GS Caltex、Amazon SageMaker CanvasとPipelinesで本番級MLOpsを実現(前編)
GS Caltexは、プロセスエンジニアがSageMaker Canvasでノーコードで構築・検証したモデルをSageMaker Pipelinesの本番ワークフローに接続し、30分ごとのバッチ推論を実現した。
GS Caltexは、プロセスエンジニアがSageMaker Canvasでノーコードで構築・検証したモデルをSageMaker Pipelinesの本番ワークフローに接続し、30分ごとのバッチ推論を実現した。
OpenFold3-previewがAmazon SageMaker JumpStartで提供開始。自社のAWSアカウント内で、タンパク質、DNA、RNA、低分子リガンドおよびそれらの複合体の3D構造を予測できる。
Amazon SageMaker HyperPodにData Capture機能が追加された。エンドポイント、ロードバランサー、モデルPodの3つの独立した階層でオンライン推論の入出力をAmazon S3に記録でき、モデルの可用性への影響はゼロだ。記事ではQwen2.5-3B-Instructを使った家電サポートのルーティングモデルを例に、Athenaでのクエリで新製品に対する盲点を発見し、SQLポリシーでラベル付けしてファインチューニングを実施、デプロイ後に新たに得たデータで前後の精度を比較している。
Amazon Bedrock は計装不要のコスト帰属機能を提供し、各推論呼び出しを呼び出し元の IAM プリンシパルまで追跡し、ID と組織タグを CUR 2.0 と Cost Explorer に書き込む。
Dyania Healthの臨床推論エンジンSynapsis AIはNVIDIAの高速化コンピューティング上で動作し、患者の数十年分のカルテにある自由記述のノート、レポート、検査結果をまたいで手がかりを結びつけ、元の記録までたどれる臨床シグナルを出力する。
NateraはAmazon Bedrock AgentCoreを基盤にラボ運用エージェントシステムSWARMを構築し、サポートチケットの初回応答時間を約130倍に短縮、自動化カバー率は96.2%に達した。
IBMはHugging Faceで実験的なプレビューモデルgranite-4.1-3b-LLMON-previewとgranite-4.1-8b-LLMON-previewを公開した。Granite 4.1 baseで学習され、LLMON(LLM Object Notation)形式のマークアップテキストを読み書きできる。
AWSが、コードを書かずにIAMプリンシパル別にAmazon Bedrockの生成AI支出を追跡・制限する方法を提示した。Bedrockは推論リクエストごとにIAMユーザーまたはロールの身元を自動記録し、プリンシパルタグやセッションタグと組み合わせることで共有ロール下の個別ユーザーも区別できる。
Amazon SageMaker HyperPodは、PyTorch DDPの学習ループに3つのチェックを追加することでサイレントデータ破損(SDC)を検出する。非有限勾配チェックでNaN/Infを捕捉し、リングリプレイ監査で別ノードが再計算したlossと勾配のフィンガープリントを照合し、重みフィンガープリントの照合でオプティマイザのステップや保存された重みに生じた破損を発見する。
Google Researchは、コンシューマー向けウェアラブル端末のデータから介入可能な「コーチング可能な健康年齢」(CHA)を構築する研究フレームワークを提案した。約10万人のFitbitユーザー、228万人週分のデータに基づいてセンサー世界モデルSensorWMを訓練し、歩数・睡眠・運動習慣の違いに応じて今後12週間で20項目の生理指標がどう変化するかをシミュレーションできる。
AWS は 11 月 30 日から 12 月 4 日まで re:Invent 2026 を開催する。AI/ML トラックでは 140 以上のセッションが用意され、AI チップ、モデルのトレーニングと推論、エージェントの開発・管理など AWS AI 技術スタックの各層をカバーする。
Hugging Faceのブログが、多ベクトル埋め込みモデル向けのToken Pooling対応トレーニングを紹介している。pool_factor=4で文書ベクトルを4分の1に削減した場合、通常のトレーニング済みモデルは未プーリング時のNanoBEIR nDCG@10の94.6%を維持するが、対応トレーニングでは維持率が97.8%に向上する。
Google DeepMindは、特定の細胞種や状態に応じて変異が遺伝子発現に与える影響を予測する条件付きDNA配列モデルAlphaGenome 2を発表した。68組織・1億700万以上の単一細胞アトラスで訓練され、TenK10Kデータセットで同定された因果変異の割合は16%から30%に、方向性のある遺伝子効果は23%から43%に向上した。
