AWS が Amazon SageMaker の 9 つの新機能をリリース

12 月 9 日、Amazon Cloud Service (AWS) が開催する年次イベント AWS re:Invent において、AWS は業界をリードする機械学習サービス Amazon SageMaker の 9 つの新機能のリリースを発表しました。これにより、開発者はエンドツーエンドの機械学習ワークフローをより簡単に自動化および拡張できるようになります。本日のリリースには、より簡単なデータ前処理、専用の機能ストア、自動化されたワークフロー、データの偏りを減らして予測説明を改善するトレーニング データの可視性の向上、大規模モデルの分散トレーニングの最大 2 倍の高速化、エッジ デバイス上のモデルの監視など、強力な新機能が統合されています。

機械学習はますます主流になりつつありますが、まだ急速に進化しています。機械学習が注目を集めていることを考えると、機械学習モデルの作成は簡単なはずのように思えますが、実際はそうではありません。モデルを作成するには、開発者がまずデータを準備する必要があり、データの準備は手作業に大きく依存しています。次に、データ探索のためにデータを視覚化し、適切なアルゴリズムとフレームワークを選択し、モデルをトレーニングし、モデルトレーニングパラメータを調整および最適化し、モデルをデプロイして、そのパフォーマンスを監視します。モデルが時間の経過とともに期待どおりに機能することを確認するには、このプロセスを継続的に繰り返す必要があります。これまでは、最も熟練した開発者だけが機械学習に取り組むことができました。しかし、Amazon SageMaker はこれを変更しました。 Amazon SageMaker は、機械学習プロセスのあらゆる段階から課題を取り除き、開発者やデータサイエンティストが機械学習モデルを構築、トレーニング、デプロイする作業を大幅に容易にし、高速化する、完全マネージド型サービスです。 3M、ADP、AstraZeneca、Avis、Bayer、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、Domino’s Pizza、Fidelity Investments、GE Healthcare、Georgia-Pacific、Hearst、iFood、iHeartMedia、JPMorgan Chase、Intuit、Lenovo、Lyft、National Football League、Nerdwallet、T-Mobile、Thomson Reuters、Vanguard など、数万ものお客様が Amazon SageMaker を使用して、機械学習アプリケーションの開発と導入を加速しています。

AWS は過去 1 年間で Amazon SageMaker に 50 を超える新機能を提供しました。この基盤を基に、本日のリリースにより、開発者やデータ サイエンティストは機械学習モデルの準備、構築、トレーニング、展開、管理をより簡単に行うことができます。

• Amazon SageMaker Data Wrangler はデータ準備を自動化します。 Amazon SageMaker Data Wrangler は、機械学習用のデータ準備のための高速で簡単なツールを提供します。機械学習のためのデータ準備は複雑なプロセスです。複雑さの原因は、機械学習モデルのトレーニングに使用されるデータ フィールド (機能とも呼ばれる) が、多くの場合、さまざまなソースからさまざまな形式で取得されるという事実にあります。つまり、開発者はこのデータを抽出して正規化するためにかなりの時間を費やす必要があります。顧客は、機械学習モデルにさらに有用な入力を提供するために、特徴を複合特徴に組み合わせることもできます。たとえば、以前購入した商品、支出額、購入頻度などの特徴を組み合わせて、頻繁に利用する顧客のグループを表す複合特徴を作成し、その顧客にメンバーシップ特典を提供することができます。データを特徴に変換する作業は特徴エンジニアリングと呼ばれ、機械学習モデルを構築するプロセスにおいて開発者の多くの時間を消費します。 Amazon SageMaker Data Wrangler は、データの準備と特徴エンジニアリングを大幅に簡素化します。 Amazon SageMaker Data Wrangler を使用すると、顧客はさまざまなデータストアから必要なデータを選択し、ワンクリックでインポートできます。 Amazon SageMaker Data Wrangler には、コードを記述せずに機能を正規化、変換、結合するのに役立つ 300 を超える組み込みデータトランスフォーマーが含まれています。顧客は、機械学習向けの初のエンドツーエンドの統合開発環境である SageMaker Studio でこれらの変換を表示することで、変換が期待どおりであるかどうかをすばやくプレビューして確認できます。機能が設計された後、Amazon SageMaker Data Wrangler はそれを再利用のために Amazon SageMaker Feature Store に保存します。

