Amazon SageMakerでAIモデルを選択・デプロイ・カスタマイズするツールです。ファインチューニング（SFT、DPO、RLVR、RLAIF といった学習方式）、モデル選択、データセット準備、評価、SageMakerエンドポイント（利用窓口）またはBedrockへのデプロイ、推論最適化、エンドポイント診断に対応しています。計画から本番運用まで、AIモデルの全ライフサイクルをカバーしています。 **次のような場合に使用:** - SageMakerでモデルをファインチューニング（特定の用途に合わせて調整）したい - SageMaker Hubから土台となるモデルを選択・カスタマイズしたい - ファインチューニングなしでデプロイできるモデルを探したい - 学習用にデータセットを変換・準備したい - データが学習に適切か確認したい - モデルの性能を評価したい - エンドポイントにデプロイしたい - 推論速度のベンチマーク測定や最適化を行いたい - 学習ジョブ用のIAMロール（アクセス権限）やS3バケット（データ保管庫）を設定したい - SageMaker Managed MLflow（実験管理ツール）を運用したい - エンドポイントの健全性確認、障害診断、遅延やエラーのデバッグを行いたい - コンテナログやCloudWatchメトリクス（監視データ）を確認したい Serverless Model Customization、NovaおよびOSS（オープンソースソフトウェア）の展開方法、PySDK v3に対応しています。 **対応していない内容:** Ground Truth（ラベル付け作業）、Feature Store（データ特性管理）、一般的なAWSインフラ構築
Selects, deploys, and customizes AI models on Amazon SageMaker. Fine-tuning (SFT, DPO, RLVR, RLAIF), model selection, dataset preparation, evaluation, deployment to SageMaker endpoints or Bedrock, inference optimization and endpoint diagnostics. Covers the full lifecycle from planning through production. Use when fine-tuning models on SageMaker, choosing/selecting which base model to customize or fine-tune from SageMaker Hub, finding a model to deploy without fine-tuning, transforming datasets for training, checking data readiness, evaluating model quality, deploying to endpoints, benchmarking or optimizing inference, setting up IAM roles and S3 buckets for training jobs, or managing a SageMaker Managed MLflow app. Also use to check endpoint health, diagnose failures, debug latency or errors, or view container logs and CloudWatch metrics. Covers Serverless Model Customization, Nova and OSS deployment paths, and PySDK v3. NOT for Ground Truth labeling, Feature Store, or general-purpose AWS infrastructure.
Amazon SageMaker上でのモデル調整と展開に関する専門知識。計画段階から本番環境への展開まで、モデルカスタマイズの全ライフサイクルをカバーします。
ユーザーの意図を適切なリファレンスフォルダにマッチングし、該当するコンテンツのみを読み込みます。
| ユーザーの意図 | リファレンス | 使用場面 |
|---|---|---|
| モデルカスタマイズプロジェクトを計画する、作業内容を把握する、計画を再開・変更する | references/planning/ | ユーザーのリクエストがモデルカスタマイズまたは展開に関連している場合（調整、訓練、構築、カスタマイズ、データ確認、展開、またはモデル立ち上げ—訓練なしの既製またはベースモデルの選定・展開を含む—、またはアプローチについてのアドバイス）。他の意図も同時に確認して全体の範囲を把握します。複数の行にマッチする場合は、最初にこのリファレンスを読み込み、計画テンプレートを確認してから、単一アクションのリファレンスにルーティングします。 |
| ビジネス課題、成功指標、またはユースケース仕様を定義する | references/use-case-specification/ | ユーザーが「ユースケースを定義したい」「要件をまとめたい」「事前に何を決めるべきか」と述べた場合、または任意の計画の最初のステップとして。ユーザーが明確に辞退した場合のみスキップします。 |
