Amazon Web Services ブログ

EC2 用の Amazon Elastic Inference 設定ツールを使用して、EI アクセラレータを数分で起動する

Amazon Elastic Inference (EI) 設定ツールは、EI をすぐに使い始めることができる Python スクリプトです。 Amazon Elastic Inference を使用すると、低コストの GPU によるアクセラレーションを Amazon EC2 および Amazon SageMaker のインスタンスに適用して、深層学習推論の実行コストを最大 75 パーセント削減することができます。初めてEIを使用する場合は、アマゾン ウェブ サービス (AWS) PrivateLink VPC エンドポイント、IAM ポリシー、セキュリティグループルールなど、設定が必要な依存関係がいくつかあります。この作業を早く行えるように、EI 設定スクリプトを使用すると、必要なリソースを作成することで作業を簡単に始めることができて、EI アクセラレータを数分で起動できるようになります。このブログ記事では、スクリプトの使用方法、スクリプトの機能、実行時に予想されることについて説明します。 高レベルで言うと、このスクリプトは以下のことを行います。 AWS Elastic Inference サービスに接続できるようにする IAM ポリシーを使用して、インスタンスの IAM ロールを作成します。 インスタンスがアクセラレータと通信できるようにするために必要な入力ルールと出力ルールを使用してセキュリティグループを作成します。 目的のサブネット内に AWS PrivateLink VPC エンドポイントを作成します。 選択したオペレーティングシステム用の最新の AWS Deep Learning AMI (DLAMI) を使用して、EI アクセラレータで目的の EC2 インスタンスを起動します。 前提条件 EI を設定するには、以下でリンクされているスクリプトを実行します。以下のエンティティに依存しています。 […]

Read More

Amazon RDS で機密データを保護するためのベストプラクティスの適用

このシリーズの最初の投稿では、AWS のデータストアに適用できる一般的なセキュリティの概念とそれに対応する AWS のセキュリティコントロールについて説明しました。これらを使用して、データに関わるセキュリティ体制をより強固にすることができます。この 2 回目の投稿では、こうした概念を Amazon RDS データベースで実装する方法を説明します。 実装例の多くはすべての RDS データベースエンジンに共通していますが、一部は個々のエンジンの種類によって異なる場合があります。このような場合は、MySQL との互換性を持つ Amazon Aurora の実装例を含めますが、他のデータベースエンジンの情報を入手する場所についても説明します。 それでは、最初の投稿で説明した順序でセキュリティの概念の実装を見ていきましょう。 データの分類とセキュリティゾーンモデリング データの分類とセキュリティゾーンモデリングに関するおさらいとして、以下をご覧ください。ここで提供されているより詳細な説明、およびデータの分類とセキュリティゾーンモデリングの背景にある概念については、このシリーズの最初の投稿を参照してください。 データの分類 この投稿で後述するセキュリティコントロールのどれを適用するかを決定するには、データの分類を理解してください。たとえば、どちらもこの投稿の後半で説明しますが、データのトークン化やセキュリティのマイクロセグメンテーションなど、特殊なセキュリティコントロールは必要ないかもしれません。これらが不要であるケースとしては、データベースにクレジットカード番号や社会保障番号などの機密性の高いデータがない場合があります。 セキュリティゾーンモデリング セキュリティゾーンを設計したら、ネットワークアクセスコントロールリスト (ACL) を使用して実装します。サブネット全体をネットワークフロー制御バリアとして使用できるようにすることをお勧めします。この投稿の後半の「セキュリティグループとネットワーク ACL」セクションで、ネットワーク ACL を使用してセキュリティゾーンを実装する方法を示します。 セキュリティゾーンモデリングを実装するときは、ネットワーク設計を慎重に検討します。CIDR 範囲のサイズによって、各サブネットが表現できる IP アドレスの数が決まります。サブネット内の増加 (より多い IP アドレス) とサブネット数の増加をサポートできるように、CIDR 範囲を設計します。Amazon VPC とオンプレミスのデータセンター間、または VPC 間に矛盾のない IP アドレススペースを確保するための要件とバランスを取ります。詳細については、AWS Answers サイトの AWS 単一 VPC の設計を参照してください。 徹底的な防御 RDS 内での徹底的な防御のためのセキュリティコントロールの詳しい説明に入る前に、この投稿の後半で説明するセキュリティ設定について説明している RDS 起動ウィザードのセクションを見てみましょう。 セキュリティ設定を取得するには、AWS […]

