AWSクラウド上で機械学習を輸出するための黄金のツールであるAmazon SageMakerが正式に中国に上陸

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

私たちは機械学習の黄金時代に突入しています。 ”

AWS のクラウドコンピューティング企業戦略主任顧問である Xia Zhang 博士は、これまで現実世界での機械学習の応用を妨げていた多くの制限がなくなり始めていると述べました。スタートアップ企業から大企業まで、世界中の企業にとって、機械学習アプリケーションの導入はほぼ普遍的な優先事項です。

ほぼすべての業界と市場セグメントが、データからより多くの価値を引き出し、洞察を獲得し、ビジネスを改善するために、ワークロードに機械学習を適用し始めています。機械学習の黄金時代は AWS の黄金時代でもあります。

機械学習の黄金時代における AWS

「現在、世界中の何万もの企業が機械学習ワークロードを実行するためにAWSを選択しています。私たちが知る限り、AWSの機械学習を使用している顧客の数は、他のベンダーの2倍以上です」とAWSのクラウドコンピューティング企業戦略担当チーフアドバイザーである張霞氏は語った。

人工知能は決定論的なイベントになる可能性が高く、ますます多くの企業がディープラーニング、機械学習などの負荷を社内で実行し始めています。Amazonは最も早い企業の1つです。電子商取引時代の初めから、Amazonの製品推奨、検索、物流、配送業務は機械学習と統合され、配達ロボット、Amazon Echo、Amazon GOなどの製品とビジネスを生み出してきました。

相対的に言えば、機械学習は企業にとって依然として非常に複雑なタスクです。ほとんどの企業は機械学習モデルを独自に開発する能力を持たず、AWSなどのベンダーが「はしご」の役割を果たしています。

たとえば、開発者やデータ サイエンティストは、まずデータを視覚化、変換、前処理して、モデルをトレーニングするためのアルゴリズム用にフォーマットする必要があります。アルゴリズムの選択と最適化から、モデルの精度に影響する数百万のパラメータの調整まで、モデル トレーニングのすべての段階で、多くの人材と推測が必要になります。トレーニング済みのモデルをアプリケーションに展開する場合、顧客にはアプリケーション設計と分散システムに関する別の専門スキルが必要です。

さらに、データ セットと変数の数が増えると、モデルは古くなり、モデルが新しい情報から学習して進化できるように、顧客はモデルを何度も再トレーニングする必要があります。これらすべての作業には多くの専門知識が必要であり、膨大な計算能力、データストレージ、および時間コストを消費します。さらに、機械学習ワークフロー全体をカバーする統合ツールがないため、機械学習モデルを開発する従来の方法は複雑で面倒で、コストもかかります。

AWS が提供する機械学習ソリューションは、3 層のサービス スタックです。

基礎となるレイヤーは、機械学習フレームワークとインフラストラクチャです。AWS は、TensorFlow、PyTorch、Apache MXNet、Chainer、Gluon、Horovod、Keras などの機械学習フレームワークをサポートしています。インフラストラクチャの面では、AWS 仮想マシンはさまざまなインスタンスのほか、既成の Amazon マシンイメージ AMI (Amazon Machine Image) も提供します。

張霞氏は、「当社の戦略は、さまざまなオープンソースフレームワークを全面的にサポートすることです。フレームワークによって特性や使用シナリオが異なるため、特定のフレームワークに限定せず、あらゆる面でサポートします」と述べました。

AWS 機械学習ソリューションの上位層は、主に人間の認知に関連する典型的な問題を解決する、トレーニングされた人工知能サービスです。たとえば、コンピューター ビジョン サービスは、画像やビデオ内のオブジェクト、人物、テキスト、シーン、アクティビティ、安全でないコンテンツや不適切なコンテンツを識別できます。パーソナライズされた推奨サービスでは、在庫から複数の製品やサービスを消費者に推奨できます。お客様は、サービスの背後にある機械学習モデルを気にすることなく、AWS が提供するこれらの人工知能サービスをアプリケーション内で直接呼び出すことができます。

中間層は機械学習サービスであり、その主な目的は機械学習プロセスにおける重い作業を排除し、高品質のモデルの開発を容易にすることです。これは、今回 AWS が強調した点でもある Amazon SageMaker ホスティング サービスに依存しています。

