Amazon Web Services ブログ

COVID-19は、私たちの働き方や学び方など、私たちの生活のほぼすべての側面に影響を与えています。多くの従業員と学生は過去に在宅勤務を経験していないため、在宅中は家族の時間を増やすなどのメリットがあるかもしれませんが、テクノロジー、環境、エチケットのベストプラクティスに注意を払い、最良の結果を得ることが重要です。フルタイムで在宅勤務をしている私として、今日皆さんと共有するいくつかのベストプラクティスを学びました。私は定常的に仕事でAmazon Chimeを使用しているため、これらのベストプラクティスとサービスの機能を組み合わせて、リモートで作業するときに生産性を維持する方法についても併せて説明します。たとえば、対面していなくても、チームや顧客とのつながりを感じるにはビデオが非常に役立ちます。 ベストプラクティスについて詳しく見ていきましょう。 リモートワーク環境のセットアップ 自宅の快適で静かな場所にワークスペースをセットアップするために、少し時間をかけることをお勧めします。キッチンのテーブルでラップトップを開いて仕事を始めるのは問題ないと思いますし、最初はそうでした。多くの気晴らしを除いて、これは、あなたとあなたの中で行われているアクションとの間にしっかりした障壁を提供しません。ワークスペースを設置するための専用の部屋がない場合は、気を散らさないようにできる場所を探してください。選択の余地がある場合は、音の反響が抑制されるカーペットが最適です。 適切な照明を確保し、邪魔にならない背景を選びます 背景、照明、および周囲もビデオ会議にとって重要です。窓のように背後に明るい光源を置かないようにしてください。これにより、ウェブカメラが背後の光に順応し、顔が暗くなります。壁が後ろにあるものも重要です。ニュートラルな色で、気を散らすものは何もないことが最善です。 ウェブカメラまたは内蔵カメラを正しく配置します 顔はフレームの中央に配置する必要があります。近すぎたり遠すぎたりせずに、すべての側面に少し余裕を持たせると見栄えが良くなります。また、カメラは顔の真上または真下ではなく、まっすぐに配置する必要があります。 適切なテクノロジーツールの選択 オーディオとビデオの品質を大幅に改善するために実行できる手順があります。ヘッドセット、外部Webカメラを使用し、インターネット接続がリモートでの作業に十分対応できる堅牢性を確保するには、いくつかの方法があります。 高品質のヘッドセットを使用する 優れたヘッドセットを使用することにはいくつかの利点があります。まず、マイクがスピーカーからオーディオをキャプチャしてループを作成するときに発生するエコーの可能性を減らします。Amazon Chimeは組み込みのエコーキャンセレーションを使用しますが、極端な場合でもプレゼンターの声はまだ歪む可能性があります。ただし、「遠く」からの音がヘッドセットスピーカーの耳に含まれている場合、マイクがその音声を聞いてループを形成するのがはるかに難しくなります。エコーを制限することに加えて、マイクを口に近づけることで、会議で聞こえるバックグラウンドノイズが減少します。Amazon Chimeを使用すると、会議中に好みのオーディオデバイスを組み込みのマイクとスピーカーからヘッドセットに簡単に変更できます。Amazon Chime デバイス認定ページにお勧めデバイスの一覧があります。 外部Webカメラの使用 ラップトップに組み込まれたカメラには、さまざまな解像度と品質があります。外部Webカメラの利点の1つは、顔の前に向けられ、フレーム内の中央に配置される位置に物理的に配置できることです。内蔵のラップトップカメラでは、ビューが鼻の下にある可能性があり、角度が原因で気が散ることもあります。720pまたは1080p HDウェブカメラで最高の結果が得られます。可能であれば、顔を照らすライトを使用すると、顔がよりはっきり見えます。Amazon Chimeでは、最大16人の参加者をビデオに参加させることができ、参加者は通話中にいつでもビデオをオンにすることができます。 良いインターネット接続 仕事に使用するビデオ会議やその他のリアルタイムの帯域幅集中型プログラムは、インターネット接続に負担をかける可能性があります。考えるべきことは、作業中にインターネット帯域幅を誰がどのように使用しているかです。たとえば、あなたの家の他の人々も、大きな帯域幅が必要となる作業、ストリーミング、またはゲームを家で消費している可能性があります。特に通常より多くのユーザーがVPN接続を使用している場合は、会社のネットワークに戻るVPN接続がボトルネックになることがあります。VPNから切断して、サービスで許可されている場合は、会議ソフトウェアを再試行してください。Amazon Chimeには「赤いマイク」と呼ばれる機能があり、ネットワーク帯域幅に問題がある場合に視覚的に表示されます。