Read More

Okta を ID プロバイダーとして Amazon Redshift へのアクセスとフェデレーションする

データベースのユーザーとアクセスを管理することは、気が遠くなるほど大変でエラーが発生しやすい作業です。これまで、データベース管理者は、ユーザーがどのグループに属しているのか、およびユーザー/グループがどのオブジェクトの使用を許可されているのかを判断する必要がありました。これらのリストはデータベース内で管理されており、社内ディレクトリから簡単に外れる可能性があります。 フェデレーションを使用すると、企業のアイデンティティプロバイダー (IdP) 内のユーザーおよびグループを管理し、それらをログイン時に Amazon Redshift に渡すことができます。前回の記事、「IAM と Amazon Redshift を使用して、データベースユーザー認証を簡単にフェデレーションする」で、Active Directory Federation Service (AD FS) を ID プロバイダーとして使用するフェデレーションワークフローの内部について説明しました。 この記事では、ID プロバイダーとして Okta に焦点を当てます。Okta.com のトライアルアカウントを設定し、組織のディレクトリ内にユーザーとグループを構築し、Amazon Redshift へのシングルサインオン (SSO) を有効にする方法を段階的に説明します。データウェアハウス内でグループレベルのアクセス制御も維持しながら、これらすべてを実行できます。 この記事の手順は、次のセクションで構成されています。 ID プロバイダー (Okta) の設定 – Okta をセットアップします。これには、ユーザーを論理グループにまとめる作業が含まれます。 AWS の設定 – ID プロバイダーと AWS 間の信頼関係を確立するロールと、Okta が Amazon Redshift へのアクセスに使用するロールを設定します。 ID プロバイダー (Okta) の詳細設定 – 作成したロールを入力して Okta の設定を完成させます。また、どのグループを […]

Read More

Amazon SageMaker の因数分解機械アルゴリズムを拡張し、レコメンデーション上位 x 件を予測しています。

Amazon SageMaker により、機械学習ワークロードで複雑なビジネス上の問題に対応するために必要な柔軟性が向上します。組み込みアルゴリズムを使用すると、すぐに開始できます。 このブログ記事では、組み込みの因数分解機アルゴリズムを拡張してレコメンデーション上位 x 件を予測する方法について、概説します。 この手法は、ユーザーに対し一定数のレコメンデーションをバッチ処理で生成する場合に最適です。例えば、この手法を使用して、ユーザーと製品購入に関する大量の情報から、あるユーザーが購入しそうな上位 20 製品を生成することができます。その後、将来的にダッシュボードへの表示やパーソナライズメールマーケティングなどで利用するため、このレコメンデーションをデータベースに保存できます。AWS Batch または AWS Step Functions を使用して、このブログで概説する手順を自動化し、定期的な再トレーニングや予測を行うこともできます。 因数分解機は、汎用教師あり学習アルゴリズムで、分類と回帰の両方のタスクに使用できます。このアルゴリズムは、レコメンデーションシステムのエンジンとして設計されました。このアルゴリズムでは、二次係数を低ランク構造に制限しながら、特徴について二次関数を学習することで協調フィルタリング手法を拡張します。この制限は、過学習を避け、また非常にスケーラブルであるため、大きな疎データによく適してします。これにより、入力特徴が何百万である一般的なレコメンデーションの問題に対するパラメーターが、何兆とあるのではなく、何百万となるようにします。 因数分解機のモデル方程式は、つぎのように定義されます。 次のようなモデルパラメータが推定されます。 ここでは、n は入力サイズ、k は潜在空間のサイズです。これらの推定されるモデルパラメータを使用して、モデルを拡張します。 モデルの拡張 Amazon SageMaker の因数分解機アルゴリズムを使うことにより、ユーザーと項目のようなペアについて、これらが合致する程度に基づき、そのペアのスコアを予測できます。レコメンデーションモデルの適用時、ユーザーを入力すると、そのユーザーの好みに合致する上位 x 件の項目リストを返すようにしたい場合がよくあります。アイテム数が多くなければ、可能性のあるアイテムすべてに対しユーザーと項目のモデルをクエリすることができます。ただし、この手法では項目数が多くなるとうまくスケールできません。このシナリオでは、Amazon SageMaker k 近傍法 (k-NN) アルゴリズムを使用して、上位 x 件の予測タスクを高速化できます。 以下の図は、このブログ記事で扱う手順のおおまかな概要を示しています。これには、因数分解機モデルの構築、モデルデータの再パッケージ化、k-NN モデルのフィッティング、および上位 x 件予測の作成が含まれます。 先に進めるため、手引きとなる Jupyter ノートブック をダウンロードすることもできます。以下の各セクションは、このノートブックのセクションと対応していますので、読みながら各ステップのコードを実行できます。 ステップ 1: 因数分解機モデルの構築 手引きとなる Jupyter ノートブックのパート 1 で、因数分解機モデルの構築手順を確認します。因数分解機モデルの構築に関する詳細は、因数分解機アルゴリズムのドキュメントを参照してください。 ステップ 2: モデルデータの再パッケージ化 Amazon SageMaker 因数分解機アルゴリズムでは、Apache […]