| ベースモデルを選択または変更する | references/model-selection/ | ユーザーがどのモデルを使うべきか尋ねる、モデル名またはファミリーに言及する、または利用可能なモデルを評価したい場合。既知のモデル名についても常にモデル選択を実行してください。正確なHubモデルIDを解決する必要があります。**推奨:**最初にユースケース仕様にルーティングして要件を収集します—これにより、より良いフィルタリング結果が得られます。ユーザーが具体的なモデル名/IDを提供するか明確に辞退した場合は、事前ルーティングは不要です。意図が不明確な場合（調整 vs そのまま展開）は、進める前にモデル選択で確認する必要があります。展開用のベースモデルフィルタリングは、最終推奨のため select-for-deployment.md とそのスクリプトを経由する必要があります。 |
| 調整技法を選択する（SFT、DPO、RLVR、RLAIF） | references/finetuning-technique/ | ユーザーが調整を決定して技法を選ぶ必要がある場合、または選択されたモデルのレシピに対して技法を検証する必要がある場合。先にベースモデルが選定されていることが必須です。 |
| データセットの品質とフォーマットを検証する | references/dataset-evaluation/ | ユーザーが「自分のデータセットは大丈夫か」「訓練データを確認したい」「自分のデータを持っている」と述べた場合、または調整ジョブを開始する前。 |
| データセットをフォーマット間で変換または変換する | references/dataset-transformation/ | ユーザーが「変換」「変換」「フォーマット変更」と述べた場合、またはデータセットスキーマ（構造）を変える必要がある場合。インライン変換コードを書く代わりに常にこれを使用します。 |
| 調整コードを生成して訓練を開始する | references/finetuning/ | ユーザーが「訓練を開始したい」「モデルを調整したい」「訓練の準備ができた」と述べた場合、または計画が調整ステップに達した場合。SFT、DPO、RLVR、RLAIF訓練に対応しています。 |
| 訓練済みモデルを評価またはベンチマークする | references/model-evaluation/ | ユーザーが「モデルを評価したい」「ベンチマークを実行したい」「モデルのパフォーマンスをテストしたい」「モデルを比較したい」と述べた場合。LLMによる判定とカスタムスコアラーに対応しています。 |
| エンドポイントまたはBedrockにモデルを展開、ベンチマーク、最適化する | references/model-deployment/ | ユーザーが「モデルを展開したい」「エンドポイントを作成したい」「利用可能にしたい」（通常の展開）と述べた場合—または、SageMakerリアルタイムエンドポイントのみの推論最適化サブワークフローについて「エンドポイントをベンチマークしたい」「ベンチマーク実行を比較したい」（ベンチマーク）と述べた場合、または「最も安いインスタンスを見つけたい」などの新規展開のパフォーマンス/コスト/遅延/スループット目標を述べた場合（推奨）。Nova vs オープンソースソフトウェア展開パスに対応しています。 |
| IAMロール、S3バケット、SDK設定をセットアップする | references/sdk-getting-started/ | ユーザーが「セットアップしたい」「始めたい」「環境を確認したい」「SDKを設定したい」と述べた場合、または SageMaker訓練/評価/展開を含む任意の計画の最初のステップとして。 |
| プロジェクトディレクトリと成果物を管理する | references/directory-management/ | 新規プロジェクトを開始する、既存プロジェクトを再開する、または PLAN.md をプロジェクトディレクトリに関連付ける必要がある場合。 |
| SageMaker管理MLflowアプリをセットアップ、更新、削除する | references/manage-mlflow/ | ユーザーが「MLflowをセットアップしたい」「MLflowアプリを作成したい」「MLflowアプリを更新したい」「MLflowアプリを削除したい」「MLflowサーバーが必要」と述べた場合、または「SageMaker MLflowとは」と尋ねた場合、またはワークフローがMLflowバックエンドを必要とし接続されていない場合。 |
| SageMakerエンドポイントの障害または動作不良を診断する | references/endpoint-diagnostics/ | ユーザーがエンドポイントエラー、遅延、推論失敗、または失敗した展開を報告した場合。「エンドポイントの状態は」「エンドポイントはエラーになっているか」「エンドポイントが失敗—なぜか」「エンドポイントの背後で実行しているインスタンス数は」「遅延はモデルのせいか SageMaker のせいか」「エンドポイントのコンテナログを表示してほしい」。訓練ジョブの問題、エンドポイント削除、スケーリング変更、または新規展開には使用しません。 |
段階的な情報開示。 現在のユーザー意図に関連するリファレンスフォルダのみを読み込みます。すべてのリファレンスを一度に読み込まないでください。
最善の努力によるサポート。 ユーザーのリクエストがこのスキルのリファレンス範囲外の場合、会話を打ち切らないでください。一般的なAWSの知識とドキュメントを使ってサポートし、ユーザーにこのスキルの検証済みワークフローではカバーされていないことを伝えます。
使用の帰属表示。 AWS CLIコマンドまたはパッケージスクリプトを実行する前に、export AWS_SDK_UA_APP_ID=AWSSkill-SageMaker を設定します。
Domain expertise for fine-tuning and deploying models on Amazon SageMaker. Covers the full model customization lifecycle from planning through production deployment.
