スペインの銀行BBVAが、分析・データ・AI基盤「ADA」をAmazon SageMaker上で刷新し、モデルの学習から本番展開までを標準化・自動化するMLOps体制を7カ国規模で構築したことをAWSが公開した。
スペインの銀行BBVAが、分析・データ・AI基盤「ADA」をAmazon SageMaker上で刷新し、機械学習の開発・運用（MLOps）を工業化したことをAWSが公開した。ADAは7カ国のデータサイエンティストに開発環境・共有データ・本番展開機能を提供する全社基盤である。
刷新の核心は、カタログからテンプレートを選ぶとプロジェクトが作られ、専用のGitHubリポジトリと標準コード雛形が自動生成される点にある。モデルには説明・業務責任者・重要度などの規制メタデータを登録し、SageMaker Model Registryに記録する。本番展開は手動リリースを経て推論パイプラインのみを配置し、承認・監査の流れを自動化した。従来は共有ブランチに統合しないと変更を検証できず摩擦が生じ、統合のたびに連番の使い捨てパイプラインが増殖していた。これをプルリクエストごとに使い捨ての一時検証環境を自動生成する設計で解いた。
統制・リスク管理・監査対応の高い基準を保ちながらMLを全社拡張した実例であり、規制対応と拡張性を両立したい国内金融・大企業の参照になる。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
ADAは7カ国のデータサイエンティストに開発環境・共有データ・本番展開機能を提供する全社基盤である。利用が広がりユースケースが多様化するにつれ、部門ごとに再利用しやすい柔軟な機械学習の処理手順（パイプライン）と、より速い試行・展開が求められるようになった。従来は共有ブランチにコードを統合してからでないと変更を検証できず、開発の摩擦が生じていた。加えて、統合のたびに連番の使い捨てパイプラインが増殖し、非効率と管理リスクを招いていた。金融機関ゆえに統制（ガバナンス）・リスク管理・監査対応の高い基準を維持する必要もあった。
規制の厳しい大手銀行が、SageMakerを用いて統制を保ちながら機械学習を全社規模で工業化した具体例である。プロジェクト単位でリポジトリと承認・監査の流れを自動生成し、一時的な検証環境を使い分ける設計は、同様に規制対応と拡張性を両立させたい企業の参照になる。単発の実験ではなく、複数国・複数部門にまたがる標準化された運用体制を示している点が実務的な意義を持つ。
スペインの銀行BBVAは、自社の分析・データ・AI基盤「ADA」を進化させ、AWSと共同で機械学習の開発・運用（MLOps）を刷新した。ADAは7カ国のデータサイエンティストに、開発環境・共有データ・本番展開機能を提供する全社基盤である。刷新の土台はAmazon SageMakerで、モデルの学習・一括推論（まとめて推論をかける処理）・監視のパイプライン（一連の処理手順）を組み立てられるようにした。
Learn how BBVA leverages AWS technologies that provide the technical foundation while supporting the bank's high standards for governance, risk management and auditability.
この一文の要点は、統制（ガバナンス）・リスク管理・監査対応という金融機関の高い基準を保ったまま、技術基盤を用意した点にある。単発の実験ではなく、複数国・複数部門にまたがる標準化された運用体制を示しているところが、この事例の実務的な意義である。
刷新の核心は、開発を「型」から始められるようにしたことである。カタログからテンプレートを選ぶとプロジェクトが作られ、専用のGitHubリポジトリと標準コードの雛形が自動生成される。開発者は空のリポジトリからではなく、標準化された土台の上で作業を始められる。
モデルには、説明・業務責任者・重要度などの規制対応メタデータを登録し、モデル登録簿（SageMaker Model Registry＝どのモデルをどの目的で使っているかを記録する台帳）に記録する。本番展開は手動リリースを経てから推論パイプラインのみを配置し、承認・監査の流れを自動化した。
従来は、共有ブランチにコードを統合してからでないと変更を検証できず、開発に摩擦が生じていた。加えて統合のたびに連番の使い捨てパイプラインが増殖し、非効率と管理リスクを招いていた。これを解くために、プルリクエスト（変更の取り込み依頼）ごとに使い捨ての一時検証環境を自動生成し、統合前に新機能を試せるようにした。検証が終われば環境は破棄されるため、連番パイプラインの増殖を避けられる。
この事例が効くのは、規制の厳しい業界でMLを全社規模に広げたい組織である。国内金融・大企業のML責任者は、統制・監査を保ちながら拡張する設計を、AWS公式ブログで具体的に参照できる。ゼロから運用の型を設計する負担が減る点が実利になる。
BBVAのデータサイエンティストは、テンプレート選択でプロジェクトとリポジトリが自動生成され、プルリクエストごとに検証環境が用意されるため、共有ブランチ統合前に検証できるようになった。試行と展開の速度が上がる。
一方、統合のたびに連番の使い捨てパイプラインを積み増してきた運用チームにとっては、その方式が非効率と管理リスクを招くと明示された。標準化・自動生成された方式との差が可視化された形になる。
立場別、明日から動ける一手。
SageMaker Model Registryに何のメタデータ（モデルの説明・業務責任者・重要度）を登録すれば自社の監査要件を満たせるかを、AWS公式ブログの記述と照らして確認する。
プルリクエストごとの使い捨て検証環境と本番の手動リリースを分ける運用が、自社の承認・監査フローで削減できる工程を定義する。
テンプレートからプロジェクト・GitHubリポジトリ・標準コード雛形を自動生成する仕組みを、1つのユースケースでSageMaker上に試す。
本トピックに関する検証済みのX投稿は確認できなかった。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
『Come say hi and let's chat about how our tool can help you better understand your pretraining data! Hall A #900 #ICML2026』
取得できた投稿はICML2026会場での事前学習データ解析ツールの案内（『Come say hi and let's chat about how our tool can help you better understand your pretraining data! Hall A #900 #ICML2026』）で、BBVAのMLOps事例とは異なる文脈のため反応データとしては扱わない。現時点でこの事例に対するSNS上の目立った議論は観測されていない。
※トレンド検出時刻付近の人気投稿を表示