Read More

Amazon DynamoDB: アドテックのユースケースと設計パターン

広告技術 (アドテック) 企業は、Amazon DynamoDB を使用して、ユーザープロファイル、ユーザーイベント、クリック数、訪問済みリンクなどのさまざまな種類のマーケティングデータを保存します。用途としては、リアルタイム入札 (RTB)、広告ターゲティング、アトリビューションなどがあります。このブログ記事では、DynamoDBを使用するアドテック企業の最も一般的なユースケースと設計パターンを特定します。 こうしたユースケースでは、高いリクエスト率 (1 秒あたり数百万件のリクエスト)、低くて予測可能なレイテンシー、および信頼性が必要です。大規模な読み取りボリュームがある場合、またはミリ秒未満の読み取りレイテンシーが必要な場合、企業は DynamoDB Accelerator (DAX) によるキャッシングを利用します。ますます多くのアドテック企業が、複数の地域で RTB や広告ターゲティングプラットフォームをデプロイしており、これには AWS リージョン間でのデータレプリケーションが必要になります。 完全マネージド型サービスである DynamoDB を使用すると、アドテック企業はデータベースの運用にリソースを投資することなく、こうした要件をすべて満たすことができます。また、こうした企業は、DynamoDB への移行によってデータベースの支出が削減されるため、DynamoDB の費用対効果も高いことに気付きます。たとえば、GumGum が自社のデジタル広告プラットフォームを DynamoDB に移行したとき、古いデータベースに比べてコストが 65〜70% 削減されたと推定しています。 この記事で使用される用語 この記事では、以下のデータモデリングと設計パターンの用語を使用します。 1:1 モデリング: パーティションキーをプライマリキーとして使用する 1 対 1 関係のモデリング。 1:M モデリング: パーティションキーとソートキーをプライマリキーとして使用する 1 対多関係のモデリング。 DAX によるキャッシング: DynamoDB の前で読み取りキャッシュとして DAX を使用すると、読み取りのレイテンシーを短縮できるだけでなく、頻繁にアクセスされるアイテムに対する高い読み取り負荷を費用効果の高い方法で処理することができます。 アドテックのユースケースと設計パターン ユースケース データモデリングまたは設計パターン RTB および広告ターゲティングでのユーザープロファイルの保存 1:1 モデリング、1:M モデリング […]

