Machine Learning

機械学習により、組織は収集したデータを迅速に分析してパターンを特定し、最小限の人間の介入で意思決定を行うことができます。機械学習は、トレーニングデータと呼ばれる初期データセットから始まります。このトレーニングデータは、機械学習モデルの予測精度を高めるのに役立ち、このモデルが学習する基礎となります。モデルがビジネスニーズを満たせる精度があると判断されると、本番環境にデプロイされます。AWS Step Functions データサイエンスソフトウェア開発キット (SDK) は、Amazon SageMaker と Step Functions を使用してデータを前処理し、モデルをトレーニングし、パブリッシュするワークフローを簡単に作成できるオープンソースライブラリです。

既存のデータセットを前処理することは、組織が頻繁にトレーニングデータを作成する方法です。このメソッドは、イメージ内のオブジェクトにラベルを付けたり、テキストに注釈を付けたり、オーディオを処理したりするなど、情報を追加します。データを前処理するには、AWS Glue を使用するか、Jupyter Notebook アプリケーションを実行する SageMaker ノートブックインスタンスを作成することもできます。データの準備ができたら、簡単にアクセスできるように Amazon S3 にアップロードできます。機械学習モデルのトレーニング時に、各モデルのパラメータを調整して、デプロイの準備が整うまで精度を向上できます。

Step Functions を使うと、SageMaker 上でエンドツーエンドの機械学習ワークフローをオーケストレートできます。これらのワークフローには、データの前処理、後処理、特徴エンジニアリング、データ検証、およびモデル評価が含まれます。モデルを本番環境に導入したら、新しいアプローチを改良してテストし、ビジネス成果を継続的に改善できます。本番環境に対応したワークフローを Python で直接作成できるだけでなく、 Step Functions データサイエンス SDK を使って、新しいオプションでそのワークフロー経験をコピーし、洗練されたワークフローを実稼働環境に配置することもできます。

お客様が Step Functions を使用する機械学習ワークフローには、次のようなものがあります。

不正検出

• 信用詐欺などの不正取引を特定し、防止します。

• トレーニング済みの機械学習モデルを使用して、アカウントの乗っ取りを検出して防止します。

• 偽アカウントの作成など、プロモーション上の不正使用を特定して、すぐにアクションを起こすことができます。

パーソナライゼーションとレコメンデーション

• 関心を引き付けると予測される内容に基づいて、ターゲットを絞った顧客に製品をレコメンデーションします。

• 顧客がアカウントを無料利用枠から有料サブスクリプションにアップグレードするかどうかを予測します。

データエンリッチメント

• データエンリッチメントを前処理の一部として使用して、より正確な機械学習モデルのためのより良いトレーニングデータを提供します。

• テキストとオーディオの抜粋に注釈を付けて、皮肉やスラングなどの構文情報を追加します。

• イメージ内の追加のオブジェクトにラベル付けをし、オブジェクトがリンゴ、バスケットボール、岩、動物であるかどうかなど、モデルの学習に必要な重要な情報を提供します。