Amazon SageMaker
すべての開発者とデータサイエンティストのための機械学習。
Amazon SageMaker は、すべての開発者とデータサイエンティストに機械学習モデルの構築、トレーニング、デプロイ手段を提供します。Amazon SageMaker は、機械学習のワークフロー全体をカバーする完全マネージド型サービスです。データをラベル付けして準備し、アルゴリズムを選択して、モデルのトレーニングを行い、デプロイのための調整と最適化を行い、予測を行い、実行します。モデルをより少ない労力と費用で、本番稼働させることができます。
構築
トレーニングデータの収集と準備
データのラベル付けと一般的な問題についてあらかじめ構築してあるノートブック
ML アルゴリズムの選択と最適化
組み込みの高性能アルゴリズムと AWS Marketplace 内のすぐに使用可能な何百ものアルゴリズム
トレーニング
トレーニング用に環境を設定および管理
高性能なインフラストラクチャでワンクリックトレーニング
モデルのトレーニングと調整
1 回のトレーニングでどこでも実行およびモデルを最適化
デプロイ
本番環境でモデルをデプロイ
ワンクリックデプロイ
本番環境を拡張および管理
Auto Scaling を備えた完全マネージド型で 75% 削減
主なお客様
トレーニングデータの収集と準備
トレーニングデータをすばやくラベル付け
Amazon SageMaker Ground Truth によって、高精度なトレーニングデータセットを迅速に構築して管理します。Ground Truth では、パブリックおよびプライベートのラベル作成者に簡単にアクセスが可能で、一般的なラベル付けタスク用の組み込みワークフローとインターフェイスを提供しています。さらに、Ground Truth は人によるラベル付けを学習し、高品質な自動注釈を作成してラベル付けのコストを大幅に削減します。
詳細はこちら »
ホスト型ノートブック
クラウドまたはローカル環境から持参したノートブックで使用可能な、完全マネージド型の Jupyter ノートブックです。データを探索して視覚化し、モデルを開発することができます。さらに、事前に構築されたノートブックから選択することができます。ゼロから始める他にも、そのまま使用するか、特定のニーズを満たすように変更して、トレーニングデータをすばやく探索して視覚化を容易にすることができます。推奨事項とパーソナライズ、不正検出、予測、画像分類、チャーン予測、顧客ターゲティング、ログ処理と異常検出、音声テキスト変換など、一般的な問題の多くに利用できるソリューションがあります。
詳細はこちら »
機械学習アルゴリズムの選択と最適化
Amazon SageMaker は、TensorFlow、Apache MXNet、PyTorch、Chainer、Scikit-learn、SparkML、Horovod、Keras、Gluon を自動的に構成して最適化します。一般的に使用される機械学習アルゴリズムが組み込まれ、拡張性、スピード、正確性が調整されています。また、事前にトレーニングされた 200 を超える追加モデルおよびアルゴリズムを AWS Marketplace 内で入手できます。Docker コンテナに構築することでその他のアルゴリズムまたはフレームワークを持ち込むこともできます。
トレーニング環境の設定と管理
1-Click トレーニング
ワンクリックでモデルのトレーニングを開始します。Amazon SageMaker は基盤となるすべてのインフラストラクチャを処理し、容易にペタバイト規模のデータセットに拡張します。
クラウドで最速の分散型機械学習。
Amazon EC2 P3 インスタンスは、 8 つの NVIDIA Telsa GPU を提供します。
64 個の拡張可能な AVX-512 対応 vCPU Intel Xeon Skylake
ネットワークスループット 25 GBPS
GPU あたり 16 GB のメモリ
TensorFlow の実行に最適な場所
AWS の TensorFlow 最適化は、数百の GPU 全体で線形に近いスケーリング効率を提供します。多くの処理オーバーヘッドを必要とせずクラウド規模で運用でき、はるかに短い時間でより正確かつより高度なモデルをトレーニングできます。
完全マネージド型トレーニングおよびホスティング
線形に近いスケーリングを数百の GPU 全体で実現
推論コストの 75% を削減
256 GPU で効率的なスケーリング
モデルの調整と最適化
自動モデルチューニング
トレーニングしたモデルをどこでも実行可能
