Amazon SageMaker とは - Amazon SageMaker

Amazon SageMaker とは

Amazon SageMaker は、完全マネージド型の機械学習サービスです。Amazon SageMaker では、データサイエンティストと開発者が素早く簡単に機械学習モデルの構築と研修を行うことができ、稼働準備が整ったホスト型環境に直接デプロイできます。統合された Jupyter オーサリングノートブックインスタンスから、調査および分析用のデータソースに簡単にアクセスできるため、サーバーを管理する必要がありません。また、一般的な機械学習アルゴリズムも使用できます。そうしたアルゴリズムは、分散環境できわめて大容量のデータに対しても効率良く実行できるよう最適化されています。自前のアルゴリズムやフレームワークもネイティブでサポートされているため、Amazon SageMaker ではお客様固有のワークフローに合わせて調整できる柔軟性の高い分散型トレーニングも行えます。Amazon SageMaker Studio または Amazon SageMaker コンソールからクリック 1 つで起動して、安全でスケーラブルな環境にモデルをデプロイします。トレーニングとホスティングは、分ごとの使用量で課金されます。最低料金や前払いの義務はありません。

このガイドには、Amazon SageMaker 機能に関する情報とチュートリアルが含まれています。Amazon SageMaker を使用してモデルを構築、トレーニング、デプロイする方法については、Amazon SageMaker 開発者用リソースを参照してください。

Amazon SageMaker の機能

Amazon SageMaker には、以下の機能があります。

Amazon SageMaker Studio

統合された機械学習環境。この環境では、モデルの構築、トレーニング、デプロイ、分析をすべて同じアプリケーションで行うことができます。

Amazon SageMaker Ground Truth

ワーカーと機械学習を使用して、ラベル付きデータセットを作成する高品質のトレーニングデータセット。

Amazon Augmented AI

人間参加型レビュー

Amazon SageMaker Studio Notebooks

SSO 統合、起動時間の短縮、シングルクリック共有を含む次世代の Amazon SageMaker ノートブック。

前処理

データの分析と前処理、フィーチャエンジニアリングへの取り組み、モデルの評価を行います。

Amazon SageMaker Experiments

実験の管理と追跡。追跡されたデータを使用して実験を再構築し、ピアによって実施された実験を段階的に構築できるほか、コンプライアンスと監査の検証のためにモデル系統をトレースできます。

Amazon SageMaker Debugger

トレーニングプロセス全体を通して、トレーニングパラメータとデータを検査します。パラメータ値が大きすぎたり小さすぎたりするなど、一般的に発生するエラーを自動的に検出し、ユーザーに警告します。

Amazon SageMaker Autopilot

機械学習の知識を持たないユーザーでも、分類モデルと回帰モデルをすばやく構築できます。

強化学習

エージェントがその行動の結果として受け取る長期的な報酬を最大化します。

バッチ変換

データセットを事前処理し、永続的なエンドポイントが不要なときに推論を実行し、入力レコードを推論に関連付けて結果の解釈を支援します。

Amazon SageMaker Model Monitor

本番環境のモデル (エンドポイント) を監視および分析して、データドリフトとモデル品質の偏差を検出します。

Amazon SageMaker Neo

機械学習モデルを一度トレーニングすれば、クラウド内およびエッジ内の任意の場所で実行できます。

Amazon SageMaker Elastic Inference

スループットを高速化し、リアルタイムの推論を取得する際のレイテンシーを短縮します。

Amazon SageMaker 料金

他の AWS 製品と同様、Amazon SageMaker を使用するための契約や最低契約金はありません。Amazon SageMaker の使用料金に関しては、「Amazon SageMaker の料金」を参照してください。

Amazon SageMaker を初めてお使いになる方向けの情報

Amazon SageMaker を初めて使用する方には、次のことをお勧めします。

  1. Amazon SageMaker の詳細」を読む – このセクションでは、Amazon SageMaker の概要を示し、主要な概念について説明して、Amazon SageMaker での AI ソリューションの構築に関係するコアコンポーネントについて説明します。このトピックを記載されている順序で読むことをお勧めします。

  2. Amazon SageMaker をセットアップします – このセクションでは、AWS アカウントを設定して Amazon SageMaker Studio にオンボードする方法について説明します。

  3. Amazon SageMaker Autopilot は、機械学習タスクを自動化することで、機械学習体験を簡素化します。Amazon SageMaker を初めて使用する場合は、最も簡単なラーニングパスが提供されます。また、自動化された ML タスクごとに生成されたノートブックを使用してコードを可視化する優れた学習ツールとしても機能します。その機能の概要については、「Amazon SageMaker Autopilot を使用してモデル開発を自動化する」を参照してください。機械学習モデルの構築、トレーニング、およびデプロイを開始するため、Autopilot は次の機能を提供します。

  4. Amazon SageMaker の開始方法 – このセクションでは、Amazon SageMaker Studio、または Amazon SageMaker コンソールと Amazon SageMaker API を使用して最初のモデルのトレーニングについて説明します。Amazon SageMaker によって提供されるトレーニングアルゴリズムを使用します。

  5. その他のトピックについて調べる – 必要に応じて、次の操作を実行します。

    • 深層学習フレームワークでトレーニングするための Python コードを送信する – Amazon SageMaker では、独自のトレーニングスクリプトを使用してモデルをトレーニングできます。詳細については、Amazon SageMaker での機械学習フレームワーク、Python、R の使用 を参照してください。

    • Apache Spark から直接 Amazon SageMaker を使用する – 詳細については、「Amazon SageMaker で Apache Spark を使用する」を参照してください。

    • Amazon AI を使用して、独自のカスタムアルゴリズムをトレーニング/デプロイする – Docker でカスタムアルゴリズムをパッケージ化して、Amazon SageMaker でトレーニングやデプロイを行うことができます。Amazon SageMaker が Docker コンテナとやり取りする方法、および Docker イメージの Amazon SageMaker の要件については、「Amazon SageMaker で独自のアルゴリズムやモデルを使用する 」を参照してください。

  6. API リファレンスを表示する – このセクションでは、Amazon SageMaker API オペレーションについて説明します。