AWS の AI/ML サービス階層構造 - SageMaker、Bedrock、API 型サービスの 3 層が実現する柔軟性
AWS の AI/ML サービスを SageMaker (フル制御)、Bedrock (マネージド生成 AI)、Rekognition 等 (API 型) の 3 層構造として整理し、GCP Vertex AI や Azure OpenAI Service との比較を通じて、カスタムシリコンとの統合を含む AWS の柔軟性を解説します。
AI/ML サービスに求められる「階層」という発想
AI/ML の活用は、組織によって成熟度が異なります。データサイエンティストがモデルをゼロから構築する組織もあれば、事前学習済みモデルを API 経由で呼び出すだけで十分な組織もあります。生成 AI の登場により、基盤モデルをカスタマイズして利用するという中間的なニーズも広がっています。AWS はこの多様なニーズに対して、フル制御の SageMaker、マネージド生成 AI の Bedrock、API 型の Rekognition/Comprehend/Transcribe 等という 3 層構造でサービスを提供しています。各層が独立しつつも相互に連携可能な設計であり、組織の AI 成熟度に応じて適切な層から始め、段階的に高度な活用へ移行できます。
SageMaker - フル制御のエンドツーエンド ML プラットフォーム
SageMaker は ML ワークフローの全工程をカバーするプラットフォームです。データの前処理 (Data Wrangler、Processing)、モデルの学習 (Training、HyperParameter Tuning)、デプロイ (Endpoints、Serverless Inference)、モニタリング (Model Monitor) まで、一貫した環境で実行できます。SageMaker Studio はブラウザベースの統合開発環境として、Jupyter ノートブック、実験管理、モデルレジストリ、パイプラインの可視化を提供します。SageMaker は、AWS のコンピュートインフラと合わせて使えます。学習ジョブでは GPU インスタンス (P5、P4d) や AWS 独自の Trainium チップを選択でき、推論では Inferentia チップも選択肢に入ります。分散学習のライブラリ (SageMaker Distributed Training) も組み込まれており、大規模モデルの学習を支えます。
Bedrock - マネージド生成 AI のマルチモデル戦略
Bedrock は生成 AI の基盤モデルをマネージドサービスとして提供するプラットフォームです。Anthropic の Claude、Meta の Llama、Stability AI の Stable Diffusion、Amazon 独自の Nova など、複数のプロバイダーのモデルを統一された API で利用できます。この「マルチモデル」アプローチは、Azure OpenAI Service と比べる時の違いの 1 つです。Azure OpenAI Service は、OpenAI のモデルを中心に扱っています。Bedrock では用途に応じてモデルを選べ、特定のプロバイダーに偏らない構成も取れます。Knowledge Bases による RAG (検索拡張生成) の構築、Guardrails によるコンテンツフィルタリング、Fine-tuning によるモデルのカスタマイズも Bedrock の統合機能として提供されています。
API 型サービス - コードを書くだけで AI を組み込む
AWS の AI サービスの第 3 層は、特定のタスクに特化した API 型サービス群です。Rekognition (画像 / 動画分析)、Comprehend (自然言語処理)、Transcribe (音声認識)、Translate (翻訳)、Polly (音声合成)、Textract (文書解析)、Personalize (レコメンデーション) など、多くのサービスが揃っています。これらのサービスは、REST API を呼び出して AI の機能をアプリケーションに組み込めます。Google Cloud も Vision AI、Natural Language AI、Speech-to-Text などの API 型サービスを提供しており、AWS には Textract のフォーム解析や Personalize のリアルタイムレコメンデーションなど、特定のユースケースに向けたサービスがあります。API 型サービスは生成 AI の登場後も使われており、レイテンシやコストの面から汎用 LLM と比べて選ばれています。
カスタムシリコンとの統合 - Inferentia と Trainium
AWS の AI/ML 戦略には、カスタムシリコンも含まれます。推論用の Inferentia と学習用の Trainium は、AWS が自社で設計した AI 専用チップで、コストパフォーマンスを重視して作られています。Inferentia2 は、大規模言語モデルの推論に向けたチップです。Trainium2 は大規模モデルの分散学習を想定しており、SageMaker や EKS から透過的に利用できます。Google Cloud には、Google Cloud の環境で使う AI 専用チップの TPU (Tensor Processing Unit) があります。Azure の AI 向けのチップの構成は、AWS と異なります。カスタムシリコンの選択肢は、AI ワークロードのコストを考える時の判断材料の 1 つです。
3 層構造の活用パターン
AWS の AI/ML 3 層構造は、組織の成熟度に応じた段階的な活用を可能にします。AI 導入の初期段階では API 型サービスで素早く価値を実証し、生成 AI の活用が進んだ段階で Bedrock によるカスタマイズに移行し、独自モデルの開発が必要になった段階で SageMaker を導入するという成長パスが描けます。3 つの層は排他的ではなく、同一のアプリケーション内で併用できます。たとえば、ユーザーの問い合わせを Comprehend で分類し、回答を Bedrock の LLM で生成し、回答の品質を SageMaker でトレーニングしたカスタムモデルで評価するといった構成が可能です。
まとめ
AWS の AI/ML サービスは、SageMaker / Bedrock / API 型サービスの 3 層構造によって、AI の成熟度がさまざまな組織に選択肢を用意しています。Azure OpenAI Service は OpenAI のモデルを扱い、Bedrock は複数のプロバイダーのモデルをそろえています。Google Cloud では、Vertex AI が統合プラットフォームの役割を担います。さらに、Inferentia/Trainium というカスタムシリコンも、AI ワークロードのコストに関わる選択肢に入ります。AI/ML の活用は一足飛びに進むものではなく、段階的に深化させるものです。AWS の AI/ML サービスは、その段階に合わせて層を選ぶ構成になっています。
参考資料 (AWS 公式)
本ページの一次情報は AWS 公式サイトと公式ドキュメントです。最新の仕様と料金は次の公式ページで確認できます。
本ページと公式ドキュメントの記述が食い違う場合は、公式ドキュメントを正としてください。