Amazon SageMaker AI、MLflowとModel Registry間の同期を大幅強化　評価指標やリネージの自動連携に対応

要点

• Amazon Web Services（AWS）は、Amazon SageMaker AIにおけるマネージドMLflowとSageMaker AI Model Registry間の自動同期機能を大幅に拡張した。

• モデル登録時に、トレーニング指標や評価結果、リネージ（系統情報）、デプロイ可能な推論仕様がModel Registryへ自動的に引き継がれるようになった。

• MLflow側からのライフサイクルステージ昇格操作に対応し、データサイエンティストが実験環境から離れずに本番移行プロセスを進められるようになった。

• 本機能はオプトイン形式で提供され、MLflowアプリケーションの登録モード設定とIAMロールの権限構成により利用できる。

• Amazon Web Services（AWS）は2026年9月8日、機械学習プラットフォーム「Amazon SageMaker AI」において、マネージドMLflowとSageMaker AI Model Registry間のモデル自動同期機能を大幅に機能拡張したことを公式ブログで発表した。機械学習の実験管理ツールから一元的なモデル管理台帳への連携情報が拡充され、モデルの検証や監査に必要なコンテキストが自動的に引き継がれるようになったという。

実験管理とモデルガバナンスにおける従来の課題

機械学習モデルの開発から本番運用への移行フェーズでは、役割の違いによるワークフローの分断が生じやすいとAWSは指摘している。データサイエンティストは、機械学習の実験追跡やログ収集を行うオープンソースツール「MLflow」を用いて多数の試行錯誤を追跡する。一方で、コンプライアンスや品質を統括するガバナンス担当者は、本番環境へデプロイされるモデルを厳格に検証・承認・監査するための一元的な台帳を必要とする。

Amazon SageMaker AIのマネージドMLflowには、以前から登録モデルを「SageMaker AI Model Registry」（モデルのバージョン管理や承認フローを一元管理する機能）へ自動同期する機能が備わっていた。しかし従来の同期では、トレーニング時のメトリクス（測定指標）や評価結果、モデルの生成過程を示すリネージ情報が連携されていなかったという。

このため、ガバナンス担当者はModel Registryの情報だけでは候補モデルの妥当性を評価できず、MLflowの画面に戻って確認したり、必要な情報を手作業で収集したりする必要があった。また、MLflowのワークフロー上からモデルのライフサイクルステージ（検証中から本番候補など）を昇格させることもできなかったため、本番候補モデルの信頼できる一元的な状態を維持することが組織的な課題となっていた。

強化された自動同期機能と連携される情報

今回の機能拡張により、MLflowとSageMaker AI Model Registry間の同期機能が大幅に充実した。データサイエンティストがMLflow上でモデルを登録すると、SageMaker AI Model Registry側に対応する「モデルパッケージグループ（Model Package Group）」および「モデルパッケージバージョン（Model Package version）」が自動的に作成される。

新しい同期処理では、モデルのバイナリだけでなく、以下の情報が自動的に引き継がれる仕様となっている。

• トレーニングメトリクス: モデル学習時に記録された各種パフォーマンス指標
• 評価結果・メトリクス: 検証データセット等に対する評価スコア
• 推論仕様: そのままデプロイ可能な形式の推論設定（Deployable inference specification）
• リネージ情報: MLflowの実行（Run）に関連付けられた完全な系統・履歴データ

さらに、MLflow側を起点としたライフサイクルステージの昇格（プロモーション）操作にも対応した。これにより、データサイエンティストは使い慣れたMLflowの実験ワークフローから離れることなく、モデルをステージングから本番環境の候補へと進めることができる。ガバナンス担当者側も、Model Registryに届いた時点で必要な検証情報やリネージがすべて揃っているため、即座にレビューや承認、監査の判断を行えるようになるとしている。

利用手順と権限設定

本機能はオプトイン（利用者が明示的に有効化する方式）で提供されており、デフォルト設定では無効となっている。

利用を開始するには、MLflowアプリケーションを新規作成または更新する際に、モデル登録モードを「AutoModelRegistrationEnabled」に設定する。あわせて、MLflowアプリケーションに割り当てる「AWS Identity and Access Management（IAM）」（AWSリソースへのアクセス権限を制御する仕組み）のサービスロールに対して、必要な権限を構成する必要がある。これにより、単一アカウント内であってもデータサイエンティストとガバナンス担当者の権限をIAMのガードレールによって適切に分離・管理できると説明されている。

今後の展開とサンプルコード

今回の発表は全2回で構成されるシリーズ記事の第1弾にあたる。第1回では単一のAWSアカウント内での仕組みとセットアップ手順が解説されており、続く第2回（Part 2）では、より大規模な組織や規制対象の業界に向けた、複数アカウントをまたぐクロスアカウントガバナンス構成について取り上げる予定だという。

なお、本機能の具体的な動作を確認できるJupyter Notebook形式の作業用ノートブックが、GitHubの公式リポジトリ（aws-samples/genai-ml-platform-examples）にて公開されている。