Amazon Web Services ブログ
Category: Artificial Intelligence
Amazon SageMaker Ground Truth と Databricks MLflow を用いた MLOps 感情分析パイプラインの構築
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。
動的なサプライチェーンプラットフォームを構築する方法: 入門書
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 […]
【Amazon Game Tech Night】ゲーム開発に新しい付加価値を与える:ゲーム業界向け機械学習最新状況アップデート (2022/03/15)
こんにちは、アマゾンウェブサービスジャパン合同会社 ソリューションアーキテクトの岩井泰児です。 2022年3月 […]
ドキュメントの要約を Hugging Face on Amazon SageMaker で民主化する
ドキュメントの要約は、M&E 業界における重要なユースケースの一例です。記事の見出しの作成からプッシュ通知用の短文要約の作成まで、自動化された文書要約ソリューションは、コンテンツプロバイダーが消費者とより効果的にエンゲージメントを築くのに役立ちます。従来、要約作業は手作業で行われていました。しかし、特に最近のユーザー作成コンテンツの爆発的な増加により、それは必ずしも実用的ではありません。最新の自然言語生成(NLG)モデルは、高品質の文書要約を自動生成することができます。そして、 Amazon Web Services(AWS)パートナーからのソリューションは、これらのモデルの使用を容易にします。AWS パートナーである Hugging Face 社の Transformers ライブラリと Amazon SageMaker – ML を併用すれば、すべてのデータサイエンティストと開発者が、これらのモデルをこれまで以上に簡単に利用できるようになります。このブログ記事では、Amazon SageMaker を使用して、Hugging Face ライブラリを使用した最先端の文書要約ソリューションをデプロイする方法について説明します。
ジオテクノロジーズ株式会社の位置情報データレイクにおけるAWSの活用
こんにちは、ソリューションアーキテクトの齋藤です。本稿では、ジオテクノロジーズ株式会社 デジタル本部 ビッグデ […]
Media2Cloud 3.0 でメディアインテリジェンスがよりスマートに
本投稿では、Media2Cloud 3.0 の公式リリースについてお知らせします。このリリースにより、AWS […]
マルチテナント型 SaaS アプリケーションのための Amazon Forecast の構成
この記事では、AWS Identity and Access Management (IAM) のAttribute Based Access Control (ABAC) を使用してテナントの分離を提供し、マルチテナントの SaaS アプリケーション内で Forecast を使用する方法を解説しています。
Amazon SageMaker におけるカスタムコンテナ実装パターン詳説 〜学習編〜
みなさんこんにちは、AWS Japanのソリューションアーキテクトの辻です。このブログでは、Amazon Sa […]
多くのワインを売り、多くのペットに食べ物をやり、多くの顧客に影響を与える: JBS ソリューションと AWS が実現する新しい小売の世界
パンデミックが始まって以来、小売業の顧客の購買習慣は劇的に変化し、後戻りすることはありません。オンラインショッ […]
MLaaS (Machine Learning as a Service) のためのマルチテナント機械学習構築環境を Amazon SageMaker Pipelines で実装する
近年、自社で保有するデータだけでなく、外部や第三者のデータを使って機械学習(ML)モデルを構築する企業が増えています。そして学習させたモデルを外部の顧客に提供することで収益源とするビジネスモデルを構築することができます。
この記事では、Amazon SageMaker Pipelinesが、Machine Learning as a Service (MLaaS) / Software as a Service (SaaS) アプリケーションにおけるデータの前処理、そして機械学習モデルの構築、訓練、チューニング、登録にどのように役立つかを紹介します。特にテナント分離とコスト配分に焦点を当て、テナント固有のMLモデルを構築するためのベストプラクティスを紹介します。