Read More

AWSアカウントが無い学生の方がAWS Educateに参加しCloud9を使う方法

AWS Educateは14歳以上の学生の方であればどなたでも参加できるクラウド学習プログラムです。実習も含まれますので実際にAWSのコンソールを使用します。 しかし世界中で多くの学生の方が年齢やクレジットカードを持っていないなどの理由でご自身のAWSアカウントを持っていません。 そこでAWS Educateではスターターアカウントという学習用の特別なアカウントを提供することで、AWS Educate内でAWSのコンソールを使っていただくことを可能にしています。 スターターアカウントを作るには登録者情報入力後に表示される画面で ・AWSのアカウントのID(12桁の数字)を入力し自身のAWSアカウントをAWS Educate内で使用する ・自身のAWSアカウントは使用しないスターターアカウントを使用する このどちらかの選択画面がありますので下のClick to here to select AWS Educate Starter Accountにチェックを入れNEXTボタンを押してください。(※高校生(18歳未満)の方はStarter Accountしか選択できません。) 登録からログインまでの全体の流れと、学生用ポータルの各タブの説明は過去のBlog記事をご参照ください。 登録したメールアドレスでログイン後、AWS Accountというタブをクリックしてください。 下のような表示になり、スターターアカウントで使える残りのクレジットの額、スターターアカウントの有効期限が表示されます。スターターアカウントは1年間または与えられたクレジットが残ってる間が利用期間となります。スターターアカウントのクレジットは所属する学校が機関加盟している場合は75ドル、機関加盟していない場合は30ドルとなり、使い切った際に一度だけ20ドルの追加クレジットのリクエストができるようになっています。なお、卒業するまでは1年ごとに新しいスターターアカウントとクレジットが提供されます。なお新しいスターターアカウントには古いスターターアカウントの環境は引き継がれませんのでその点はご注意ください。 オレンジのAWS Educate Starter Accountを押すと以下が表示されます。 これはAWSアカウントが無い方に実習用のコンソールを提供するサードベンダーのページになります。オレンジのAWS ConsoleをクリックするとAWS Consoleが開きます。 スターターアカウントで利用できるサービスに一部制限があります。こちらがスターターアカウントで利用できるリージョンの説明とサービス一覧です。 例としてクラウドベースでコードの開発・実行・デバッグができる統合開発環境であるCloud9を開いてみます。コンソールの検索窓でCloudと入力すると名称がマッチするサービスがリストアップされますのでCloud9を選びます。 Cloud9を選択すると以下の画面が開きです。 リージョンを選択しCreate Environmentのオレンジのボタンをクリックすると環境の作成画面が以下のように開きCloud9上で開発作業を始めることができます。(スターターアカウントの方はリージョンは一番上の米国東部(バージニア北部)を選択してください。(スターターアカウントではなくAWSアカウントをお持ちの方は新しくサービスを開始した東京リージョン など他のリージョンも選択可能です。) このようにAWS EducateではAWSアカウントが無い学生の方に、Cloud9を始め様々なサービスを体験してもらうことが可能です。ぜひご活用ください。 学生の方でもご自身のクレジットカードをお持ちでAWSのアカウントを作成できる方は、無料枠も活用できますのでAWSアカウントのIDを作成し、それをAWS Educateに登録する方法をお勧めします。その場合クレジットは加盟校の学生は100ドル、そうでない場合は40ドルのクレジットコードが提供されます。またサービスのリージョンも制限なく選択することが可能になります。   【問い合わせ】aws-jpps-qa@amazon.com パブリックセクター エデュケーションプログラム担当 澤

Read More

AWS Cloud9 が東京リージョンに対応しました

みなさん、こんにちは。アマゾン ウェブ サービス 、プロダクトマーケティング エバンジェリストの亀田です。 AWS Cloud9 が東京リージョンに対応しましたのでお知らせいたします。 AWS Cloud9 AWS Cloud9 は、ブラウザのみでコードを記述、実行、デバッグできるクラウドベースの統合開発環境 (IDE) です。これには、コードエディタ、デバッガー、ターミナルが含まれています。Cloud9 には、JavaScript、Python、PHP などの一般的なプログラム言語に不可欠なツールがあらかじめパッケージ化されているため、新しいプロジェクトを開始するためにファイルをインストールしたり、開発マシンを設定したりする必要はありません。 マネージド Amazon EC2 インスタンスまたは SSH をサポートする既存の Linux サーバーで実行されるため、ブラウザのみでアプリケーションを作成、実行、デバッグでき、ローカルの IDE をインストールしたりメンテナンスを行う必要はありません。Cloud9 のコードエディタおよび統合されたデバッガーには、コードのヒント、コード補完、ステップスルーデバッグなどの、便利で時間を短縮できる機能が含まれています。Cloud9 ターミナルでは、追加のソフトウェアのインストール、git push の実行、コマンドの入力ができるブラウザベースのシェルエクスペリエンスを利用できます。 ペアプログラミングサポート 開発環境をチームと共有し、ペアプログラミングを一緒に行うことができます。共同作業中にチームメンバーは互いのタイピングをリアルタイムで確認でき、IDE 内から即座にチャットを開始することができます。 サーバーレスアプリケーションとの親和性 サーバーレス開発に必要な SDK、ライブラリ、プラグインのすべてを使用して開発環境が事前設定されます。AWS Lambda 関数をローカルでテストおよびデバッグするための環境を利用することができます。 多くの言語に対応 以下のプログラミング言語に対応しています。 C++ C# CoffeeScript CSS Dart Go Haskell HTML Java JavaScript Node.js PHP Python Ruby […]

Read More

新入生の皆様、Cloudを学んでみませんか?