• Amazon SageMaker Feature Store は機械学習機能を保存および管理します。 Amazon SageMaker Feature Store は、トレーニングと推論のための機械学習機能の保存、更新、取得、共有を容易にする新しいリポジトリを提供します。現在、お客様は機能を Amazon Simple Storage Service (S3) に保存できます。モデルに機能セットを単純に適用する場合は、これで問題ありません。しかし、現実には、ほとんどの機能は 1 つのモデルで使用されるのではなく、複数の開発者やデータ サイエンティストによって複数のモデルで再利用されます。新しい機能が作成されると、開発者はそれを再利用できるようにしたいと考えています。その結果、管理する S3 オブジェクトが複数になり、管理がますます困難になります。開発者やデータ サイエンティストは、スプレッドシート、メモ、電子メールを使用してこの問題を解決しようとします。経営特性を追跡するアプリケーションの開発も試みましたが、これは多大な労力を要し、エラーが発生しやすいものでした。さらに、開発者やデータ サイエンティストは、同じ機能と利用可能なすべてのデータを使用して複数のモデルをトレーニングする必要があり、このプロセスには最大で数時間かかることがあります。また、推論時にこれらの機能を使用する必要があり、数ミリ秒で予測を返す必要があり、関連する機能のサブセットのみを使用することもよくあります。たとえば、開発者はプレイリスト内の次のベスト曲を予測するモデルを作成したい場合があります。これを実現するために、開発者は何千もの曲でモデルをトレーニングし、推論中に再生された最後の 3 曲をモデルに入力して次の曲を予測します。トレーニングと推論は非常に異なるユースケースです。トレーニング中、モデルはオフラインでバッチで機能にアクセスできます。推論の場合、モデルは機能のサブセットにリアルタイムでアクセスする必要があります。機械学習モデルは同じ特徴ソースを使用し、データの一貫性を維持する必要があるため、これら 2 つの異なるアクセス モードでは、開発者が機能の一貫性とタイムリーな更新を維持することが困難になります。 Amazon SageMaker Feature Store は、開発者が機能にアクセスして共有するための専用の機能ライブラリを提供することでこの問題を解決し、開発者とデータ サイエンティストのチームが機能の命名、整理、検索、共有を簡単に調整できるようにします。 Amazon SageMaker Feature Store は Amazon SageMaker Studio に統合されており、推論のための 1 ミリ秒の低レイテンシーアクセスを提供します。 Amazon SageMaker Feature Store を使用すると、開発者はトレーニング用の大規模な機能バッチと推論用の小規模な機能サブセットバッチを簡単に整理および更新できます。これにより、機械学習モデルの機能の一貫したビューが提供され、モデル生成の難易度が軽減され、高精度の予測が可能になります。

•ワークフローの管理と自動化のための Amazon SageMaker Pipelines。 Amazon SageMaker Pipelines は、機械学習専用に構築された、初めての使いやすい CI/CD (継続的インテグレーションと継続的デリバリー) サービスです。顧客は、特徴エンジニアリングにおいて、オーケストレーションと自動化のメリットを享受できる機械学習に関わる複数のステップがあることに気付くでしょう。これは従来のプログラミングと変わりません。従来のプログラミングでは、顧客は CI/CD などのツールを使用して、アプリケーションをより迅速に開発および展開できます。しかし、CI/CD ツールは存在しないか、セットアップ、構成、管理が難しいため、今日の機械学習ではほとんど使用されていません。 Amazon SageMaker Pipelines を使用すると、開発者はエンドツーエンドの機械学習ワークフローの各ステップを定義できます。これらのワークフローには、データのロード手順、Amazon SageMaker Data Wrangler を使用した変換、Amazon SageMaker Feature Store への機能の保存、トレーニング構成とアルゴリズム設定、デバッグ手順、最適化手順が含まれます。 Amazon SageMaker Pipelines を使用すると、開発者は Amazon SageMaker Studio から同じ設定を使用してエンドツーエンドのワークフローを簡単に繰り返し実行し、毎回まったく同じモデルを取得したり、新しいデータを使用してワークフローを定期的に再実行してモデルを更新したりできます。ワークフローを実行するたびに、Amazon SageMaker Pipelines は、機械学習の実験とモデルのバージョンを整理および追跡するための Amazon SageMaker の機能である Amazon SageMaker Experiments に各ステップを記録します。これにより、開発者は機械学習モデル、トレーニング パラメータ、結果の比較を視覚化して反復処理できるようになります。 Amazon SageMaker Pipelines を使用すると、ワークフローをチーム間で共有および再利用して、モデルを再作成したり、新しい機能、アルゴリズム、最適化を使用してモデルを改善するための出発点として使用したりできます。

