Amazon SageMaker上でAIモデルを選択、デプロイ、カスタマイズします。ファインチューニング（SFT、DPO、RLVR、RLAIF）、モデル選択、データセット準備、評価、SageMakerエンドポイントまたはBedrockへのデプロイ、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の全サイクルをカバーしています。 **次のような場合に使用:** - SageMaker上でモデルをファインチューニングしたい - SageMaker Hubから基盤モデルを選びたい - 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 - トレーニング用にデータセットを変換したい - データが学習に適しているか確認したい - モデルの性能を評価したい - エンドポイント（AIモデルへのアクセス窓口）にデプロイしたい - トレーニングジョブ用にIAMロールやS3バケットをセットアップしたい - SageMaker Managed MLflowアプリを管理したい - エンドポイントの稼働状況を確認したい - 障害を診断したい - 処理遅延やエラーをデバッグしたい - コンテナログやCloudWatchメトリクスを確認したい サーバーレスモデルカスタマイズ、NovaおよびOSSデプロイ方式、PySDK v3の使用に対応しています。 **対応していないもの:** Ground Truth（AIが学習するためのデータ作成）、Feature Store（特徴量管理）、一般的なAWSインフラストラクチャ
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, and endpoint diagnostics. Covers the full lifecycle from planning through production. Use when fine-tuning models on SageMaker, selecting base models from SageMaker Hub, finding a model to deploy without fine-tuning, transforming datasets for training, checking data readiness, evaluating model quality, deploying to endpoints, 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 usage. NOT for Ground Truth labeling, Feature Store, or general-purpose AWS infrastructure.
Amazon SageMaker（機械学習モデルの構築・管理サービス）上でモデルを調整・デプロイするための専門知識です。計画段階から本番環境への展開まで、モデルのカスタマイズ全体を網羅しています。
ユーザーの目的に最適なドキュメントを見つけて、そのコンテンツだけを読み込みます。
| ユーザーの目的 | 参照先 | 次のような場合に使用 |
|---|---|---|
| モデルカスタマイズプロジェクトを計画する、作業範囲を把握する、既存の計画を修正する | references/planning/ | ユーザーの依頼がモデルのカスタマイズや展開に関連している（モデルの調整、学習、構築、カスタマイズ、データ確認、デプロイ、セットアップ、既製品またはベースモデルの選択・デプロイのように学習なしで行う場合を含む、またはアプローチについてのアドバイスを求めている）場合。常に他の目的と同時に確認して、全体の範囲を把握します。この表の複数行に該当する場合は、最初にこのドキュメントを読み込み、計画テンプレートを確認してから、具体的な内容用のドキュメントへ進みます。 |
| ビジネス上の問題、成功基準、ユースケース（使用場面）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」「事前に決めるべきことは何か」と述べた場合、または計画の初めの段階で使用します。ユーザーが明確に不要と言わない限り、スキップしません。 |
| ベースモデル（基本となるモデル）を選択または変更する | references/model-selection/ | ユーザーが使用するモデルについて尋ねた、モデル名を挙げた、または利用可能なモデルを評価したい場合。モデル名が決まっている場合でも必ず実行してください。正確なモデルIDを確認する必要があるためです。推奨: ユースケース定義ドキュメントを最初に読んで要件をまとめることで、より良いモデル絞り込みができます。ユーザーが特定のモデル名・IDを明記するか、不要だと言った場合は不要です。調整と展開のどちらかが不明な場合は、モデル選択ドキュメントで確認してから進みます。デプロイ用のモデル絞り込みは、最終的な推奨の前に必ず専用ドキュメントとスクリプトを使用します。 |
| 調整手法（教師付き教示調整、DPO（直接選好最適化）、RLVR、RLAIF）を選択する | references/finetuning-technique/ | ユーザーが調整を決めて手法を選ぶ必要がある場合、または選んだ手法をモデルのレシピ（推奨設定）に合わせて確認する必要がある場合。事前にベースモデルが選ばれている必要があります。 |
| データセットの品質と形式を確認する | references/dataset-evaluation/ | ユーザーが「データセットは大丈夫か」「学習データを確認したい」「自分のデータを使いたい」と述べた場合、または調整を始める前。 |
| データセットの形式を変換・変更する | references/dataset-transformation/ | ユーザーが「形式を変換したい」「フォーマットを変更したい」と述べた、またはデータスキーマ（構造）を変更する必要がある場合。カスタムコードを書く代わりに、常にこのドキュメントを使用します。 |
| 調整用コードを作成して学習を開始する | references/finetuning/ | ユーザーが「学習を始めたい」「モデルを調整したい」「準備ができた」と述べた、または計画が調整段階に達した場合。教師付き教示調整、DPO、RLVR、RLAIF のいずれにも対応します。 |
| 学習済みモデルを評価・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」「モデルの性能をテストしたい」「モデルを比較したい」と述べた場合。言語モデルの評価と独自の採点方法に対応します。 |
| モデルをエンドポイント（接続点）またはBedrock（AWS提供の大規模言語モデルサービス）にデプロイする | references/model-deployment/ | ユーザーが「モデルをデプロイしたい」「エンドポイントを作成したい」「利用可能にしたい」と述べた場合。Nova（AWS独自モデル）とオープンソースモデルの異なるデプロイ方法に対応します。 |
| IAMロール（権限管理）、S3バケット（保存場所）、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」「始め方を知りたい」「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の学習・評価・デプロイを含む計画の初めの段階。 |
| プロジェクトディレクトリとファイルを管理する | references/directory-management/ | 新しいプロジェクトを始める、既存プロジェクトを再開する、または計画文書をプロジェクトディレクトリと連携させる必要がある場合。 |
| SageMaker管理のMLflow（実験追跡ツール）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、「SageMaker MLflowとは何か」と尋ねた、またはワークフロー（作業の流れ）にMLflowバックエンド（内部システム）が必要で未接続の場合。 |
| SageMakerエンドポイントのエラーや不具合を診断する | references/endpoint-diagnostics/ | ユーザーがエンドポイントのエラー、遅延、推論失敗、またはデプロイ失敗を報告した場合。「エンドポイントの状態は」「エンドポイントがエラーを起こしていないか」「エンドポイント失敗の原因は」「エンドポイント背後で何個のインスタンス（コンピュータ）が動いているか」「遅延はモデル由来かSageMaker由来か」「エンドポイントのコンテナログを見たい」と述べた場合。学習ジョブの問題、エンドポイント削除、スケーリング変更、新規デプロイには使用しません。 |
段階的な情報開示。 現在のユーザーの目的に関連するドキュメントだけを読み込みます。すべてのドキュメントを一度に読み込まないでください。
ベストエフォート（最善を尽くした）サポート。 ユーザーの質問がこのスキルのドキュメント外である場合、そこで打ち切らずに、一般的なAWSの知識とドキュメントで支援し、この件は検証済みのワークフローではないことを知らせます。
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 a model to endpoint or Bedrock | references/model-deployment/ | User says "deploy my model", "create an endpoint", "make it available". 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. |
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。