この4月から高校、高専、専門学校、大学などに入学された皆様、ご入学おめでとうございます。 AWSでは学生の方がクラウドの学習を行い、卒業後に学習の成果を活かせる仕事を見つけるための無料のプログラムAWS Educateを提供しています。 参加条件は 14歳以上であること なにかしらの教育機関で学んでいること 原則としてメールアドレス(できれば学校が配布したもの)を持っていること パソコンを使う環境があること AWSアカウントが無い方でも参加できます となります。クレジットカードの登録が必要なAWS Accountを取得していない方でもAWS Educateに参加し実際にAWSを利用しながら学ぶことが可能です。(教材や実習環境などの学習リソースが利用できるのは学生、教員メンバーのみです。企業のリクルータメンバーは求人活動のための機能のみの提供となります。) 申し込み方法 ステップ1 こちらのページの【AWS Educateに参加する】というオレンジの資格をクリックすると以下の申し込みカテゴリが表示されるので【学生】(英語の場合はStudent)をクリック。 ステップ2 必要情報を入力する。(高校生などで学校のメールアドレスをお持ちで無い方は他のメールを入力し、後から学生の証明するものの写真を送って頂くなどの対応策あります。)氏名は日本語でも受け付けられるのですが、サポートを日本以外のチームで行う可能性もありますので可能な限り英語表記の氏名でご登録ください。プロモーションコードは入手されている方のみ入力してください。 ステップ3 次に進みAWS Accountをお持ちの方は入力欄に12桁の数字を正確に入力してください。お持ちでない方はスターターアカウントとして登録するためオレンジで囲った下の選択肢をチェック。 ステップ4 入力したメールアドレス宛に確認のためEmail Verification – AWS Educate Applicationという件名のメールが届きますので、本文中の確認のためのURLをクリックする ステップ5 審査が完了すると(72時間以内には完了します。)Welcomeメールが届きます。Welcomeメールにはパスワード設定方法、クレジットに関する情報などが書かれていますので保存しておいてください。 ステップ6 設定したパスワードでログインすると上端に以下のメニューが表示されています。(14歳から17歳の方はメニューが異なります。) ■ポートフォリオ 自分の学校や学科を登録しましょう。キャリアパス(学習コース)の学習の進度と自身のプロフィールをメンバー企業のリクルータに開示したい場合は以下のボタンをご自身でYESにしてください。YESにするとリクルータからの就職やインターンに関するスカウトが可能になります。(参照できるのはAWS Educateに登録しているリクルータからのみです。) ■キャリアパス 目標とする職業に基づいた12の学習コースがそろっています。(キャリアパスは主に大学生対象ですがそれ以外の学校の方もAdvanced learningとして学習可能です。) (基礎を学ぶコース)  クラウドコンピューティング 101 (目標とする職種に紐づく11のコース)  アプリケーションデベロッパー  クラウドサポートアソシエイト  クラウドサポートエンジニア  サイバーセキュリティスペシャリスト  データインテグレーションスペシャリスト  データサイエンティスト  DevOpsエンジニア  マシンラーニングスペシャリスト  ソフトウェアデベロップメントエンジニア  ソリューションアーキテクト ■バッジ Alexaや注目されているAWSの技術について学習し、デジタルバッジを取得することができます。(2019年中に日本語が公開されます。) ■ジョブ […]

Read More

AWS Key Management Service を使用した Amazon DynamoDB の暗号化と、Amazon Athena を使った API 呼び出しの分析

アプリケーションが進化してウェブに対してよりスケーラブルになるにつれて、お客様は柔軟なデータ構造とデータベースエンジンをそのユースケースに採用しています。現代のアプリケーションを構築するために NoSQL の柔軟なデータモデルを使用することから、NoSQL データストアを用いることがますます一般的になってきました。Amazon DynamoDB は高速で柔軟性のある NoSQL データベースサービスで、一貫して 1 桁ミリ秒のレイテンシーで大規模なサービスを提供しています。ウェブスケールのワークロードに DynamoDB を採用する際は、DynamoDB で利用できるセキュリティ管理を理解することが重要です。 DynamoDB を安全に実行するためにさまざまな機能を使用できます。Amazon VPC エンドポイントは、VPC で実行されているアプリケーションに DynamoDB テーブルへの安全なアクセスを提供します。また Amazon VPC エンドポイントは、AWS Identity and Access Management (IAM) を介してきめ細かいアクセス制御を提供し、DynamoDB テーブルに格納されたアイテムおよび属性へのアクセスを規制します。転送中のデータを暗号化するために Transport Layer Security (TLS) エンドポイントを使用することもできます。 保存データの暗号化には、テーブルを暗号化するために 2 つのカスタマーマスターキー (CMK) オプションのいずれかを選択できます。AWS が所有する CMK はデフォルトの暗号化タイプで、キーは CMK のコレクションとして AWS が所有し、複数の AWS アカウントでの使用を管理します。AWS が所有する CMK はお客様の AWS アカウントにはありません。一方、AWS が管理する […]