会議中にこれが発生した場合は、電話でダイヤルインして、インターネット接続でオーディオがストリーミングされないようにしてください。 事前に機器、ソフトウェア、接続、オーディオ、ビデオ、照明をテストします テストは重要であり、問​​題が発生した場合のトラブルシューティングを行う時間を提供します。可能であれば、オーディオとビデオをオンにして同僚との短い会議を設定します。お持ちの会議ソフトウェアで録音が許可されている場合（Amazon Chimeでの方法はこちら）、その機能をオンにして品質を確認することができます。Amazon Chimeには画面共有機能があり、モバイル、Mac、PCのアプリもあります。AWSアカウントやクライアントアプリケーションがなくても、他のユーザーがAmazon Chimeを使用できるウェブアプリもあります。Outlook用Amazon Chimeアドインを利用して、シングルクリックで会議をスケジュールします。自動通話機能を使用すると、会議室にいなくても会議を予定どおりに開始できます。 ミーティングのエチケットを覚えておく 環境とテクノロジーを最適化することで、会議の質を向上させることができますが、在宅勤務中に会議を成功させるには、他にもいくつかすべきことがあります。 話していないときにマイクをミュートする これは単純のように見えますが、忘れがちです。Amazon Chimeを使用している場合は、すべての参加者、オーディオを介してどのように接続されているか、ミュートされているかミュートされていないかを示す「ビジュアル名簿」があります。また、ミュートが解除されている間に誰かが騒いでいる場合、どの参加者から妨害が発生しているかを確認できるため、会議の誰もが一時的にミュートできます。これは、会議のサイズが直接のチームだけを超えて大きくなる場合に特に役立ちます。エコーや犬の吠え声などの妨害をすばやく排除できると、会議の焦点を維持するのに役立ちます。 ビデオの邪魔にならないように配慮する カメラを使用している場合は、発表者や出席者の注意をそらすようなことはしないようにしてください。たとえば、食事をしたり、携帯電話に応答したり、ペットと遊んだりしたりすることです。このような場合は、ビデオをオフにして、会議の焦点を絞ることをお勧めします。Amazon Chimeでは、（イベントモードを使用していない限り）すべてのユーザーがいつでもビデオをオン/オフにすることができます。 コンテンツをリモート表示用に最適化する 他のユーザーがプレゼンテーションを電話、タブレット、または小さなコンピューター画面で表示している可能性があるため、フォントが読みやすい大きさであることを確認してください。良い基準点は、24ptフォントの上に留まり、テキストに暗い色を使用することです。ビデオクリップの再生はリモート会議ではうまく機能しないため、個別に表示するためにリンクを送信することをお勧めします。Amazon Chimeを使用すると、画面または画面上の特定のウィンドウだけを会議の他のすべての参加者と簡単に共有できます。プレゼンターを変更しても、会議の主催者が介入する必要がないため、時間を節約できます。 聞こえるようにはっきりと大声で話す オーディオをキャプチャして再生すると、ある程度の音が失われます。この喪失を軽減するために、話し方を意識することで、会議で他の人に対するあなたの言葉の理解に違いをもたらすことができます。すべてのAmazon Chimeミーティング内で誰がビジュアル名簿で話しているかを示すインジケーターがあります。 避けられない注意散漫を受け入れる 多くの学校が閉鎖されているため、自宅にいるのは同僚だけではありません。気晴らしがあり、ストレスレベルが通常よりも少し高くなる可能性があることを理解して受け入れることも大切です。 結論 新しい作業環境に慣れることは、最初は大変ですが、快適になればそれが当たり前になります。物理的にも仮想的にも境界を設定することを忘れないでください。オフィスで行うような自然な境界はありません。あなたの労働時間を確立し、同僚、上司、そして重要なことにあなたの家族と一緒にそれらに固執するために最善を尽くしてください！ リソース：お客様は、Amazon Chime ウェブサイトで詳細を確認し、組織向けのAmazon Chime（セットアップ手順またはビデオ）を入手できます。こちらの資料もChimeをご理解いただくのに役に立ちます。 最近のアップデート: 2020年3月30日 Amazon Chimeは最大250名のビデオ会議に対応しました。これにより大規模な会議も実施が出来るようになりました。こちらから、無料でお試しができます。 – […]