Amazon SageMaker Neo を使用すると、モデルをトレーニングしてどこにでも展開できます。SageMaker Neo は、精度を損なうことなく、指定したハードウェアプラットフォームの一般的なフレームワークで構築されたトレーニング済みのモデルを自動的に最適化します。そうすることで、EC2 インスタンスや SageMaker インスタンス、または AWS Greengrass デバイスや Neo ランタイムを含むエッジのデバイスにモデルを展開することができます。
稼働中のモデルの展開と管理
ワンクリックで本番環境に展開
Amazon SageMaker を本番稼働用環境に簡単にデプロイして、リアルタイムデータやバッチデータに対する予測 (推論と呼ばれるプロセス) の生成を開始できます。モデルは、Amazon SageMaker インスタンスの Auto Scaling クラスターで複数のアベイラビリティーゾーンに分散してデプロイされ、高いパフォーマンスと可用性が発揮されます。また、Amazon SageMaker には、A/B テスト機能も組み込まれており、モデルをさまざまなバージョンでテストし、試して、最良の結果を得るのに役立ちます。
Amazon Elastic Inference を使用して、深層学習推論のコストを最大 75％ 削減して、拡張自在な GPU アクセラレーションを Amazon SageMaker インスタンスに簡単に取り付けることができます。ほとんどのモデルでは、完全な GPU インスタンスが推論に対してオーバーサイズになります。また、1 つのインスタンスタイプで深層学習アプリケーションの GPU、CPU、メモリのニーズを最適化することは困難です。つまり、アプリケーションの全体的なコンピューティング、メモリ、およびストレージのニーズに最も適したインスタンスタイプを選択し、必要な推論アクセラレーションの程度を個別に構成できます。
エッジでモデルを実行
AWS Greengrass では、Amazon SageMaker でトレーニングされたモデルをエッジデバイスに簡単に配置して推論を実行することができます。AWS IoT Greengrass では、接続されたデバイスから AWS Lambda 関数を実行し、デバイスデータを常に同期させ、他のデバイスと安全に通信できます。これはインターネットに接続していないときでも可能です。
サポート
お客様の導入事例
「GE Healthcare は、よりよい成果を達成できるようにプロバイダを強化することでヘルスケアを改革します。Amazon SageMaker でコンピュータビジョンモデルをトレーニングし、MRI や X 線装置にデプロイします。強化学習技術を適用することで、トレーニングされたモデルのサイズを抑えるとともに、ネットワークの圧縮とモデルの正確性の適正なバランスを維持します。Amazon SageMaker RL によって RL ワークロード実行の煩雑さが取り除かれたため、アイデアから実装までにかかった時間は 4 週間未満でした」
「Tinder では、190 を超える国で、1 分間に数百万件のリクエスト、1 日に数十億件のスワイプが処理されています。Amazon SageMaker は、機械学習を簡略化し、当社の開発チームが、通常では不可能な新しいつながりを作る予測モデルを構築するうえで役立っています」
「Amazon SageMaker を使用すると、プラットフォームでアルゴリズムを構築してデプロイできるため、人工知能の使用を大規模に加速化できます。これまでにない大規模な機械学習と AI アルゴリズムを作成してプラットフォームにデプロイし、複雑な問題を解決してお客様に成功をもたらすことができます」
「Amazon SageMaker RL によって、シンプルでスケーラブルな分散型強化学習を低コストで実現できるようになりました。我々は、酵素を発見し最適化する最先端ツールを開発することでたんぱく質を設計し、それによって安価で環境に優しい化学品製造も実現します。Amazon SageMaker RL を使用すると、トレーニングやシミュレーションを実行するさまざまなインスタンスタイプでさまざまなクラスターを使用できます。このことにより、我々の開発プロセスが効率化し、RL ワークロードの実行にかかるコストが大幅に削減されました。これらの機能を利用して、マルチエージェント強化学習の可能性を広げることができます」
「Hotels.com では、スピードを向上させるために最新のテクノロジーを活用して革新を続けることにいつも関心を持っています。Amazon SageMaker を使用すると、分散型のトレーニング、最適化されたアルゴリズム、組み込みのハイパーパラメータ機能によって、チームは、当社の大規模なデータセットでより正確なモデルをすばやく構築することができ、モデルを本番稼動させるまでの時間をかなり削減することもできます。これはシンプルな API コールです。Amazon SageMaker によって、機械学習の複雑さを大幅に削減でき、当社はお客様にさらに優れたサービス、つまり速さを提供することができます」