Read More

Amazon SageMaker Ground Truth でのラベリングジョブ用の優れた説明の作成

Amazon SageMaker Ground Truthは、機械学習 (ML) 用の高精度なトレーニングデータセットをすばやく構築するお手伝いをします。ご自身のワークフォース、データラベリングに特化したベンダー管理ワークフォースの選択、または Amazon Mechanical Turk が提供するパブリックワークフォースを使用して、人が生成するラベルを提供することができます。質の高いのラベルを取得するには、特にパブリックワークフォースを使用している場合、簡単かつ簡潔で明確な説明が必要です。良い説明が書ければ、アノテーションの品質を向上させることができます。正しく行えば、この作業に時間を費やす価値はあります。 このブログ記事では、パブリックワークフォースに効果的な説明を作成するためのベストプラクティスをご紹介します。ここで重要なポイントが 2 点あります。ワークフォースへの認知負荷をできるだけ減らすこと、そして説明を微調整して後で発生する問題を避けるためにもプロセスの早い段階で実験することです。たとえば実験で、データの一部に自分でラベルを付けたり、プロセス全体の中でも小規模なジョブをパブリックワークフォースに行ってもらうことができます。 以下のスクリーンショットは、ワーカーの観点から見て適切な説明のある Ground Truth のバウンディングボックスのラベリングタスク例を示しています。このタスク例では、Google Open Images Dataset から取得したイメージにある花の周りを囲む四角形の枠を描くようワーカーに伝えます。ワーカーがアノテーションを付けている作業中、イメージの左側にあるサイドバーには短い説明が表示されます。はっきりと要領を得た、かつタスクに特化した説明で、サンプルのイメージに焦点を当てています。 以下の図は、サイドバーにある [View full instructions] を選択すると表示される完全な説明のサンプルです。ワーカーが混乱しやすいあいまいな説明が、明確に表記されています。この投稿を最後まで読むと、ご自身のラベリングジョブで優れた説明を作成することができるでしょう。 推奨するワークフロー Ground Truth が提供するツールを使用してデータの一部にアノテーションを付けるのが、適切な説明を作成する最も簡単な方法です。作成後、その結果を説明のサンプルとして使用できます。これを行うには、以下の手順を行います。 データからサンプルをいくつか選択する。 Ground Truth でプライベートジョブを実行し、選択したサンプルにラベルを付ける。 結果を使って、簡単な説明を作成する。サンプルイメージと少しのテキストに焦点を当てる。 タスクのあいまいさを回避し明確にするため、完全な説明を作成する。 小さなパブリックジョブを実行し、説明をテストする。満足する結果が出るまで繰り返す。 タスクの単純化を考慮し、正当な価格を設定する。 注: プライベートラベリングジョブを実行すると、1 サンプルにつき 0.08 USD の費用がかかります。料金の詳細については、Amazon SageMaker Ground Truth料金ページをご覧ください。 質の高い説明を作成したら、フルラベリングジョブをパブリックワークフォースに送信します。チェックリストの各ステップを見ていきましょう。 データからサンプルをいくつか選択する データセットを閲覧して、データの多様性を捉えたサンプルを選択します。一般的なサンプルではなく、ラベルを付けたい項目からサンプルを選択すると、ご自身の特定のタスクについてアノテーターの理解が得られやすくなります。 ここでは、さまざまな形や大きさの花が異なる数で写っているイメージを選択します。これらのイメージにある一部の花は、他の花の後ろに隠れたり、フレームの端に触れたりしています。さまざまなケースを選択すると、説明を作成するのに良いサンプルを見つけやすくなります。また、ワーカーから見て難しいタスクについて、洞察や発見を得ることもできます。 Ground Truth でプライベートジョブを実行し、選択したサンプルにラベルを付けます。 前回のブログ投稿では、AWS […]

Read More