 顧客がクラウドサービスの使用を拡大するにつれて、多くの場合、セキュリティとコンプライアンスのプロセスを既存のエンタープライズ要件に合わせる必要があります。オンプレミスストレージとクラウドストレージの両方を含むハイブリッドクラウドストレージ環境では、顧客がデータに関連するユーザーアクティビティをモニタリングするのが困難な場合があります。これは、特にデータがオンプレミスのデータセンターからクラウドに移動する場合に当てはまります。多くのお客様の場合、必ずオンプレミスのままでアプリケーションをサポートするためのハイブリッドストレージ要件があるので、File Gateway は無制限のクラウドストレージへのオンプレミスアクセスを提供します。 File Gateway は、オンプレミスアプリケーションに、標準の SMB および NFS ストレージプロトコルを使用して、クラウドストレージへのファイルベースのキャッシュアクセスを事実上無制限で提供します。File Gateway は、Amazon Simple Storage Service (Amazon S3) オブジェクトストレージへのファイルプロトコルアクセスを必要とするオンプレミスおよび Amazon EC2 ベースのアプリケーションで使用できます。本日、AWS Storage Gateway が File Gateway を使用するときに SMB ファイル共有のファイルとフォルダに関するエンドユーザーの操作ログを記録できるようになったと発表しました。このブログ投稿では、File Gateway 監査ログがモニタリングとコンプライアンスにどのように役立つか、および監査ログがユーザーアクセスの洞察を得るためにどのように役立つかについて説明します。さらに、File Gateway 監査ログがトラブルシューティングにどのように役立つかを、ログが提供する追加情報とともに説明し、監査ログの設定方法についても説明します。 概要 ファイル共有内のファイルやフォルダへのユーザーアクセスログは、組織の内部セキュリティポリシーにおいて重要な部分です。さらに、金融サービス、ヘルスケアおよびライフサイエンス、政府、その他多くの業界に存在するコンプライアンス基準を満たす必要があります。クラウドへのデータ移行を開始するとき、データの移動と、クラウドストレージからのファイルとフォルダへのアクセスに関連するユーザーアクティビティをモニタリングしなければならない場合があります。データを保護するだけでなく、所有権を証明し、特定のデータにアクセスしたユーザーを追跡し、監査人にレポートを提供する必要があります。 File Gateway を使用すると、SMB ファイル共有内のファイルおよびフォルダへのユーザーアクセスに関する詳細をログに記録できます。これにより、ユーザーアクティビティをモニタリングし、不適切なアクティビティが特定された場合に対処できます。File Gateway の監査ログは、次の 3 つの領域で利点があります。 コンプライアンスとモニタリング ユーザーアクセスパターンの洞察 SMB クライアントと File Gateway 間の問題のトラブルシューティング コンプライアンスとモニタリング 多くの組織は、セキュリティを改善し、統制の一貫性を確保し、リスクを軽減するために順守するべき政府規制や業界要件の影響を受けています。したがって、組織はデータをログに記録して定期的に分析する必要があります。そうすることで、脅威を防御し、PCI、ISO27001、サーベンスオクスリー法、一般データ保護規則 (GDPR)、および医療保険の携行と責任に関する法律 (HIPAA) […]

2020 年 3 月 10 日、Linux コンテナをホストするために設計された新しい特定目的オペレーティングシステムである Bottlerocket を導入しました。この記事では、当社が掲げたいくつかの目標、その過程で行ったエンジニアリングの選択、OS が今後も進化し続けるというビジョンについて説明します。 2014 年に、Linux コンテナのオーケストレーションサービスである Amazon Elastic Container Service (ECS) を開始しました。サービスとともに、事前設定済みでコンテナをホストするためにすぐに使用できるオペレーティングシステム、Amazon ECS に最適化された AMI を立ち上げました。この AMI は、ECS 向けに 2 つの方法で最適化されました。まず、ECS で Docker コンテナを実行するために必要なすべてのソフトウェアがインストールされており、起動するとすぐに準備が整います。そして 2 つ目は、Amazon Linux AMI のやや簡略化されたバージョンに基づいており、維持する必要のある不要なソフトウェアを削減し、ディスク領域を節約することを目的としています。ただし、この AMI は依然として、コンテナの外で従来のソフトウェアアプリケーションを実行するために設計された汎用オペレーティングシステムに基づいていました。 2017 年に Amazon Elastic Kubernetes Service (EKS) を立ち上げたとき、当社は同じことを行いました。Kubernetes ポッドをホストするための事前設定済みですぐに使用できるオペレーティングシステムとして、Amazon EKS に最適化された AMI がそれです。Amazon ECS に最適化された AMI と同様に、Amazon […]