AWS は Amazon Bedrock の呼び出しを観測するデータレイクのソリューションを公開した。CloudWatch のログ購読で複数アカウントのモデル呼び出しログを中心アカウントに集約し、Data Firehose で Parquet に変換して S3 に書き込み、Athena で統合的にクエリする。
Google DeepMindは、先ごろ公開したWeatherNext 3モデルの重要なデータ源となるSatWeaveとPARDIGの2つのデータセットを公開した。
ElithとNVIDIAは、オープンソースのペルソナデータセットNemotron-Personas-Japanの金融分野向け拡張版であるNemotron-Personas-Finance-Japanを公開した。日本の公式統計と家計金融・金融リテラシーのデータを組み合わせた、100万件規模のオープンなペルソナデータセットとしては初めてだとしている。
NVIDIAがオープンソース化したAerialやSionnaなどの無線ツールは、この1年で世界の開発者による採用が10倍に増え、5G/6Gオープンソースツールのダウンロード数は100万回を突破、8,000以上の研究機関が利用している。
NVIDIAはCosmos世界モデルプラットフォームにオープンウェイトのcheckpointを4種追加した。いずれもCosmos 3 Nanoを事後学習したもので、学習可能パラメータは16B、商用・非商用を認めるOpenMDW1.1ライセンスを採用する。
Google ResearchはNatureに研究を発表し、スマートウォッチの光電容積脈波(PPG)と加速度計(ACC)の信号を用いてカフによる校正なしに高血圧状態を受動的に識別するマルチモーダルAIシステム「AI-PPG-ACC-HTN」を提案した。
NVIDIAはフルスタック協調設計でAIのメモリ負荷を緩和する。Blackwell UltraからVera Rubinプラットフォームまで、GPUあたりのHBM容量は約3%増にとどまる一方、SemiAnalysis AgentX上のエージェントスループットは1ドルあたり最大30倍に向上した。
Dharma-AIは、任意の種類の文書から指定フィールドを抽出しJSONで返す20億パラメータのモデル「Dharma Field Extractor」を公開した。スキーマなしのオープン抽出と、指定スキーマに沿った抽出の2モードに対応する。
Indegene は AWS 上の NEXT Unified Data Platform(NEXT UDP)に LLM 駆動の Data Quality Agent を構築した。文脈を踏まえたデータ品質ルールを生成し、検証を経てそのまま実行できる SQL と Python コードを出力する。全体を通じて集中型の human-in-the-loop ガバナンスを採用している。
Hugging Faceは、言語モデルが長文書内でエンティティの状態変化を追跡する能力を評価するベンチマーク「StateBench」を公開した。難易度はR-trivial、Aperiodic、Soluble、General finiteの4段階で構成される。
Google DeepMindはGoogle Antigravity向けに化学情報学スキル(Cheminformatics Skills)を公開した。RDKitを基盤にChEMBLとPubChemに接続し、言語モデルがワークフローの編成と科学的推論を担い、決定論的な化学ツールが分子計算を実行する。
NVIDIAはCOMSOL、Applied Materials、Siemens、Lam Research、Advantestなどと連携し、加速コンピューティング、物理AI、エージェントを用いて半導体製造におけるシミュレーションと分析の期間を短縮する。
AWS は、系列レベルの知識蒸留(SeqKD)を用いて Amazon SageMaker AI 上でショッピングエージェントをファインチューニングする方法を紹介した。フロンティアの教師モデルが多段階のツール呼び出し軌跡を生成し、タスクを解けるサンプルのみを残して、教師ありファインチューニングで小規模モデルを訓練する。SeqKD は教師モデルのテキスト出力のみを必要とし、logits や強化学習の基盤を要しないため、API のみを提供するクローズドソースの教師モデルにも適用でき、軌跡データを異なる生徒モデルの訓練とテストに再利用できる。
AWS は、Amazon Bedrock のコストを帰属・可観測性・強制・最適化・運用の5ステップのループで管理する方法を提示した。Amazon Bedrock は IAM プリンシパル単位での推論コストの自動帰属に対応している。
