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 Machine Learning。

Amazon SageMaker は、すべての開発者とデータサイエンティストに Machine Learning 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、全体的な Machine Learning のワークフロー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トレーニングを行い、実装のための調整と最適化を行い、予測して実行します。モデルを少ない費用と労力で
より早く本番環境に移行できます。

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

モデルとアルゴリズムのマーケットプレイスおよび組み込み型高性能アルゴリズム

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 1-Click 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

1-Click 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

logo-sony
logo-intuit
logo-playstation
logo-nfl
logo-statefarm
logo-liberty_mutual
logo-FI
logo-coinbase
logo-roche
logo-convoy
logo-korean_air

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 »
pull-70p
infographic-Ground_Truth
transparent-img-code
ホスト型ノートブック

あらかじめ構築された多数のワークフローと
容易にトレーニングデータを分析して視覚化するための実例を備えた、完全マネージド型 Jupyter ノートブックです。

Machine Learning 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 Machine Learning 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 100 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。

logo-tesnorflow
logo-mxnet
logo-pytorch
logo-chainer
logo-keras
logo-gluon
logo-horovod
pull-10x

トレーニング環境の設定と管理

SageMaker_Chart_3

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。

Amazon EC2 P3 インスタンスは、クラウド上で最も高速な分散型 Machine Learning に最適化された 8 NVIDIA Tesla V100 GPU を提供します。
最も高性能な GPU インスタンスを
クラウド内で実現
25 GBPS
ネットワーキングスループット
64 個の拡張可能な vCPU
AVX-512 対応 Intel® Xeon® Skylake
16 GB メモリ
/GPU

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。

STOCK TENSORFLOW
img-65p
AWS で最適化された TensorFlow
img-90p

256 GPU で効率的なスケーリング

AWS SageMaker は、クラウドで TensorFlow を実行するのに最適な場所です
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% 削減を
Amazon Elastic Inference で実現

モデルの調整と最適化

自動モデルチューニング

自動モデルチューニングでは、Machine Learning を利用してできるだけ正確に素早くモデルを調整します。この機能を使用すると、手動でモデルパラメータを調整する面倒な試行錯誤のプロセスを省くことができます。その代わりに、自動モデルチューニングは、さまざまなトレーニングを実行し、データの中から重要な機能を見つけ出してそうした機能がどのように相互作用して精度に影響するかを学習することで、ハイパーパラメータの最適化を行います。トレーニングされたモデルの品質を最大限に高めるために必要な時間を数日または数週間も短縮できます。

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。

詳細 »

pull-2x
pull-1-10
img-neo

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。

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 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。

pull-75p

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。

詳細 »

img-TFLOPS

サポート

logo-tesnorflow
logo-mxnet

お客様の導入事例

完全マネージド型の強化学習を使用した新たな構築

small-RL-icon

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

ImgHead_Silverstone_TEST_Car_3

AWS DeepRacer

完全自律走行ができる 1/18 スケールのレースカーは、自律走行による強化学習について学ぶために必要なものがすべて詰め込まれています。

詳細 »

AWS DeepLens

世界初の深層学習に対応した開発者向けビデオカメラを使って、プロジェクト、チュートリアル、実世界での実践的な調査を通じてコンピュータビジョンを学習します。

詳細 »

AWS Machine Learning のトレーニングと認定

AWS Machine Learning 大学Machine Learning 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。

詳細 »

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。

詳細 »