Match the user's intent to the appropriate reference folder and load only that content.
| User intent | Reference | When to use |
|---|---|---|
| Plan a model customization project, discover scope of work, resume or modify a plan | references/planning/ | User's request relates to model customization or deployment (fine-tuning, training, building, customizing, reviewing data, deploying or standing up a model — including selecting or deploying an off-the-shelf or base model with no training — or getting advice on approach). Always co-activate with other intents to discover full scope. Load this reference FIRST when the request matches multiple rows in this table — read its plan templates before routing to a single-action reference. |
| Define the business problem, success criteria, or use case spec | references/use-case-specification/ | User says "define my use case", "capture requirements", "what should I decide up front", or as default first step in any plan. Skip only if user explicitly declines. |
| Select or change a base model | references/model-selection/ | User asks which model to use, mentions a model name or family, or wants to evaluate what's available. Always activate model-selection even for known model names because the exact Hub model ID must be resolved. Recommended: route to use-case-specification first to capture requirements — this produces better filtering results. Routing to use-case-specification first is not required if user provides a specific model name/ID or declines. If intent is ambiguous (fine-tune vs deploy as-is), model-selection MUST confirm which path before proceeding. Base model filtering for deployment MUST go through select-for-deployment.md and its scripts for any final recommendation. |
| Choose a fine-tuning technique (SFT, DPO, RLVR, RLAIF) | references/finetuning-technique/ | User has decided to fine-tune and needs to choose a technique, or technique needs validation against the selected model's recipes. Requires a base model to be selected first. |
| Validate dataset quality and format | references/dataset-evaluation/ | User says "is my dataset okay", "check my training data", "I have my own data", or before starting any fine-tuning job. |
| Transform or convert a dataset between formats | references/dataset-transformation/ | User says "transform", "convert", "reformat", or dataset schema needs to change. Always use this rather than writing inline transformation code. |
| Generate fine-tuning code and start training | references/finetuning/ | User says "start training", "fine-tune my model", "I'm ready to train", or plan reaches the finetuning step. Supports SFT, DPO, RLVR, RLAIF trainers. |
| Evaluate or benchmark a trained model | references/model-evaluation/ | User says "evaluate my model", "run a benchmark", "test model performance", "compare models". Supports LLM-as-Judge and Custom Scorer. |
| Deploy, benchmark, or optimize a model on an endpoint or Bedrock | references/model-deployment/ | User says "deploy my model", "create an endpoint", or "make it available" (plain deploy) — or, for the inference-optimization sub-workflows on SageMaker Real-Time Endpoints only, "benchmark my endpoint" / "compare benchmark runs" (benchmarking), or states a performance/cost/latency/throughput goal for a new deployment such as "find the cheapest instance" (recommendations). Handles Nova vs OSS deployment pathways. |
| Set up IAM roles, S3 buckets, SDK configuration | references/sdk-getting-started/ | User says "set up", "getting started", "check my environment", "configure SDK", or as first step in any plan involving SageMaker training/evaluation/deployment. |
| Manage project directory and artifacts | references/directory-management/ | Starting a new project, resuming existing one, or when PLAN.md needs to be associated with a project directory. |
| Set up, update, or delete a SageMaker Managed MLflow app | references/manage-mlflow/ | User says "set up MLflow", "create MLflow app", "update my MLflow app", "delete my MLflow app", "I need an MLflow server", asks "what is SageMaker MLflow", or a workflow needs an MLflow backend and none is connected. |
| Diagnose a failing or unhealthy SageMaker endpoint | references/endpoint-diagnostics/ | User reports endpoint errors, latency, inference failures, or a deployment that failed. "What's the status of my endpoint?", "Is my endpoint erroring?", "My endpoint failed — why?", "How many instances are running behind my endpoint?", "Is the latency my model or SageMaker?", "Show me the container logs for my endpoint." NOT for training-job issues, endpoint deletion, scaling changes, or new deployments. |
export AWS_SDK_UA_APP_ID=AWSSkill-SageMaker.原文・著作権は Anthropic および各プラグイン作者に帰属します。日本語訳は Claude API による自動翻訳です。