Tag: Amazon SageMaker

この記事は、2021 年 10 月 19 日に Davide Gallitelli 、 Hasan Poonawala によって投稿された Choose the best AI accelerator and model compilation for computer vision inference with Amazon SageMaker を翻訳したものです。 AWS のお客様では、コンピュータビジョンモデルによる予測で強化されたアプリケーションを構築するケースが増えています。例えば、フィットネスアプリケーションでは、カメラの前で運動しているユーザーの体の姿勢を監視し、ユーザーにライブフィードバックと定期的なインサイトを提供します。同様に、大規模な倉庫の在庫検査ツールでは、ネットワーク全体で何百万もの画像をキャプチャして処理し、本来あるべき場所にない在庫を発見します。 モデルの学習後、機械学習 (ML) チームは、モデルを本番環境にデプロイするための適切なハードウェアおよびソフトウェア構成を選択するために最大数週間かかることがあります。コンピューティングインスタンスタイプ、AI アクセラレータ、モデルサービングスタック、コンテナパラメータ、モデルコンパイル、モデル最適化など、いくつかの選択肢があります。これらの選択肢は、スループットやレイテンシーなどアプリケーションのパフォーマンス要件、およびコストの制約によって異なります。ML チームは、ユースケースに応じて、低い応答レイテンシー、高いコスト効率、高いリソース使用率、またはこれらの特定の制約の組み合わせを最適化する必要があります。コストパフォーマンスを最適化するために、ML チームはさまざまな組み合わせをチューニングし、負荷テストを行い、与えられた入力データとモデル出力データで比較可能なベンチマークを用意する必要があります。

Amazon SageMaker Studio は、すべての機械学習開発ステップを実行できる、統合された Web ベースのビジュアルインターフェイスを提供し、データサイエンスチームの生産性を最大 10 倍にします。Studio では、モデルの構築、トレーニング、デプロイに必要な各ステップへの完全なアクセス、制御、可視性を提供します。Studio ノートブックは、コンピューティングインスタンスとファイルストレージを事前に設定する必要がなく、すばやく起動できるコラボレーションノートブックです。Amazon SageMaker は、インフラストラクチャ管理を抽象化する機能を提供するフルマネージド型サービスで、さまざまな機能と従量課金制の料金モデルを備えた大規模な機械学習ワークロードに必要な俊敏性とスケーラビリティを提供します。 このブログでは、下記の実現方法について紹介します。 Studio のコストを削減するために、自動シャットダウン拡張機能を利用しStudio 内のアイドル状態のリソースを検出してシャットダウンする Studio ドメイン内のすべてユーザーが自動シャットダウン拡張機能を利用するために、自動でユーザープロファイルを追跡し管理者へ通知する 課金が見落とされがちな Amazon SageMaker Data Wrangler のコストを管理するために、自動シャットダウン拡張機能を利用する

この記事は、「Automating Wind Farm Maintenance Using Drones and AI」を翻訳したものです。 はじめに 風力タービンのメンテナンスは、高額でハイリスクな作業です。ニュースサイトの最近の分析によると、風力発電所のオーナーは、10年間で400億ドル以上を運用・保守に費やすと予想されています。また、別の最近の研究  では、従来のロープを使った検査の代わりにドローンを使った検査を行うことで、運用コストを70％削減し、さらにダウンタイムによる収益の損失を最大90％減少させることができるとしています。 このブログ記事では、ドローン、機械学習（ML）、モノのインターネット（IoT）をエッジとクラウドで活用することで、タービンのメンテナンスをより安全に、よりコストを抑えて行う方法を紹介します。まず、機械学習モデルをクラウド上で学習させ、タービンブレード上の腐食、摩耗、アイシングなどの危険を検出しました。機械学習部分の詳細は、前回のブログ記事でご紹介しています。このモデルをエッジに展開することで、より安全で迅速な検査を実現します。また、クラウドへの継続的な接続を必要とせず、オフラインでも動作します。ユニークなのは、Amazon Augmented AI を通じて、カスタムアラートや条件に基づいて調査結果に関与できる既存のメンテナンスチームを組み込むことができることです。この方法では、専門家があなたから指定された通りにレビューを行うというように、機械学習モデルを継続的な学習プロセスの中に組み込むことができます。このブログ記事は、re:Invent 2020 のビルダー・フェア・プロジェクト「Automating Wind Turbine Maintenance Using Drones and AI」の続きになります。

この記事は、”Training Machine Learning Models on Multimodal Health Data with Amazon SageMaker” を翻訳したものです。 これは、マルチモーダル機械学習(マルチモーダルML)に関する2部構成のブログ記事です。第1部では、RNA配列データ、臨床データ（EHRデータからの引用）、およびアノテーションを含む医用画像を処理するためのパイプラインを実装しました。この記事では、各データモダリティから特徴量をプールし、非小細胞肺がん（NSCLC）と診断された患者の生存を予測するモデルを学習する方法を説明します。最初のブログ記事に基づいて、RNA配列データ、臨床データ、医用画像、およびそれらの画像のアノテーションで構成されるNSCLC Radiogenomicsデータセットを引き続き使用していきます[1]。

