Amazon Web Services ブログ
機械学習モデルで推論時の頻出課題と、Amazon SageMaker を用いた解決方法について解説する動画を公開しました！
「ML Max!」
ということで、今週も機械学習の価値を最大化するための解説動画、ML Enablement Series (※)の、
Amazon SageMaker 推論 Part1 推論の頻出課題とSageMakerによる解決方法【ML-Dark-03】【AWS Black Belt】
を公開しました。
※ 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て 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 Dark パートの 第 3 回目として、機械学習モデルで推論時の頻出課題と、Amazon SageMaker を用いた解決方法の解説をしています。
機械学習プロジェクトは作成した機械学習のモデルが使われる頻度、すなわち推論回数が多ければ多いほど成功したと言えますが、スケールするように実装するのは機械学習とは別のスキルが必要です。
また、スケールにあたって推論インフラのコストも増大しますし。推論のインフラを担当する MLOps エンジニアも不足しております。また、ビジネスやデータの変化で頻繁なモデルを更新しデプロイする必要があります。
他にも、推論モデルのユーザーのリクエストしたら推論結果を返して欲しいという要望や、エンジニアの学習モデルができたらよしなに推論して欲しいという要望があります。
Amazon SageMaker はこれらの課題と要望を解決するサービスであることを紹介しました。
動画内では、推論に求められる設計や、Amazon SageMaker で提供するリアルタイム推論や非同期推論やサーバーレス推論といった推論方式の解説なども交え、最後にデモを行っております。
MLOps エンジニアや ML エンジニアの皆様でモデルのデプロイにお困りの方はぜひご視聴いただければ幸いです。
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ソリューションアーキテクト秦が、本記事はソリューションアーキテクト呉が担当しています。
これまでの「ML Enablement Series」