当社は、昨年の re:Invent 2019 において、AWS Identity and Access Management (IAM) Access Analyzerを発表しました。これは、付与されたアクセス権限の分析に Amazon Simple Storage Service (S3) バケット、IAM ロール、AWS Key Management Service (KMS) キー、AWS Lambda 関数、そして Amazon Simple Queue Service (SQS) キューでのポリシーを使うことで、リソースへのアクセスが可能なユーザーを特定するための機能です。 AWS IAM Access Analyzer では、自動推論を使用します。これは、リソースポリシーが権限を付与した可能性のあるすべてのアクセスパスを特定するために、数学的ロジックと推論を応用するものです。これらの分析の結果は証明可能セキュリティと呼ばれます。これは、クラウドでのセキュリティに、より高度な保証を与えます。 本日より、AWS Organizations のマスターアカウント、もしくは委任を受けたメンバーのアカウント内で、この分析機能を作成し、組織全体を信頼できるゾーンとして定義できるようになったことを嬉しく思っています。これからは、各 Analyzer の機能により、特定のアカウント、もしくは組織全体を信頼できるゾーンにできると同時に、分析機能が解析の基準とする論理的な境界線の設定が可能になります。この機能は、組織内のリソースに対し AWS Organizations 外部からのアクセスが可能な場合を、素早く発見するのに役立ちます。 AWS Organizations 用 AWS IAM Access Analyzer の使用開始 お客様の組織内での IAM Access […]

私はほぼ 5 年前、機密の API 使用時に AWS CloudTrail データを自動的に分析してアラートを生成するソリューションについてブログを書きました。これは、セキュリティ分析と自動化のためのシンプルで基本的なソリューションでした。けれども、要求水準の高い AWS のお客様は複数の AWS アカウントを持ち、複数のソースからデータを収集しています。そのため、正規表現に基づく簡単な検索では、疑わしいセキュリティ関連イベントの詳細な分析を行うには不十分です。差し当たり、セキュリティの問題 (資格情報の侵害やリソースへの不正アクセスなど) が検出されると、セキュリティアナリストは複数のデータログをクロス分析して、問題の根本原因と環境への影響を理解しようとします。詳細な分析では、複数のサイロ化されたシステムによって生成されたデータ間のドットをつなげるために、スクリプトと ETL が必要になることがよくあります。「これは正常か?」といった基本的な質問に答えるには、熟練したデータエンジニアが必要です。アナリストは、セキュリティ情報およびイベント管理 (SIEM) ツール、サードパーティライブラリ、およびデータ視覚化ツールを使用して、データを検証、比較、および関連付けて、結論に達します。問題をさらに複雑にしているのは、新しい AWS アカウントと新しいアプリケーションが常に導入されるため、アナリストは通常の動作のベースラインを常に再構築し、新しいセキュリティ問題を評価するたびにアクティビティの新しいパターンを理解する必要がある点です。 Amazon Detective は、セキュリティ上の問題の原因と影響を特定するために、大量の AWS ログデータの処理に伴う多大な労力を自動化できるようにしたフルマネージドサービスです。有効にすると、 Detective は自動的に AWS Guard Duty、AWS CloudTrail、および Amazon Virtual Private Cloud フローログからのデータの抽出と整理を開始し、AWS 環境全体で観察されたリソースの動作と相互作用を要約したグラフモデルに変換します。 re:invent 2019 で、 Amazon Detective のプレビューを発表しました。本日、すべての AWS のお客様にご利用いただけるようになったことをお知らせします。 Amazon Detective は、機械学習モデルを使用してアカウントの動作のグラフィック表現を生成し、「これはこのロールにとって異常な API 呼び出しか?」や「このインスタンスからのトラフィックの急増は予想されているか?」といった質問に答えるのに役立ちます。独自のクエリを設定または調整するために、コードを記述する必要はありません。 Amazon Detective を使用開始するには、 AWS マネジメントコンソールを開き、検索バーに「detective」と入力し、表示された結果から […]