この記事は、”Building Scalable Machine Learning Pipelines for Multimodal Health Data on AWS” を翻訳したものです。 ヘルスケアおよびライフサイエンスの組織においては、機械学習（ML）を使用することで、プレシジョンメディシンの実現、患者嗜好の予測、疾患検出、ケアの質の改善などに取り組んでいます。ヘルスケアにおけるITの急速な成長により、ますます多様なデータモダリティから患者レベルのデータが利用可能になりました。さらに、複数のデータドメインからのデータを組み込むことで、MLモデルの有用性と精度を向上させることが研究によって示されています[1]。これは個人のより完全なビューをモデルに与える事によるものだということは、直感的にも理解できます。

多数の設備を持つ組織は、物理的および運用上の問題を検出し対処するために、設備の状況を検査する必要があります。この記事では、バルブ、石油/ガスパイプライン、送電線などのインフラストラクチャのようにアクセス困難なエリアにある設備を定期的に検査する架空の企業であるAcmedroneのドローンデバイスを使用した事例について説明します。これら設備の検査では、ドローンデバイスが設備の画像を撮影し、物理的な損傷や適切な設備の動作に影響を与える可能性のある物理的な障害など、設備の変更(シーンの変化)を検出する機械学習モデルに対して検証します。

この記事は、「How lekker got more insights into their customer churn model with Amazon SageMaker Debugger」を翻訳したものです。 lekker Energie GmbH 社（以下、lekker 社）は、40万人以上の顧客を持ち、ドイツのエネルギー市場において、非常に広範なエリアにビジネスを展開する電気とガスの主要なプロバイダーです。lekker 社は顧客とサービスを重視した企業であり、市場の同種企業比較では常にトップの評価を得ています。一般家庭にグリーン電力を提供する最も重要なサプライヤーの一つとして、220人の従業員を擁する同社は、環境と消費者に優しい製品を提供しています。 ドイツのエネルギー市場は、1990年代に自由化されました。それ以来、顧客はエネルギーやガスの供給者を自由に選ぶことができるようになりました。自由化の際、ドイツ政府はスイッチングプロセスを標準化したため、エネルギーやガスの供給者を変更することは簡単にできます。しかし、自社の解約率を低く抑えることは、lekker 社にとって難しい課題です。既存のお客様の離脱を防ぐことは、新規のお客様を獲得するよりも数倍安価です。低い解約率を実現する最良の方法は、顧客を満足させることです。顧客の解約リスクに関する知識は、解約する可能性が高い顧客に lekker 社が集中できるため、ターゲットベースのキャンペーンに役立つ情報です。 この記事では、lekker 社が Amazon SageMaker Debugger を使用して、顧客の解約モデルについて深い洞察を得る方法について説明します。この Debugger は、モデルの学習中に自動的にデータを収集し、モデルの学習における問題を自動的に検出するビルトイン・ルール（組込みルール）を提供します。

アマゾン ウェブ サービス ジャパン株式会社 機械学習ソリューションアーキテクトの大渕です。AWS Japan では、AI/ML 関連情報を発信するイベント「AWS AI/ML@Tokyo」を定期的に開催しています。2021年4月8日にオンラインで開催された AWS AI/ML@Tokyo #10 では、AWS の機械学習ソリューションアーキテクト 鮫島より AWS で始める Machine Learning Journey についてご紹介し、また、お客様事例として、三菱UFJトラスト投資工学研究所 須田様よりAmazon SageMaker を活用した実践・金融データサイエンスについて、DXYZ株式会社 安永様よりAWSを利用した顔認証IDプラットフォーム構築と Amazon Rekognition 活用事例についてお話いただきました。

本投稿は AWSのソリューションアーキテクトである Diego Colombatto, Balaji Gopalan と Oliver Steffmann による寄稿を翻訳したものです。 株式取引の大部分が、こちら や こちら の記事で説明されているように、自動化されていることはよく知られています。たとえば、取引戦略を実装するためにアプリケーションや「ロボット」が使用されています。最近の金融サービス業界の新たなトレンドは、取引ソリューション (アルゴリズム取引ソリューション等) をクラウドに移行することです (こちら や こちら の記事で説明されています)。

この投稿は株式会社D2Cのデータサイエンティスト 阿部 将大 氏に、自社で開催された機械学習ハッカソンの取り組みについて寄稿頂いたものです。 ※ 一部、ハッカソン開催を支援したAWSも執筆しています 1. はじめに 株式会社D2C ドコモ広告事業本部 データソリューション部の阿部と申します。D2Cは広告事業を展開しており、我々の部署はユーザーや広告主、メディアの分析を行い、広告配信システムのロジックやユーザーセグメントなどの開発をしています。