主な特徴

SageMaker Data Wrangler を使用し、数回クリックするだけで、40 以上の AWS およびサードパーティのデータソースに接続し、データをインポートし、データ品質を検証し、300 以上の組み込みデータ変換を使用してモデルの特徴量エンジニアリングを行い、それらを SageMaker Feature Store に保存します。Data Wrangler ジョブを作成またはスケジュールして大規模なデータを処理し、SageMaker Pipelines を使用して機会学習ワークフロー内のデータ準備ステップを自動化することができます。

データエンジニアリング、分析、機械学習のための統合されたノートブック環境で、データワークフローを簡素化します。Studio ノートブックから直接 Amazon EMR クラスターや AWS Glue インタラクティブセッションを作成、閲覧、接続します。ノートブックから直接 Spark UI などの使い慣れたツールを使用して、Spark ジョブのモニタリングやデバッグを行うことができます。SageMaker Data Wrangler を搭載した組み込みのデータ準備機能を Studio ノートブックから直接使用します。これにより、データを可視化し、データ品質の問題を特定し、推奨ソリューションを適用して、コードをまったく記述することなくデータ品質とモデルの精度を向上させることができます。

データストアに接続し、リソースを起動してデータ処理ジョブを実行し、出力を永続的ストレージに保存し、SageMaker Processing を使用してログとメトリクスを提供します。

SageMaker Studio のフルマネージド型専用リポジトリである SageMaker Feature Store で、トレーニングと推論に使用する機械学習モデルの特徴量を保存、共有、管理し、機械学習アプリケーション間で特徴量の再利用を促進します。トレーニングをする際と、推論をする際の両方で一貫して同じ特徴量を取得できるため、数か月の開発労力を節約できます。

ワンクリックで SageMaker Studio 内の完全マネージド型 Jupyter Notebook にアクセスできます。ノートブックには、TensorFlow と PyTorch (AWS に最適化された) の深層学習環境が事前構成されており、モデルの構築をすばやく開始できます。作業を中断することなく、基盤となるコンピューティング リソースをダイヤルアップまたはダイヤルダウンできます。

同じノートブックファイルを共同編集し、ノートブックコードを同時に実行し、その結果を一緒にレビューすることで、共同作業を効率化することができます。すべてのリソースに自動的にタグが付けられ、SageMaker Studio のコストや使用状況の把握が容易になります。

15 を超えるアルゴリズムが組み込まれた構築済みのコンテナイメージを使用して、推論をすばやくトレーニングして実行したり、独自のカスタム イメージを SageMaker Studio に取り込んだりできます。

Amazon SageMaker Autopilot を使用して、完全な制御と可視性を維持しながら、データに基づいて最適な機械学習モデルを自動的に構築、トレーニング、および調整する。そして、ワンクリックでモデルを本番環境にデプロイします。SageMaker Autopilot が作成する任意のモデルの SageMaker Studio ノートブックを自動的に生成することもでき、どのように作成されたかに関する詳細を調べ、必要に応じて改良し、ノートブックから再作成できます。

SageMaker JumpStart では、数回クリックするだけでデプロイ可能な何百もの構築済のソリューションを使用して、機械学習をすばやく開始するのに役立ちます。

分散コンピューティングクラスターをセットアップし、トレーニングを実行して、結果を Amazon Simple Storage Service (S3) に出力し、ワンクリックでクラスターを破棄します。SageMaker のデータ並列ライブラリとモデル並列ライブラリを使用してモデルを大規模にトレーニングし、SageMaker Training Compiler を使用して、グラフおよびカーネルレベルの最適化を通じてトレーニング プロセスを最大 50% 加速します。マネージドスポットインスタンストレーニングを使用すると、コストを最大 90% 削減できます。

Amazon SageMaker Experiments を使用することで、入力パラメータ、設定、および結果を取得し、こうした内容を「実験結果」として保存することで、機械学習モデルに対するイテレーションを追跡しやすくなります。アクティブな実験を参照したり、以前の実験を検索やレビュー、実験間の結果を比較したりすることができます。

何千ものアルゴリズムパラメータの組み合わせを調節してモデルを自動的にチューニングし、モデルが出し得る最も正確な予測に到達します。これにより、数週間分の労力を削減できます。

Amazon SageMaker Debugger を使用することで、メトリクスとプロファイルのトレーニングジョブをリアルタイムでキャプチャするため、モデルを本番環境にデプロイする前にパフォーマンスの問題をすばやく修正できます。

ワンクリックで、トレーニング済みのモデルを本番環境にデプロイします。低レイテンシ (数ミリ秒)、高スループット (数十万リクエスト/秒) から、自然言語処理やコンピュータビジョンなどのユースケース向けの長時間推論まで、あらゆる推論ニーズに対応した SageMaker Model Deployment を SageMaker Studio 内で利用できます。

SageMaker のマルチモデルエンドポイントとマルチコンテナエンドポイントを使用して、単一のエンドポイントに数千のモデルをデプロイすることで、費用対効果を改善しながら、必要な頻度でモデルを使用する柔軟性が得られます。

モデルのバージョン、そのメタデータ、およびパフォーマンスを追跡し、SageMaker Model Registry を使用して、ビジネス要件に基づいてデプロイに適したモデルをより簡単に選択できるようにします。さらに、監査とコンプライアンスのための承認ワークフローを自動的にログすることができます。

SageMaker Projects を使用して、開発環境と本番環境の整合性の維持、ソースとバージョンの管理、A/B テスト、自動化など、継続的インテグレーションとデリバリー (CI/CD) のプラクティスを機械学習に導入することができます。

SageMaker Studio 内の SageMaker Model Monitor を使用して、モデルのドリフトとコンセプトのドリフトをリアルタイムで検出することにより、品質を維持します。SageMaker でトレーニングされたすべてのモデルは、SageMaker Studio で収集と表示が可能な主要メトリクスを出します。

ノートブックが選択されると、Amazon SageMaker Studio ノートブックはノートブック全体のスナップショットを取得し、依存関係をコンテナにパッケージ化し、インフラストラクチャを構築します。そして、プラクティショナーが設定したスケジュールでノートブックを自動ジョブとして実行し、ジョブ完了時にインフラストラクチャをプロビジョニング解除します。この自動化により、ノートブックの本番環境への移行にかかる時間を数週間から数時間に短縮できます。

SageMaker Pipelines を使用して、データの準備、特徴量エンジニアリング、モデルのトレーニング、モデルの調整、モデルの検証など、モデル構築ワークフロー全体を自動化します。SageMaker パイプラインを定期的に、または特定のイベントが起きたときに自動的に実行するように設定したり、必要に応じて手動で実行したりできます。