 EC2 インスタンスを開始するとき、または S3 バケットにデータを保存するとき、AWS リージョンが何であるかをあまり気にかけない向きもあります。現在、世界中に 22 か所あるリージョンはグローバルマップでは点のように見えますが、アプリケーションを実行し、高可用性とフォールトトレランスを備えたデータを格納できるように設計されています。実際、各リージョンは複数のデータセンターで構成されており、地理的にはアベイラビリティーゾーン (AZ) と呼ばれる場所に分けられています。 カナダのお客様をサポートするために、本日 AWS カナダ (中部) リージョンに 3 番目の AZ を追加したことをお知らせいたします。 この 3 番目の AZ は、スケーラブルかつフォールトトレラントで可用性の高いアプリケーションを設計する柔軟性をお客様に提供し、カナダでの AWS のサービスを強化します。 3 年前の 2016 年 12 月にカナダ (中部) リージョンをオープンしました。この 3 番目の AZ を導入することで、利用可能なサービスの数が 3 倍以上になります。 各 AZ は異なる地理的な場所にあり、リージョンの可用性に影響を与える単一のイベントのリスクを大幅に低減するのに十分な距離を取りながら、迅速なフェイルオーバーと同期レプリケーションを必要とするビジネスの継続性に影響するアプリケーションにとっては十分に近い所に位置しています。たとえば、カナダ (中部) リージョンはケベック州のモントリオールエリアにあり、次の新しい AZ は、カナダ本土の一番近い AZ から直線距離にして 45 km/28 マイル以上離れています。 リージョンと AZ を配置する場所は、レイテンシーや距離だけでなく、リスクプロファイルも考慮して慎重に考え抜かれています。リスクプロファイルを低く保つために、場所を選定する前に、洪水やその他の環境要因に関連する何十年分ものデータを調べます。モントリオールは、電力網を破壊し、1,000 を超える送電鉄塔を破壊した大規模な猛吹雪によって […]

 本番環境でディープラーニングモデルを実行する場合、インフラストラクチャコストとモデルレイテンシーのバランスを常に考えることが重要です。re:Invent 2018 で、AWS は Amazon SageMaker Neo と Amazon Elastic Inference を導入しました。これらは、ディープラーニングのモデルの作成をより効率的にする 2 つのサービスです。 ほとんどのディープラーニングアプリケーションでは、トレーニング済みのモデルを使用した予測 (これは推論と呼ばれるプロセスです) が、2 つの要因により、アプリケーションの計算コストの 90% を占める可能性があります。まず、スタンドアロン GPU インスタンスはモデルのトレーニング用に設計されており、通常、推論のためにサイズが大きくなっています。トレーニングジョブは何百ものデータサンプルを並行してバッチ処理しますが、ほとんどの推論は単一の入力でリアルタイムに発生し、GPU コンピューティングの消費量は少量に過ぎません。ピーク負荷時でも、GPU のコンピューティングキャパシティは十分に活用されていない可能性があります。これは無駄があり、コストがかかります。次に、モデルごとに必要な GPU、CPU、メモリリソースの量が異なります。最も要求の厳しいリソースの要件を満たすのに十分な大きさの GPU インスタンスタイプを選択すると、他のリソースが十分に活用されず、コストが高くなることがよくあります。 Elastic Inference は、推論を実行するために最適な量の GPU コンピューティングを提供するサービスです。SageMaker Neo は、実行速度が最大 2 倍になる可能性のあるメモリインプリントを削減することにより、特定のインフラストラクチャデプロイのディープラーニングモデルを最適化するサービスです。 この記事では、MXNet hot dog/not hot dog 画像分類モデルを Amazon SageMaker にデプロイし、さまざまなデプロイシナリオでモデルのレイテンシーとコストを測定します。また、Amazon SageMaker と Amazon Elastic Inference を使用した導入オプションと、別の Amazon EC2 インスタンスを選択した場合に得られる可能性があるさまざまな結果を評価します。 […]

