AWS の主要な AI/ML サービスをグラレコで解説

本記事では、簡単に利用できるマネージド AI/ML サービスを中心に、代表的な 5 つのサービスを紹介します。各サービスの主なユースケースと使い方を順を追ってご説明します。

• AWS における AI/ML サービス
• 個人に最適化されたレコメンド：Amazon Personalize
• ノーコードで時系列予測：Amazon SageMaker Canvas
• 画像や動画を分析し、人やオブジェクトを検出：Amazon Rekognition
  
• 音声をテキストに自動変換：Amazon Transcribe
• テキストからインサイトを検出：Amazon Comprehend
• AI/ML サービスの共通ワークフロー
  

それでは、項目ごとに詳しく見ていきましょう。

AWS が提供する AI/ML サービスは、大まかに特定のタスクに特化した AI サービスと、機械学習プラットフォームを提供する ML サービスの 2 種類に分けられます。AI サービスの多くは、専門知識がなくても簡単な操作で利用でき、ユースケースに応じて手軽に機械学習を使ったさまざまな機能を実装できます。ML サービスは、より高度な機械学習の専門家向けに、効率的な ML モデル開発を促進する機能を提供しています。

AWS の AI/ML サービスは、AI サービス、ML サービス、ML フレームワーク / インフラストラクチャの 3 つのレイヤーで構成されています。これら 3 つのレイヤーを適切に組み合わせることで、柔軟かつ高度な AI/ML アプリケーションを構築できます。

MLモデルを独自に構築・調整することを目的としたサービスが提供されています。下記以外にも、Clarify や Feature Store、Data Wrangler など、Amazon SageMaker に統合される多くのサービス群が提供されています。

AWS の機械学習サービスは、PyTorch などを始めとした、さまざまなオープンソースの ML フレームワークに対応しています。加えて、高性能な GPU インスタンスや機械学習専用に設計されたチップを搭載したインスタンスなど、機械学習のワークロードに最適化されたインフラストラクチャを提供しており、高度な計算リソースを活用して効率的に ML モデルをトレーニング・デプロイすることが可能です。

AWS の AI/ML サービスを支えるこれらの 3 つのレイヤーについて詳しくは、AWS Samples の 「AWS ML JP」をご覧ください。

本記事では、機械学習に詳しくなくても簡単に利用できる AI/ML サービスの例として、Amazon Personalize、Amazon SageMaker Canvas、Amazon Transcribe、Amazon Comprehend、Amazon Rekognition の 5 つのサービスの機能と特徴を紹介します。

Personalize の簡単な使い方は以下のとおりです。詳しくは「デベロッパーガイド (英語のみ)」をご覧ください。

1. データの準備：
   ユーザーの行動データ (閲覧履歴等) を用意します。データセットに、個人情報は含めないように注意します。
2. データセットグループの作成：
   Personalize コンソールから、データセットグループを作成し、スキーマを定義します。
3. レシピの作成：
   データセットとアルゴリズム、各種パラメータを指定したトレーニング用のレシピを作成します。
4. モデルのトレーニング：
   レシピを使って、モデルをトレーニングします。
5. API でレコメンド呼び出し：
   レコメンドモデルを API で取得し、アプリケーションと連携します。

Personalize について詳しくは、製品ページの「Amazon Personalize」をご覧ください。

Canvas は、時系列予測以外にも多彩な用途の ML モデルの構築が可能な汎用プラットフォームです。2023 年 11 月には、Amazon Bedrock モデルや、Amazon SageMaker JumpStart モデルなど、生成 AI の基盤モデルにアクセスできるようになりました。これにより Canvas を使って、チャットボットや顧客対応アシスタントなど、対話アプリケーションの開発が可能になり、さらに活用の幅が広がりました。

下記は、時系列予測で利用した場合のユースケースです。 

Canvas の基本的な利用手順は以下の通りです。詳しくは「デベロッパーガイド」をご覧ください。

1. 時系列データの準備：
   需要実績や業績データを CSV または Parquet 形式で Canvas 上にアップロードし、Datasets を作成します。
   
2. 前処理と特徴量エンジニアリング：
   Canvas 上でデータの欠損値処理や正規化、目的変数と説明変数の指定等の前処理と、傾向や周期性を捉える特徴量を生成します。
3. モデル構築とチューニング：
   予測対象のカラム、予測頻度、予測期間などを指定して時系列予測モデルを構築します。Canvas では、AutoML とアンサンブル学習により自動で最適なモデルが構築されます。
4. モデルの評価とデプロイ：
   構築したモデルの性能を Canvas 上で評価します。また、SageMaker にデプロイして API 化も可能です。
5. 予測結果の確認と活用：
   デプロイしたモデルに対して API リクエストを送信し、予測結果を取得してアプリケーションで活用します。

Canvas について詳しくは、製品ページの「Amazon SageMaker Canvas」をご覧ください。

Transcribe で構築した音声認識モデルは API 経由で呼び出すことができます。これにより、音声データをテキストに変換する機能を手軽にアプリケーションに実装できます。

Transcribe の基本的な利用手順は以下の通りです。詳しくは、「デベロッパーガイド」をご参照ください。

1. 音声データの準備：
   変換対象の音声ファイルを用意します。
   
2. トランスクリプトの作成：
   Transcribe コンソールからトランスクリプトを作成します。
3. ジョブの実行：
   音声ファイルを指定して変換ジョブを実行します。
4. 変換結果の確認：
   テキストに変換された結果を確認します。
5. API で変換結果を取得：
   変換結果は Transcribe API で取得し、アプリケーションと連携します。

Transcribe について詳しくは、製品ページの「Amazon Transcribe」をご覧ください。

Comprehend で構築した自然言語処理モデルは API 経由で呼び出すことができます。これにより、テキストデータ分析機能を手軽にアプリケーションに実装できます。

Comprehend の基本的な利用手順は以下の通りです。詳しくは「デベロッパーガイド」をご参照ください。

1. テキストデータの準備：
   分析対象のテキストファイルを用意します。
   
2. 分析ジョブの実行：
   Comprehend コンソールから分析ジョブを実行します。
3. 分析結果の確認：
   意図、感情、キーワードなどの分析結果を確認します。
4. API で分析結果を取得：
   分析結果は Comprehend API で取得し、アプリケーションと連携します。

Comprehend について詳しくは、製品ページの「Amazon Comprehend」をご覧ください。

これまで見てきたように、AWS の AI サービスは、データの入力、モデルの構築、モデルの運用という一般的な機械学習のワークフローを共通のプロセスとして抽象化しています。開発者は、個々のサービスの違いを意識することなく、この一般的なワークフローで目的に応じた AI サービスを自由に選択できます。

本記事で紹介した 5 つのサービス以外にも、多くの AI/ML サービスを以下のワークフローで操作できます。

1. データセットの収集：
   利用目的に応じたデータセットを収集し、サービスにインポートする。
   
2. モデルの生成：
   トレーニングジョブを実行すると、サービスが最適なアルゴリズムを自動で選択しモデルを生成する。
3. モデルの評価：
   モデルの性能を評価し、必要に応じてパラメータ調整を行いモデルを再生成する。
4. 実運用：
   構築したモデルを API を通じて呼び出し、アプリケーションと連携する。

他の AWS の AI/ML サービスについて詳しく知りたい場合は、公式サイトの「AWS での機械学習」をご覧ください。

最後に、本記事で紹介した AI/ML サービスの全体図を見てみましょう。