Amazon Web Services ブログ
Category: Learning Levels
Amazon FSx for NetApp ONTAP を使用した SQL Server Always On Failover Cluster インスタンスの HA と DR の実装
このブログでは、高可用性と災害復旧の SQL Server Failover Cluster インスタンスアーキテクチャを設計する際の基準となるアーキテクチャパターンを説明します。Amazon FSx for NetApp ONTAP ファイルシステムの NetApp SnapMirror によるレプリケーション機能を活用して、2 つの AWS リージョンにまたがるデータレプリケーションを実現します。
AWS 上で Google Cloud ワークロード向けのディザスタリカバリサイト構築 (Part 2)
信頼性の高いワークロードを構築するための設計原則の 1 つは、復旧手順をテストすることです。トラディショナルな […]
AWS 上で Google Cloud ワークロード向けのディザスタリカバリサイト構築 (Part 1)
ディザスタリカバリ (DR) 戦略を有することはビジネスの継続性やお客様のワークロードのレジリエンスの面におい […]
ノーコード機械学習のAmazon SageMaker Canvas が40 を超えるデータソースからデータをインポートできるようになりました
本記事は Import data from over 40 data sources for no-code […]
アプリケーションのログファイルを第三者と安全に共有する方法
アプリケーションに障害が発生し、トラブルシューティングのためにインスタンスレベルのログデータを外部の組織に提供しなければならない場合、どうすればよいでしょうか。お客様は、アプリケーションログを継続的に収集して安全でコスト最適なストレージに保存し、SecOps チームによる管理と監査が容易な方法で、外部の関係者が安全に利用できるようにする必要があります。本ブログでは、社内システムで実行されているアプリケーションログを一元管理し、効率的に保存し、安全にアクセスするためのマネージドソリューションについて紹介します。
Amazon SageMaker、Amazon OpenSearch Service、Streamlit、LangChain を使った質問応答ボットの構築
エンタープライズ企業における生成系 AI と大規模言語モデル (LLM) の最も一般的な用途の 1 つは、企業の知識コーパスに基づいた質問応答です。Amazon Lex は AI ベースのチャットボットを構築するためのフレームワークを提供します。事前学習済みの基盤モデル (Foundation Models; FM) は、さまざまなトピックに関する要約・テキスト生成・質問応答などの自然言語理解 (NLU) タスクではうまく機能しますが、幻覚やハルシネーションと言われる不正確な情報を含まない回答を提供するのが難しい、もしくは、学習データに含まれない内容に関する質問へ回答することはできません。さらに、基盤モデルは特定の時点のデータをスナップショットとして使用してトレーニングされており、推論時に新しいデータにアクセスすることはできません。推論時に最新のデータにアクセスできない場合、不正確または不適切な応答を返す可能性があります。
Amazon Rekognition Face Liveness を使用してなりすましを検出し悪意ある攻撃を防ぐ
金融サービス、ギグエコノミー、通信業、ヘルスケア、SNS 事業者などのお客様は、オンライン・オンボーディングや […]
Comprehend フライホイールを使用したAmazon Comprehendカスタムモデルの継続的な学習の簡略化
翻訳はソリューションアーキテクトの濱野谷(@yoshiehm)が担当しました。原文はこちらです。 Amazon […]
Amazon OpenSearch Service にマルチテナント SaaS のデータを格納する
この記事は、AWS SaaS ファクトリーのマネージャー、パートナーソリューションアーキテクトの Madhuk […]
Stable Diffusion で画像の部分的な差し替えを行う環境を、 Amazon SageMaker JumpStart で簡単に構築する
2022 年 11 月、AWS のお客様が Amazon SageMaker JumpStart を使用して Stable Diffusion モデルでテキストから画像を生成できることを発表しました。本日、Stable Diffusion モデルで画像をインペイントすることができる新機能をご紹介します。本記事でのインペイントとは、テキストによる指示に基づいて、画像の一部を別の画像に置き換えるプロセスを指します。オリジナル画像、置き換えられる部分の輪郭を示すマスク画像、およびテキストプロンプトを提供することで、Stable Diffusion モデルは、マスクされた領域をテキストプロンプトに記述されたオブジェクト、被写体、または風景に置き換える新しい画像を作成することができます。
インペインティングを利用することで、劣化した画像の修復や、画像の一部だけ新しい画像やスタイルに差し替えたりすることができます。写真やイラストの一部を修正したり、モデルの服装のデザインを複数パターン作成しアイデア出しに使ったりすることが可能です。
この記事では、SageMaker JumpStart から Stable Diffusion のモデルを使いインペイントを行う方法について、Amazon SageMaker Studio の画面から行う方法と、 SageMaker Python SDK から行う方法の2つを解説します。