 PostgreSQL コミュニティは毎年、PostgreSQL 12 のメジャーリリースを一貫して続けています。PostgreSQL 12 は、JSON データをクエリする新しい方法、インデックスの拡張、パーティション化されたテーブルでのパフォーマンスの向上などの機能を導入し、すでに堅牢な機能の管理を簡素化しながら、新たに開発する機会を設けています。 この記事では、PostgreSQL 12 の素晴らしい新機能のいくつかを詳しく見ていきます。それらを既存の開発および運用プラクティスに組み込む方法を探っていきます。これらの機能の一部は透過的で、PostgreSQL 12 にアップグレードするだけでご利用いただけます。他の部分については、ご利用いただくには既存のアプリケーションまたはプロセスへの変更を加えていただく必要があります。これらの新機能の利点を取り上げ、さらにこのような機能を既存のアプリケーションに適応させる方法の例をご紹介します。 インデックスの改善 PostgreSQL のデフォルトのインデックスタイプは B ツリーです。B ツリーインデックスは、ほとんどのタイプのデータをプライマリキーである整数から E メールアドレスである文字列へインデックスを付けるために使用します。テーブルが大きくなると、対応するインデックスも大きくなります。B ツリーインデックスが大きくなると、データ構造のバランスを保つ必要があります。そうすることで、特定のリーフページがいっぱいになったときにページが必ず分割されるようにします。ほとんどの場合、PostgreSQL はこれらのページを中央で分割することで、新しく分割された各ページに同じ量のデータと空き領域ができるようにします。テーブルに追加されるデータがややランダムである場合は、中央で分割するのが理想的です。ただし、データに重複するインデックスエントリが多数ある場合は、途中で分割すると大量の空き領域が未使用になる可能性があります。PostgreSQL 12 は、B ツリーインデックスページを分割するロジックを変更して、重複するインデックスエントリのコンテキストを使用し、いくつかの圧縮技術を用いています。これらを改善することで、インデックスのデータに応じて、一部の B ツリーインデックスが PostgreSQL 12 で 40% も小さくなる可能性があります。 古いバージョンの PostgreSQL からアップグレードされたデータベースは、古い B ツリー形式のままです。新しい B ツリー形式を利用するには、PostgreSQL 12 でインデックスを作成する必要があります。PostgreSQL には、指定されたテーブルのすべてのインデックスを再構築する REINDEX コマンドがありますが、REINDEX コマンドは、多くの本番環境で禁止ロックを取得します。 postgres=# REINDEX TABLE events; postgres=# SELECT locktype, transactionid, mode, […]

 過去 10 年間、ディープラーニングは、コンピュータービジョンや自然言語処理など、さまざまな分野を進歩させてきました。最先端のモデルは、画像分類などのタスクで人間に近いパフォーマンスを実現しています。ディープニューラルネットワークでこれが実現できるのは、大規模なトレーニングデータセットでトレーニングする数百万のパラメータで構成されているためです。たとえば、BERT (ラージ) モデルは 3 億 4,000 万のパラメータで構成され、Resnet-152 は 6,000 万のパラメータで構成されています。このようなモデルを最初からトレーニングすることは、計算量が多く、数時間、数日、はたまた数週間かかることもあります。 通常、データサイエンティストは転移学習を実行します。これは、ある問題を解くことによって得られた知識を、関連するが異なる問題に応用するプロセスです。転移学習では、より小さなデータセットで事前学習済みモデルを微調整して、精度を向上させられます。このようなシナリオでは、モデルに多数のパラメータは必要ない場合があります。小さなモデルでも同様に機能する場合もあるかもしれません。 エッジでの機械学習 (ML) のコンテキストでは、小さなモデルを持つことが不可欠です。ハードウェアの制約により、レイテンシー、メモリフットプリント、コンピューティング時間などの要素は、モデルの精度と同様に重要です。たとえば、自動運転には高精度で低レイテンシーのモデルが必要です。このようなシナリオでは、精度は 1% 向上するが、予測に 2 倍の時間がかかるモデルは好ましくありません。 モデルプルーニングは、精度を犠牲にすることなくモデルサイズを大幅に削減できます。考え方は簡単です。トレーニングプロセスにほとんど寄与しないモデル内の冗長パラメータを特定するのです。 この記事は、Amazon SageMaker を使用した反復モデルのプルーニング (枝刈り) を示します。この記事では、事前トレーニング済みのモデルを使用したサンプルアプリケーションについて説明します。そのアプリケーションは、精度を大幅に損なうことなく、繰り返しプルーニングして 3 分の 1 以上削減します。 モデルプルーニング モデルプルーニングは、トレーニングプロセスにあまり貢献しない重みを削減することを目指しています。