この AWS ソリューション実装では、どのようなことが可能ですか?

電子通信分野における機械学習では、スケーラブルでカスタマイズ可能な機械学習 (ML) アーキテクチャをデプロイします。これは、電子通信分野のユースケースで使用するエンドツーエンドの ML ワークロードのフレームワークです。このソリューションで、モデルをエンドポイントにデプロイすることにより、アドホックデータ探索、データ処理と機能エンジニアリング、およびトレーニング、評価、予測の実行などの機械学習モデル構築のプロセスを合理化できます。

また、このソリューションには、電子通信分野の総合的な IP データレコード (IPDR) のデータセットも含まれます。これは、当該分野の予測分析を目的としたモデルのテストおよびトレーニング向けの ML アルゴリズムの使用法を示すためのものです。ご自身の人工知能研究のために独自のカスタム ML モデルを開発するための第一歩として付属の Jupyter ノートブックを使用できるだけでなく、付属のノートブックを固有のユースケースに合わせてカスタマイズすることもできます。

AWS ソリューション実装の概要

電気通信分野における機械学習ソリューションは、実行中のコード、式、可視化、ナラティブテキストを作成、共有するオープンソースウェブアプリケーションである Jupyter ノートブックを利用して、AWS クラウドでエンドツーエンドの ML プロセスのためのフレームワークを実装することを可能にします。下の図は、ソリューション実装ガイドと付属の AWS CloudFormation テンプレートを使用して数分で構築できるアーキテクチャを示しています。

電気通信分野における機械学習 | アーキテクチャ図
 クリックして拡大する

電気通信分野における機械学習のアーキテクチャ

Amazon Simple Storage Service (Amazon S3) バケットは合成 IP データレコード (IPDR) データセットを含み、AWS Glue ジョブはデータセットを変換し、Amazon SageMaker インスタンスは機械学習 (ML) Jupyter ノートブックを含みます。

このソリューションは Amazon S3 バケットのデータを Amazon SageMaker クラスタに取り込み、 Jupyter ノートブックをデータセットで実行します。

ノートブックはデータを前処理し、機能を抽出し、データをトレーニングとテストに分割します。Amazon S3 Select は、AWS Glue ジョブによって処理された Parquet 圧縮データを読み取ります。ML アルゴリズムがトレーニングデータセットを処理し、現在の異常を特定し将来の異常を予測するモデルを構築します。

電気通信分野における機械学習

バージョン 1.1.1
最終更新日: 2019 年 12 月
筆者: AWS

見積りデプロイ時間: 5 分

下のボタンをクリックして、ソリューションの更新を登録してください。

注: RSS 更新を購読するには、使用しているブラウザで RSS プラグインを有効にする必要があります。 

このソリューション実装はお役に立ちましたか?
フィードバックを送る 

特徴

電気通信分野における機械学習のリファレンス実装

すぐに使える電気通信分野における機械学習ソリューションをそのまま利用するか、独自の機械学習ソリューションを構築できるリファレンス実装として使用します。

トレーニング用の合成データセット

このソリューションには、抽象構文記法 1 (ASN.1) 形式および呼詳細レコード (CDR) 形式の総合的なデモ IP データレコード (IPDR) データセットも含まれます。
アイコンを作成する
自分でソリューションをデプロイする

よくみられるアーキテクチャ上の問題に関して答えを知るため、AWS ソリューション実装のライブラリを閲覧する。

詳細はこちら 
APN パートナーを見つける
APN パートナーを見つける

サービスの開始をサポートする AWS 認定コンサルティングパートナーとテクノロジーパートナーを見つけましょう。

詳細はこちら 
アイコンについて調べる
ソリューションコンサルティングサービスについて調べる

ソリューションをデプロイし、AWS により審査済みのサポートを受けるため、コンサルティングサービスのポートフォリオを閲覧する。

詳細はこちら