Category: Artificial Intelligence

この記事は、“Create and manage Amazon EMR Clusters from SageMaker Studio to run interactive Spark and ML workloads – Part 2” を翻訳したものです。 本連載のPart 1 では、シングルアカウントで Amazon SageMaker Studio から Amazon EMR クラスタを作成、接続、停止、デバッグする方法をステップバイステップで説明しました。 この記事では、同じ機能をエンタープライズ規模にも対応するためにマルチアカウントセットアップで使用する方法について DiveDeep します。AWS Well-Architected Framework で説明されているように、アカウント間でワークロードを分離することで、環境を分離しながら共通のガードレールを設定することができます。これは、プロジェクトやチーム間のコストの管理を簡素化するだけでなく、特定のセキュリティ要件にも有用です。

この記事は、“Create and manage Amazon EMR Clusters from SageMaker Studio to run interactive Spark and ML workloads – Part 1” を翻訳したものです。 Amazon SageMaker Studio は、機械学習のための初の完全統合開発環境（IDE）です。データの準備、モデルの構築、学習、デプロイに必要なすべての ML 開発ステップを実行できる、単一の Web ベースのビジュアルインターフェイスを提供します。先日、Studio ノートブックから Amazon EMR クラスタを視覚的に閲覧し、接続する機能を導入しました。詳細はこちらをご覧ください。米国時間 2021 年 12 月 1 日より、Amazon EMR 上で実行されている Spark ジョブを、Studio ノートブックからワンクリックで監視およびデバッグできるようになりました。さらに、Amazon SageMaker Studio から直接 EMR クラスタを検出、接続、作成、停止、管理できるようになりました。 この2部構成の記事で、新しく導入されたこれらの機能のデモを行います。

AWS Week in Review はシリーズとして、毎週 AWS からの興味深いニュースやお知らせをダイジェストでお伝えします！ 新たな 1 週間が始まりましたね。こちらでは、過去 7 日間で最も重要な AWS ニュースをまとめました。今週は CloudFront Functions が 1 周年を迎えます。この最初の 1 年間でお客様が構築したものを目にするのが待ちきれません。 2022 年 5 月 2 日週のリリース: 先週のリリースのうち、私が注目したいくつかのリリースを以下に記載しました。

AWS Week in Review はシリーズとして、毎週 AWS からの興味深いニュースやお知らせをダイジェストでお伝えします！ AWS では新しいリリースやアップデートが急増し、対面式の AWS Summit やその他のイベントが本格的に行われています。2 週間前、サンフランシスコの AWS Summit がありました。先週、ロンドン AWS Summit と EMEA での .NET Enterprise Developer Day バーチャルイベントを開催しました。今週は マドリッド AWS Summit があり、今後数週間でさらに多くの AWS Summit やイベントが開催されます。概要と登録リンクについては、この投稿の最後にあるイベントセクションを確認してください。 2022 年 4 月 25 日週のリリース: 先週のリリースのうち、私が注目したいくつかのリリースを以下に記載しました。

今回のブログでは、 AWS ジャパン・パブリックセクターより、「AWS のビルディング・ブロックを用いて、農業生産性を著しく向上させている事例」について紹介します。ご不明の点、「Contact Us」までお問合せください。（以下、「Improving the Sustainability of Crop Farming Using a Data-driven Approach」と題された投稿の翻訳となります。）

2021 年 12 月、Amazon SageMaker の新しいオプションとして Amazon SageMaker Serverless Inference (プレビュー中) を導入しました。これにより、基盤となるインフラストラクチャを設定または管理しなくても、推論用の機械学習 (ML) モデルをデプロイできるようになりました。2022 年4 月 21 日（米国時間）、Amazon SageMaker Serverless Inference が一般公開 (GA) になったことをお知らせいたします。

2022 年 4 月 21 日（米国時間）、Amazon DevOps Guru の新機能である Amazon DevOps Guru for Serverless を発表しました。これにより、デベロッパーはサーバーレスアプリケーションの運用パフォーマンスと可用性を向上させることができます。 AWS は 2014 年に AWS Lambda の提供を開始し、サーバーレスコンピューティングの分野を開拓しました。今日、何十万ものお客様が AWS Lambda を利用しています。Lambda では、メモリの割り当て、プロビジョニングされる同時実行数、タイムアウトなど、関数用に多くのパラメータを設定できます。多くのお客様にとって、関数のパフォーマンスと可用性を最適化するために、これらすべてのパラメータの適切なバランスを見つけることは困難です。

この記事は、”Automatically detect sports highlights in video with Amazon SageMaker” を翻訳したものです。 動画からハイライトを抽出するのは、時間がかかり、複雑なプロセスです。この記事では、機械学習（ML）ソリューションを使用して、オリジナルの動画コンテンツからハイライト動画を自動的に作成する、スポーツイベントのインスタントリプレイに関する新たな取り組みを紹介します。ハイライト動画はダウンロード可能で、ユーザーが Web アプリで継続して視聴することができます。 Amazon SageMaker を使用して、ノーカットのスポーツ動画 (今回はサッカーの試合) を分析し、元の動画のハイライト (ペナルティキック) であるセグメントにタグを付けます。また、適当な学習データが利用できる場合に、他のスポーツだけでなく、別のタイプの動画にも、このエンドツーエンドのアーキテクチャを適用する方法について紹介します。

より深いインサイトを得るために機械学習（ML）を導入する企業が増える中、ラベリングとライフサイクル管理という2つの重要な課題に直面しています。ラベリングとは、データを確認し、ML モデルがそこから学習できるようにラベルを追加して、データのコンテキストを提供することです。ラベルとは、音声ファイルの文字起こし、写真内の車の位置、または MRI 画像内の臓器の箇所などが該当します。データのラベリングは、ML モデルがデータに対してうまく動作するようにするために必要です。ライフサイクル管理は、ML 実験のセットアップと、結果を得るために使用したデータセット、ライブラリ、バージョン、モデルを文書化するプロセスなどに関係するものです。あるチームは、1つのアプローチに落ち着くまでに何百もの実験を行うかもしれません。その実験の要素を記録しておかないと、過去のアプローチに立ち戻って再現するのは難しいでしょう。

ダイナミックかつ急速に変化する世界で消費者のニーズを満たすために、組織は先を見越しつつリアルタイムに対応できるサプライチェーンプラットフォームを確立する必要があります。モノのインターネット（IoT）、人工知能と機械学習（AI / ML）、クラウドベースのプラットフォームなどの急速な技術開発による進化を活用することで、サプライチェーン全体でデータを捉え、人の介入を最小限に抑えて自動制御でイベントに対応できるスケーラブルなグローバルプラットフォームを構築できます。 このブログシリーズの 1 本目では、AWS がこれらの技術を用いいかにして、顧客のサプライチェーンにおける課題解決を支援をしているか紹介します。まずは図 1 に示すような動的なサプライチェーンを構築するために必要とされる、基本的な構成要素に焦点を当てます。これにより、混乱や無駄を最小限に抑え、顧客の SLA コンプライアンスを保証します。今後のブログでは、より具体的なユースケースとソリューションについて詳しく解説していく予定です。