重みは学習可能なパラメータです。これは、トレーニングプロセス中にランダムに初期化され、最適化されます。転送パスの間、データはモデルを通過します。損失関数は、ラベルを指定してモデル出力を評価します。逆方向パス中は、重みを更新して損失を最小限に抑えます。そうするために、重みに関する損失の勾配を計算し、それぞれの重みは異なる更新を受け取ります。数回反復した後、特定の重みは通常、他の重みよりも影響力があります。プルーニングの目的は、モデルの精度を大幅に低下させることなく、不要なものを削除することにあります。次の図は、このワークフローを示しています。 次のヒューリスティックを使用して、重みの重要性を測定できます。 重みの大きさ – 絶対値がしきい値より小さい場合は、重みを削除します。重みが小さいほど、出力への影響が少なくなります。 平均活性化 – ニューロンがトレーニング全体を通じてほとんど活性化されていない場合、活性化関数に加わる重みの関連性が低いと推測できます。 非構造化と構造化の重みプルーニングは、次のように区別できます。 非構造化プルーニングは任意の重みを削除します (前の図のように) 構造化されたプルーニングは、畳み込みフィルターと関連するチャネル全体を削除します 構造化されたプルーニングは、多くの畳み込み層で通常構成されるコンピュータビジョンモデルに特に関わっています。フィルターはカーネルのコレクションです (1 つの入力チャネルごとに 1 つのカーネル)。フィルターは、出力チャネルとも呼ばれる 1 つの機能マップを生成します。次の図は、3 つの出力機能マップを生成する 3 つのカーネルを示しています。モデルが学習する必要があるパラメータの数 (その重み) […]

 この記事は、Autodesk の機械学習エンジニアである Alexander Carlson が共同執筆したものです。 Autodesk は、数年前にプライベートデータセンターから AWS のサービスにワークロードを移動したことからデジタルトランスフォーメーションの旅を始めました。デジタルトランスフォーメーションの利点は、ジェネレーティブデザインで明らかになります。これは、クラウドコンピューティングを使用して、人間が行える範囲を超えてデザインの探索を推し進める新しいテクノロジーです。ジェネレーティブデザインを使用すると、特定の制約 (材料、重量、コスト、製造方法など) に基づいて一連の高性能デザインオプションをすばやく生成できます。ジェネレーティブデザインには、製造業を (良い方向へ) 淘汰する可能性があります。Autodesk は、Amazon SageMaker を使用して、ジェネレーディブデザインにより数時間または数日ではなく 1 時間で数百のシミュレーションを実行できるようにスケーリングしました。 2019 年秋、Autodesk は、機械学習 (ML) を使用して、Fusion 360 のジェネレーティブデザインテクノロジー向けの視覚的類似性検索機能を構築およびリリースする準備をしていました。Autodesk チームは、AWS と提携し、Amazon SageMaker Debugger を使用して、モデルのトレーニングとデバッグプロセスをどのように改善できるかを評価しました。SageMaker Debugger は、コードを変更することなく、トレーニング実行からのデータのキャプチャと分析をリアルタイムで自動化することにより、ML モデルのトレーニングプロセスに対する完全な洞察を提供します。 この記事では、Autodesk が他のいくつかの利点を享受しながら、モデルをどのように素早く設計、トレーニング、デバッグしたかについて概説します。以下のセクションでは、視覚的類似性検索モデル、Autodesk の SageMaker Debugger 以前のアプローチ、SageMaker Debugger にコードを適合させるために行われる手順、SageMaker Debugger 後のアプローチ、および両方のアプローチのパフォーマンス比較について見ていきます。 視覚的類似性検索モデル トレーニングされた視覚的類似性検索モデルは、特徴ベクトルを計算します。特徴ベクトルは、距離でグループ化したり、最近傍のジェネレーティブデザインの結果を見つけたりするために使用できます。同じ様なジェネレーティブデザインは、同様の特徴ベクトルを生み出します。視覚的類似性検索は、ジェネレーティブデザインからのデザイン結果のカテゴリ別ビューを提供するため、最適なデザインを選択できます。次のスクリーンショットは、視覚的類似性検索モデルを使用した Fusion 360 の例を示しています。 Fusion 360 のジェネレーティブデザインが生成する各結果は 3D の形状をしています。ビジュアル検索モデルは、3D オブジェクトのいくつかのスナップショットをさまざまな角度から取得し、モデルはそれらのスナップショットの再構築を試みます。 […]