoostといったEstimatorクラスが存在し、学習コードをコンテナに組み込むための仕組みも異なっていた。v3ではこれらがModelTrainerに統合され、コンテナに対する前提条件が減った。AWS Deep Learning Containerを使う場合も、自作イメージを使う場合も、同じAPIで扱える。

推論側も、v2のModel/PredictorパターンがModelBuilderに置き換わった。ModelBuilderは選択したモデルサーバー（例: DJL Serving）の慣習に合わせて、推論ハンドラとモデルアーティファクトを自動的に再パッケージする。コンテナ内のPythonライブラリやCUDAライブラリも自由に導入でき、SDKが内部を仮定しない点が特徴だ。

具体例と注意点

1つ目の例は、糖尿病データセットを使ったscikit-learnのRandom Forest分類器の訓練とデプロイだ。訓練用コンテナはPython 3.13ベースの最小限のDockerfileで構成され、コードは含めない。学習スクリプトを変更しても、イメージはそのままにSourceCodeの内容だけを差し替えて再実行できる。デプロイには、AWSが提供するDJL ServingのDockerコンテナを利用している。

2つ目の例は、Hugging Face Accelerateを使ったStable Diffusion 3.5のLoRA微調整で、マルチGPU分散訓練に対応する。一方で、v3のスクリプトモードを使うには、SageMaker SDK v3のインストールに加え、訓練用のコンテナイメージをAmazon ECRにプッシュしておく必要がある。SageMaker StudioのJupyterLabスペースで利用する場合は、ドメインレベルでDockerアクセスを有効化しなければならない。