AWS AI/MLスキルとは？
AWS AI/MLスキルは、汎用のコーディングエージェントにSageMaker固有の手順を渡すためのオープンソースのスキルである。AWSは2026年10月13日、Agent Toolkit for AWSの中核スキルとして提供し、従来のAWS Labsのスキルやプラグインから移行する単一の公式窓口にすると説明した。[1]
対応範囲は、単にコード例を返すことではない。公開中のSKILL.mdでは、次の作業に応じて必要な参照だけを読み込む設計になっている。[2]
- モデルの選定と、SFT・DPO・RLVR・RLAIFなどのカスタマイズ計画
- データセット準備、評価、SageMakerエンドポイントまたはAmazon Bedrockへの配備
- IAMロールやS3バケットなど、学習・評価・配備に必要な環境準備
- SageMaker Managed MLflowの設定と管理
- 推論エンドポイントの遅延、失敗、コンテナログ、CloudWatchメトリクスの診断
一方で、Ground Truthによるラベル付け、Feature Store、一般的なAWSインフラ設計は対象外と明記されている。AWS AI/MLスキルは「AWSなら何でも任せられる万能エージェント」ではなく、SageMakerのモデルライフサイクルへ範囲を絞った手順集と捉えるのが正確だ。
何が従来のコーディング支援と違うのか？
違いは、モデルの知識量ではなく、作業ごとの経路と確認点をAWSが版管理していることにある。一般的なコーディングエージェントは「モデルを配備して」と頼まれても、モデルID、データ形式、評価基準、IAM、費用上限が曖昧なままコードを出すことがある。AWS AI/MLスキルは、依頼を計画、用途定義、モデル選定、評価、配備などへ分け、該当する参照資料だけを読む。
たとえば、モデル選定では既知のモデル名が入力されても、SageMaker Hub上の正確なモデルIDを解決する工程へ進む。エンドポイント障害では、新規配備の説明と混ぜず、状態、ログ、遅延やエラーを診断する手順へ分岐する。[2]
AWSは、今回の中核版で推論最適化だけでなく、モデルカスタマイズ、サーバーフル学習、MLflow、JumpStart、処理ジョブまで対象を広げた。[1] ただし、スキルが回答を正しくする保証はない。公開リポジトリも、生成AIの出力と発生費用を利用者が確認するよう注意を置いている。[3]
使い方はローカル導入とStudio組み込みの2通り
AWS AI/MLスキルの入口は、大きくローカルのコーディングエージェントと、SageMaker StudioのJupyterLabに分かれる。
| 使い方 | 準備 | 向く場面 |
|---|---|---|
| Agent Toolkitからローカル導入 | Agent Toolkit、AWS CLI、認証済みのAWS環境、対応するコーディングエージェント | 既存リポジトリのコードとSageMaker操作を同じ作業で進めたい |
| SageMaker Studio JupyterLab | SageMakerのアカウントとJupyterLab Space。標準ではKiroが設定済み | ノートブック、学習、評価を管理環境の中で進めたい |
| ACP対応アシスタントをJupyterLabで使う | 各アシスタントのCLIと認証。再起動時に消えるグローバル導入への対策 | Claude、Gemini、OpenCode、Codexなどを切り替えたい |
SageMaker Studioの公式文書では、SageMaker Distribution 4.1、JupyterLabへのアクセス、Kiro利用時の認証を最小要件としている。JupyterLabは関連スキルを自動的にコンテキストへ読み込み、.kiro/skills と .agent/skills に置く。ACP対応の別アシスタントも設定できるが、会話コンテキストはアシスタント間で共有されない。[4]
導入後も、最初から実行権限を広く渡す必要はない。まず計画やモデル選定だけを行い、学習ジョブ作成、エンドポイント作成、iam:PassRoleなど、実行段階で必要な操作を特定してから権限を絞るほうが管理しやすい。
費用は「スキル0円、実行したAWS資源は従量課金」
AWSはAWS AI/MLスキルを追加料金なしで提供し、利用者はスキルが使うAWSリソース分だけ支払うと説明している。[1] ここでいう無料は、SageMakerの学習、推論、評価、ストレージ、ログが無料になる意味ではない。
SageMakerの公式料金ページでは、オンデマンドまたはSavings Plansを選び、利用した計算・保存資源などに応じて課金される。モデル評価では、評価用の処理ジョブ、推論、モデルを判定役に使う場合のトークン費用が分かれる。JumpStartのモデル評価では、一時的な推論インスタンスが立つ場合もある。[5]
費用事故を避ける確認点は次の通りだ。
- コード生成と実行を分け、学習や配備の前にインスタンスタイプ、台数、稼働時間を確認する
- エンドポイントの削除条件と、ジョブ失敗時に残る資源を確認する
- エージェントが利用するモデルや有料プランの費用も、SageMakerとは別に確認する
- タグ、予算通知、CloudTrailなど、誰が何を作ったか追える仕組みを先に置く
「自然言語でSageMakerを操作できる」は、費用の承認まで自動化してよいという意味ではない。試す段階では読み取りや計画に限定し、実行前に人が差分と見積もりを見る境界を置くのが現実的だ。
導入前にIAMとレビューの境界を決める
AWS AI/MLスキルを使うエージェントは、設定されたAWS認証情報の範囲でコードを実行する。AWSの公式解説は、SageMaker APIを呼ぶ権限が必要で、スキル自体のための特別なIAM設定は不要としている。[6] つまり安全性は、スキル名よりも渡した認証情報と実行フローに左右される。
AWSのIAM文書では、作成や配備で必要な操作ごとに権限を定義できる一方、List系の一部はリソース単位に制限できないと説明している。[7] 管理ポリシーのAmazonSageMakerFullAccessは広い権限を持つため、検証環境で便利でも、そのまま全利用者へ配る前に用途別のカスタムポリシーを検討したい。
導入が向くのは、SageMakerのモデル選定、評価、配備を繰り返し、手順のばらつきを減らしたいチームだ。1回だけの簡単なノートブックや、SageMaker以外のインフラ全体を設計したい場面では、スキルの対象範囲と合わないことがある。
関連して、コーディングエージェントが外部操作を行う際の境界は、TechCreateの「Claudeはなぜ勝手に送信した？AIエージェントの境界」でも整理している。プロンプトやスキルを短く保つ設計は、「GPT-6 Astraの指示はどう変える？」も参考になる。
まとめ
- AWS AI/MLスキルは新モデルではなく、SageMakerのモデル選定、学習、評価、配備、診断をコーディングエージェントへ教える版管理された手順集である。
- スキル自体は追加料金なしだが、生成コードが動かすSageMakerの計算・保存・評価資源や、利用するエージェント側の費用は別に発生する。
- 導入効果は「自然言語で操作できること」だけでなく、最小権限、実行前レビュー、費用見積もり、作成資源の追跡を運用に組み込めるかで決まる。
出典・参考
- AWS「Bring deep SageMaker AI expertise to your coding agent with the AWS AI/ML skill in the Agent Toolkit for AWS」（2026年10月13日）
- AWS / GitHub「aws-ai-ml SKILL.md」
- AWS Labs / GitHub「Agent Plugins for AWS」
- AWS「Using a coding assistant to expedite your machine learning workflows」
- AWS「Amazon SageMaker AI pricing」
- AWS Machine Learning Blog「New agent skill: Amazon SageMaker optimized generative AI inference for your coding agent」（2026年10月5日）
- AWS「Amazon SageMaker AI API Permissions: Actions, Permissions, and Resources Reference」
読者のコメント (0)
コメントを残す