Amazon Web Services ブログ
Amazon SageMakerによる実験管理について解説する動画を公開しました！
2022/06/08より、機械学習モデル開発プロジェクトの進め方を解説する「ML Enablement Series」がAWS Black Belt オンラインセミナーにて始まりました。
今回は Dark パートの第２回目となる、「Amazon SageMakerによる実験管理」の動画公開を皆様にお知らせします。以下で、本動画の簡単な解説を記載します。
※ ML Enablement Series とは、機械学習プロダクトにかかわる全ての人向けの機械学習の知識をお届けする Light パートと、機械学習のマネージドサービスを活用した MLOps を推進したいエンジニア向けの Dark パート から構成されており、週１回を目安に Light と Dark を交互に配信中
今回は、データサイエンティストにとっても、MLOps エンジニアにとっても重要な実験管理をテーマにしております。モデル構築のフェーズでは、アルゴリズムの選択やパラメータの試行錯誤やデータの見直しなど様々取り組むタスクがあり、開発中は実験そのものに主眼が置かれることが多いかと思います。
こういった場合、実験管理が疎かになってしまうことはないでしょうか？
しかし、この実験管理が徹底できていないことは、モデルの開発のみならず運用に至るまで影響を受けてしまうことが想定されます。
例えば、納得のいくモデル開発はできたが実験記録が適切に行えていなかった場合、異なる環境でエラーが発生して動作しないことや、想定していた精度が出ないといった再現性が失われることも考えられます。
とはいえ、「できる限り時間をかけずに実験管理を行いたい！」と考える方も少なくないかと思います。そこで本動画では、実験管理の必要性についてお話しすることはもちろん、 既に Amazon SageMaker でご用意している機能やソリューションで実現する管理方法についても解説しております。以下のような流れでご説明しておりますので、是非この機会に動画をご覧いただき、より良い実験管理に取り組んでみてはいかがでしょうか。
[ Amazon SageMaker による実験管理]
1. なぜ実験管理が必要なのか
2. 再現性のためのソリューション
3. 振り返りのためのソリューション
今回の 動画 は AWS BlackBelt オンライン ML Enablement シリーズのYouTubeの再生リストに追加しています。こちらもご利用ください。
AWS Black Belt Online Seminar 全体の資料はこちらにあります
プレゼンテーション作成およびスピーカーは機械学習ソリューションアーキテクトの伊藤が、本記事はソリューションアーキテクトの澤が担当しています。
これまでの「ML Enablement Series」