マイクロソフトはIndustry Evaluation Data Generation Platformを構築し、O*NETや求人情報、SEC提出書類などの公開データをもとに生成した完全合成の企業環境でMicrosoft Copilotを評価している。顧客データは一切使用しない。
AWS BatchがSageMaker Trainingジョブ向けのクォータ管理機能を提供開始した。管理者はチームやプロジェクト単位でクォータシェアを割り当てでき、RESERVE、LEND、LEND_AND_BORROWの3つのリソース共有ポリシーにより、アイドル状態のGPU容量を自動で貸し出し・借用できる。
Hugging FaceはProject ProtoStarの開始を発表した。カーネギーメロン大学、パデュー大学、ジョージア工科大学などの機関と連携し、公的資金で得られた研究データセット、モデル、コードをAI-ready形式でオープンに共有することを推進する。
AWS は Ray Train DLC イメージ(public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1)を公開した。Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7、EFA と AWS OFI NCCL プラグインを統合済みで、自前でイメージを構築する必要はない。
NVIDIA はオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。多言語の文字起こし、話者分離、翻訳、音声への質問応答を単一のチェックポイントに統合し、Hugging Face と ModelScope で提供を開始している。
Google Researchは、LLMが能動的な対話とオフラインの睡眠を交互に繰り返し、短期的な文脈を長期的なパラメータへ定着させる「sleep」フレームワークを提案した。睡眠段階では、MoEによるパラメータ拡張、知識蒸留、RLによる模倣学習を通じて記憶の定着を図り、さらにランダムなエキスパートの活性化と勾配で選別した合成サンプルによって自己改善する。
Ai2は研究「Old Ideas, Novel Problems」を公開し、大規模言語モデルが科学研究アイデアの新規性を判断する信頼性を検証した。併せてベンチマーク、データ、コードをオープンソース化した。研究ではICLR 2026の査読意見に基づき、新規性の高い人間のアイデア154件と低い145件からなるプールを構築し、さらにLLMが生成したアイデア154件を用意した。
ExowattはAmazon SageMaker AIのサーバーレスモデルカスタマイズを活用し、エッジとクラウドの2つの展開先向けにタスク特化モデルをファインチューニングした。精度はフロンティアモデルを上回り、コストは最大49分の1に抑えられる。エッジのアラームトリアージにはQwen3-1.7B、クラウドのエネルギー市場分析にはQwen3-14Bを基にし、後者はAmazon Bedrock Custom Model Importでホストされる。このプロセスにより、生の運用データから評価済みの展開成果物までの道のりが数カ月から数日に短縮された。
NVIDIAはC-BRAINと協力し、AIでアルツハイマー病研究を加速させている。C-BRAINはすでにオープンソースのエージェントツール「OpenScientist」と「InsightEngine」を構築した。
AWSはSageMaker Python SDK v3に基づくフリート全体のコンピュータビジョンモデルのライフサイクル管理ソリューションを発表した。非推奨となったSageMaker Edge Managerに代わり、SageMaker Neoでエッジ最適化を行う。
OpenAIは、最先端モデルの学習と評価のために隔離対策を強化する方法を説明した。オフライン環境や高い計算資源を用いたレッドチーミングが含まれる。
Amazon Quick Sightのレイヤーマップが、GeoJSONのPointとLineStringの2種類のジオメトリに対応した。店舗などの具体的な位置を地図上に示したり、配送経路や航空路線などのルートを描画したりできる。GeoJSONファイルの上限は100MBで、Quick Sightのデータセットとは共有のjoin keyで関連付ける必要があり、各レイヤーは一度に1種類のジオメトリのみを描画する。
AWSはAmazon SageMaker AIで多ターン強化学習(MTRL)を行うためのエンドツーエンドの実践ガイドを公開した。訓練ジョブはAgentCoreでホストされるエージェントが複数ターンの対話をこなし、エピソード全体の結果に対してのみ報酬を与える。