AWS、MLflowとSageMaker AI Model Registryによる複数アカウント向けモデル統制手法を解説

要点

• AWSは、Amazon SageMaker AI上のマネージドMLflowとModel Registryを連携させ、複数アカウント環境で機械学習モデルを管理・統制する手法を公開した。

• 組織のセキュリティや運用方針に応じて選べる「ハブ＆スポーク型」と「ハイブリッド型」の2つのアーキテクチャパターンが示された。

• 運用に関わる役割として、データサイエンティストとガバナンス責任者に加え、管理者とモデルオーナーを含む4つのペルソナが定義されている。

• 承認されたモデルをCI/CDで本番環境へ安全にデプロイする流れが網羅され、再現用のCloudFormationテンプレートやサンプルコードも提供されている。

• 米アマゾン・ウェブ・サービス（AWS）は現地時間2026年9月8日、公式MLブログにおいて、機械学習プラットフォーム「Amazon SageMaker AI」と機械学習管理ツール「MLflow」を連携させたクロスアカウントのモデルガバナンスに関する解説記事（Part 2）を公開した。

• 本記事では、開発環境と本番環境がAWSアカウント単位で分離された大規模組織や規制環境を対象に、モデルの同期・承認・デプロイを安全に実施するための2つのアーキテクチャと運用フローが提示されている。

単一アカウントから複数アカウント環境へのガバナンス拡張

記事の冒頭では、先行して公開されたPart 1の内容を踏まえつつ、複数アカウントによる統制が必要となる背景が説明されている。
Part 1では、Amazon SageMaker AI上で提供されるマネージドMLflow（機械学習の実験やモデルを管理するオープンソースソフトウェア）に登録されたモデルを、SageMaker AI Model Registry（モデルのバージョン管理や承認状態を一元管理する機能）へ自動同期する手法が解説されていた。そこではAWS Identity and Access Management（IAM）の条件キーを用い、単一アカウント内でデータサイエンティストとガバナンス責任者の権限を分離する構成が紹介されていた。

しかし、エンタープライズなどの大規模組織では、開発環境と本番環境がアカウントレベルで明確に分離されているのが一般的である。複数の開発アカウントが存在する一方でガバナンス機能は中央に集約されており、さらに厳格な規制環境では「開発環境から本番グレードのアカウントへの書き込みを禁止する」という要件が課されることが多い。今回の記事は、こうした実環境の要件を満たすため、単一アカウント向けの構成要素をマルチアカウント環境へ拡張した内容となっている。

組織要件に応じた2つのクロスアカウント構成

本記事では、クロスアカウント環境におけるモデルガバナンスの構成パターン（トポロジー）として、以下の2種類が紹介されている。

1つ目は、中央集権的な統制を行う「ハブ＆スポーク型（Hub-and-spoke pattern）」である。この構成では、AWS Resource Access Manager（AWS RAM：アカウント間でリソースを安全に共有するサービス）を活用し、中央の1つのMLflowアプリケーションを複数の開発（スポーク）アカウント間で共有する。これにより、モデルガバナンスを中央ハブに集約できるという。

2つ目は、規制環境向けの「ハイブリッド型（Hybrid pattern）」である。このパターンでは、開発アカウントを中央のガバナンスハブから完全に隔離した状態に保つ。開発環境からの直接的な書き込みを防ぎながら、安全にモデルを管理できる設計となっている。

記事内では、いずれの構成においても、Model Registryで承認されたモデルがCI/CD（継続的インテグレーション／継続的デリバリー）パイプラインを通じてデプロイ済みエンドポイントへと移行する流れが示されている。また、組織が要件に合った適切なパターンを選択できるよう、両構成の比較も行われている。

ワークフローを支える4つの役割定義

クロスアカウントでの運用を整理するため、記事中では4つの担当者（ペルソナ）とそれぞれのワークフローが定義されている。

• データサイエンティスト: Jupyterノートブック上で作業を行い、MLflowのインターフェース操作のみを担当する。
• ガバナンスオフィサー（ガバナンス責任者）: Amazon SageMaker StudioのModels UIを利用し、登録されたモデルの審査や承認を行う。
• 管理者: 今回新たに追加された役割。AWS RAMの共有設定やAmazon S3のバケットポリシー設定など、クロスアカウントの初期環境構築をコンソールやCLIから一度だけ行う。
• モデルオーナー: ハイブリッド構成において、モデルが中央ハブへ昇格される前に、各開発アカウント内でローカルにモデルの承認を行う。

前提条件と環境構築

このガバナンス構成を実践するための前提条件や環境構築手順も詳述されている。
前提として、Part 1で解説されたモデルの自動登録機能やライフサイクルステージング、IAM条件キーによる制御の理解が求められる。
検証環境としては、開発用（spoke）とガバナンス用（hub）の2つのAWSアカウントが必要であり、それぞれのAWS CLIプロファイル（mlops-spokeおよびmlops-hubなど）を用意する。

さらに、環境構築を容易にするため、AWS CloudFormation（インフラをコードで自動構築するサービス）のテンプレート（cfn/sagemaker-studio-mlflow.yaml）が提供されている。これを各アカウントにデプロイすることで、SageMaker AI Studioドメイン、ユーザープロファイル、実行ロール、およびAutoModelRegistrationEnabledが有効化されたマネージドMLflowアプリケーションが作成される。GitHubのサンプルリポジトリ（aws-samples/genai-ml-platform-examples）には、一連の検証を行えるJupyterノートブックも公開されている。