Amazon SageMaker が中国で開始

張霞氏は、人工知能の広範な応用を制限し、低コストで使いやすく、拡張可能な人工知能製品やサービスが不足している原因となっている 3 つの要因を紹介しました。

• 人工知能の専門知識を持つ人材が不足しています。

• AI テクノロジー製品の構築と拡張は困難です。

• AI アプリケーションを本番運用に導入するには、時間とコストがかかります。

Amazon SageMaker は、機械学習の各ステップの面倒な作業を排除するように設計されています。 AWS は 5 月 12 日、Western Cloud Data が運営する AWS 中国 (寧夏) リージョンと Sinnet が運営する AWS 中国 (北京) リージョンで Amazon SageMaker が正式に開始されたと発表しました。

Amazon SageMaker は、事前設定されたノートブック、PB レベルのデータセットに最適化された共通アルゴリズム、自動モデルチューニングを通じて、モデルの構築とトレーニングの難易度を軽減します。さらに、Amazon SageMaker は、モデルのトレーニングと推論の実行のためのインフラストラクチャを自動的に提供および管理することで、モデルのトレーニングプロセスを簡素化および高速化します。

同時に、AWS は最近、顧客による機械学習モデルの構築、トレーニング、調整、およびデプロイを容易にするいくつかの重要な機能と高度な機能を発表しました。これらの機能には以下が含まれます:

• 機械学習用の統合開発環境 (IDE): Amazon SageMaker Studio は、機械学習のすべてのコンポーネントを統合します。開発者は、Amazon SageMaker Studio でソースコード、依存関係、ドキュメント、その他のアプリケーションアセットを表示および整理できます。Amazon SageMaker Studio を使用すると、機械学習モデルの構築、トレーニング、解釈、検査、監視、デバッグ、実行が簡単かつ迅速になります。

• エラスティック ノートブック: Amazon SageMaker ノートブックは、数秒で拡張できるエラスティック コンピューティング機能を備えた Jupyter ノートブックをワンクリックでアクティブ化できるため、開発者はノートブックに必要なコンピューティング能力 (GPU アクセラレーションを含む) を簡単に増減できます。これらの調整は、開発者の作業を中断することなく、バックグラウンドで自動的に行われます。 Amazon SageMaker Notebooks では、特定の環境とライブラリの依存関係を自動的にコピーすることもできるため、ノートブックをワンクリックで共有できます。

• 実験管理: Amazon SageMaker Experiments は、開発者が機械学習モデルの反復を整理および追跡するのに役立ちます。 Amazon SageMaker Experiments は、入力パラメータ、設定、結果を自動的にキャプチャし、「実験」として保存して、開発者がこれらの反復を管理できるようにします。 Amazon SageMaker Experiments を使用すると、開発者は迅速に反復処理を行い、高品質のモデルを開発しやすくなります。

• デバッグと分析: Amazon SageMaker Debugger は、モデルトレーニングのデバッグと分析、精度の向上、トレーニング時間の短縮、開発者がモデルをより深く理解するために使用されます。 Amazon SageMaker Debugger を使用すると、Amazon SageMaker でトレーニングされたモデルは、収集された主要なメトリクスを自動的に出力します。Amazon SageMaker Debugger は、開発者がモデルの動作を解釈するのにも役立ち、ニューラルネットワークの解釈可能性に向けた第一歩を踏み出します。

• モデルを自動的に構築: Amazon SageMaker Autopilot は、開発者がモデルの制御と可視性を維持できるようにする業界初の自動化された機械学習機能です。 Amazon SageMaker Autopilot は、生データを自動的に検査し、機能プロセッサを適用し、最適なアルゴリズムセットを選択し、複数のモデルをトレーニングして調整し、パフォーマンスを追跡して、パフォーマンスに基づいてモデルをランク付けします。開発者は、アプリケーションシナリオに最適なモデルを選択し、さまざまな最適化係数と組み合わせて複数の候補モデルを検討できます。

• コンセプトドリフトの検出: Amazon SageMaker Model Monitor を使用すると、開発者はコンセプトドリフトを検出して修正できます。開発者は、Amazon SageMaker Model Monitor のすぐに使用できる機能を使用してドリフトを検出したり、Amazon SageMaker Model Monitor で監視する独自のルールを記述したりできます。 Amazon SageMaker Model Monitor を使用すると、開発者はトレーニング データやアルゴリズムを調整してコンセプト ドリフトに対処しやすくなります。

IDCのレポートは、中国の人工知能市場は世界第2位の規模を誇る単一の人工知能市場となり、市場規模は依然として急速な成長を続けていると指摘した。現在、企業のデジタル変革プロジェクトの40％は人工知能を活用しています。人工知能は各事業部門に欠かせないものとなり、大規模なイノベーションを推進し、莫大なビジネス価値を実現します。