Matt Frye 氏、Hotels.com および Expedia Affiliate Network、VP 兼データサイエンス最高責任者
完全マネージド型の強化学習を使用した新たな構築
強化学習 (RL) を使用して、事前にラベル付けされたトレーニングデータを必要とせずに特定の成果を達成できる洗練されたモデルを構築します。RL は、学習から「正しい」答えが得られないが、車の運転や優れた財務的な取引を学習して最適な成果が得られる状況で役に立ちます。RL アルゴリズムは、過去のデータを調べるのではなく、正の報酬と負の報酬がより良い行動に向けてモデルを導くシミュレーション環境での行動に応じて学習します。
Amazon SageMaker RL には、完全マネージド型の RL アルゴリズムが組み込まれています。SageMaker は、TensorFlow や MXNet など、複数のフレームワークで RL をサポートしています。また、Intel Coach や Ray RLlib など、強化学習のために一から設計しカスタム開発されたフレームワークをサポートしています。
また、Amazon SageMaker RL は、完全な 2D および 3D の物理環境、MATLAB および Simulink などの商用のシミュレーション環境、カスタム開発環境を含むオープンソースの OpenAI Gym インターフェイスをサポートするものなど、さまざまな RL 環境もサポートしています。さらに、SageMaker RL では、Amazon Sumerian や AWS RoboMaker で構築された仮想 3D 環境を利用してトレーニングできます。つまり、広告や金融システムから産業制御、ロボット、自動自動車に至るあらゆるものをモデル化することができるということです。
オープンで柔軟
独自の Machine Learning
Machine Learning 技術は急速に進歩しており、幅広いフレームワークやツールにアクセスできる柔軟な体制を保たなくてはなりません。Amazon SageMaker を使用すると、一般的なフレームワークに組み込まれたコンテナを使用したり、好みのフレームワークを利用したりできます。いずれにしても、Amazon SageMaker は、モデルの構築、トレーニング、導入に必要な基礎となるインフラストラクチャを完全に管理します。
優れたエッジパフォーマンス
SageMaker Neo の機能は、オープンソースの Neo プロジェクトを通じてすべての開発者が利用できます。だれもがどこでもモデルを実行できることは、Machine Learning がその可能性を十分に発揮できるようにするために不可欠なステップだと考えています。ハードウェアベンダーは、オープンソース活動に貢献することで、新たに最適化されたモデルにより Neo を改善し、Machine Learning のハードウェアエコシステム全体を向上させることができます。
ワークフローに合った SageMaker
Amazon SageMaker は Ground Truth、Notebooks、Training、Neo、Hosting といった別々のコンポーネントで構成されています。これらのコンポーネントは、エンドツーエンドの Machine Learning サービスを提供するために連携するように設計されています。しかし、こうしたコンポーネントを独立して使用し、既存の Machine Learning ワークフローを補完したり、データセンターやエッジで動作するモデルをサポートしたりすることもできます。
学習と迅速化
AWS Machine Learning のトレーニングと認定
AWS Machine Learning 大学が提供する機械学習用の構造化されたコースでは、基礎知識と実際のアプリケーションを組み合わせることで、Amazon の開発者を訓練するために使用されたものと同じ教材に基づいた学習を受けられます。
Amazon ML Solutions Lab
Amazon ML Solutions Lab は、お客様のチームと Amazon の Machine Learning の専門家を結びつけます。ブレインストーミングセッションを含む実践的な教育ワークショップとプロフェッショナルアドバイザリーサービスが組み合わされているため、ビジネスにおける課題から、モデルを製品に組み込むプロセスの詳細な手順を「逆向きに決定」していくことができます。その後、学習したことを組織の他の場所で使用して、新たな機会を追求することができます。
