Amazon Web Services ブログ
Category: Amazon SageMaker Ground Truth
【寄稿】 AWSを活用したブルーカーボン事業の取り組み
この投稿は株式会社 Insight Edge の Lead DataScientist 羽合佳範 氏、 Lea […]
Amazon SageMaker オブジェクト検出モデルのトレーニングと AWS IoT Greengrass での実行 – パート 3/3: エッジへのデプロイ
このブログは、AWS ソリューション アーキテクチャの R&D およびイノベーション チームのシニア […]
AWS IoT Core を使用して持続可能な廃棄物管理の効率を向上させる
この記事は Satish Mane とManish Dhawaria によって書かれた Drive effic […]
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。
Amazon SageMaker で DICOM イメージのアノテーションとMONAI フレームワークを使用した機械学習モデルを構築する
この記事は、“Annotate DICOM images and build an ML model usin […]
Amazon SageMaker Ground Truthを利用した動画ラベリングとAmazon Rekognition Custom Labelsへのインポート
「Amazon Rekognition Custom Labelsを利用した動物の特徴的な行動検出」にて、行動 […]
[詳解] Amazon Rekognition Custom Labels で特定の動作を認識する機械学習モデルを作る
このブログは、AWS ブログ「Amazon Rekognition Custom Labelsを利用した動物の […]
【開催報告】AWS AI/ML@Tokyo #2 ~エンタプライズ企業におけるAmazon SageMakerの活用~
アマゾン ウェブ サービス ジャパン株式会社の帆足 (Twitter: @hoahoa) です。AWS Jap […]
【開催報告】第9回Amazon SageMaker 事例祭り
アマゾン ウェブ サービス ジャパン株式会社 機械学習ソリューションアーキテクトの上総 (Twitter:@t […]