Amazon SageMaker | Amazon Web Services ブログ

生成 AI を活用してプレイヤーやプレスのゲームレビューを分析する

ゲーム開発者、ゲームスタジオ、パブリッシャーは、ゲームレビューの急激な増加と多様化によって、レビューの評価に大きな課題を抱えています。こういった変化に効率的に対処して最も重要な問題に注力できるよう、フィードバックを分類し優先順位付けする強固なシステムを開発者は必要としています。これは特に小規模なスタジオにとって課題となっており、限られたスタッフと財務リソースで大量のフィードバックを管理することに苦労しています。

この記事では、Amazon Bedrock を使用してゲームレビューのアップロード、処理、分析、要約を行うことができるサーバーレスソリューションの構築方法を説明します。この例ではゲームレビューに焦点を当てていますが、このアプローチは他の分野のレビューの分析と要約にも応用できます。

Amazon SageMaker Canvas で機械学習のためのデータ準備を加速する

データ準備はあらゆる機械学習 (ML) ワークフローにおいて重要なステップですが、多くの場合、面倒で時間のかか […]

Amazon SageMaker Canvas で構築された ML モデルを Amazon SageMaker リアルタイムエンドポイントにデプロイする

Amazon SageMaker Canvas では、機械学習 (ML) モデルのリアルタイム推論エンドポイン […]

追加学習なしの zero-shot で高精度な時系列予測 : Chronos-Bolt を AutoGluon で利用する

Chronos-Bolt は AutoGluon-TimeSeries の最新追加機能であり、元の Chronos モデルと比較して最大 250 倍高速に追加学習なしで高精度な予測を実現します。Chronos のような基盤モデルは、さまざまなドメインの時系列データを利用して単一のモデルを学習させるというアイデアをさらに大きく前進させました。これらのモデルは、膨大な時系列データで事前学習されています。学習データには実際のデータと合成データが含まれ、様々な分野、頻度、時系列の長さをカバーしています。その結果、追加学習なしの予測が可能となり、未知の時系列データセットに対しても正確な予測を提供します。時系列予測に取り組むハードルが低くなり、追加の学習なしで正確な予測が可能になるため、予測プロセス全体が大幅に簡素化されます。