• Amazon SageMaker Clarify を使用したバイアス検出とモデルの説明。 Amazon SageMaker Clarify は、機械学習ワークフロー全体にわたってバイアス検出を提供し、開発者がモデルの公平性と透明性を高めることを可能にします。開発者は、トレーニングと推論のためのデータを準備したら、データに統計的な偏りがなく、モデルの予測が透明であることを確認して、モデルの機能がどのように予測されるかを説明できるようにする必要があります。現在、開発者はオープンソース ツールを使用してデータ内の統計的偏りを検出しようとすることがあります。しかし、これらのツールでは多くの手動プログラミング作業が必要であり、エラーが発生しやすくなります。 Amazon SageMaker Clarify を使用すると、開発者は機械学習ワークフロー全体で統計的バイアスをより簡単に検出し、機械学習モデルによる予測の説明を提供できるようになります。 Amazon SageMaker Clarify は Amazon SageMaker Data Wrangler に統合されており、特徴データに基づいて一連のアルゴリズムを実行してデータ準備プロセスにおけるバイアスを識別し、バイアスの考えられる原因とその重大度を明確に説明します。このようにして、開発者はバイアスを軽減するための措置を講じることができます。 Amazon SageMaker Clarify は Amazon SageMaker Experiments とも統合されており、開発者はトレーニング済みのモデルの統計的偏りを簡単にチェックできるようになります。また、モデルに入力される各機能が予測にどのように影響するかについても詳しく説明します。最後に、Amazon SageMaker Clarify は、Amazon SageMaker Model Monitor と統合されています。これは、本番環境の機械学習モデルの品質を継続的に監視し、モデル機能の重要性が変化してモデル予測の品質が変化した場合に開発者に警告する Amazon SageMaker の機能です。

• Amazon SageMaker Debugger の Deep Profiling を使用して、モデルトレーニングのプロファイリングを実行します。 Amazon SageMaker Debugger のディーププロファイリングは、システムリソースの使用率を自動的に監視し、トレーニングのボトルネックに関するアラートを提供するため、開発者はモデルをより速くトレーニングできます。現在、開発者には、システム使用率 (GPU、CPU、ネットワーク スループット、メモリ I/O など) を監視して、トレーニング ジョブのボトルネックを特定し、トラブルシューティングするための標準的な方法がありません。その結果、開発者はモデルを可能な限り迅速かつコスト効率よくトレーニングすることができません。 Amazon SageMaker Debugger は、新しい Deep Profiling 機能でこの問題に対処します。この機能により、開発者は Amazon SageMaker Studio でシステムリソースの使用状況を視覚的にプロファイリングおよび監視できるようになります。これにより、開発者は物事の真相を解明しやすくなり、機械学習モデルのトレーニングにかかる​​時間とコストが削減されます。これらの新しい機能により、Amazon SageMaker Debugger はシステムリソースの使用率の監視範囲を拡大し、Amazon SageMaker Studio または AWS CloudWatch を通じてトレーニング中に問題が発生した場合にアラートを送信し、使用状況をトレーニングジョブのさまざまな段階やトレーニング中の特定の時点 (トレーニングジョブの開始後 28 分など) に関連付けます。 Amazon SageMaker Debugger は、アラートに基づいてアクションをトリガーすることもできます (たとえば、不健全な GPU 使用率が検出されたときにトレーニングジョブを停止するなど)。 Amazon SageMaker Debugger Deep Profiling は、PyTorch、Apache MXNet、TensorFlow のトレーニングタスクに使用でき、トレーニングスクリプトのコードを変更することなく、必要なシステムおよびトレーニングメトリクスを自動的に収集します。これにより、開発者は Amazon SageMaker Studio でのトレーニング中にシステムリソースの使用状況を視覚化できます。

• Amazon SageMaker の分散トレーニングでトレーニング時間を短縮します。 Amazon SageMaker の分散トレーニングにより、大規模で複雑なディープラーニング モデルを現在の方法よりも最大 2 倍速くトレーニングできるようになります。現在、スマート アシスタントの自然言語処理、自律走行車のオブジェクト検出と分類、大規模なコンテンツ モデレーションの画像分類などの高度な機械学習のユース ケースでは、トレーニングのためにますます大規模なデータセットとより多くの GPU (グラフィックス プロセッシング ユニット) メモリが必要になります。ただし、これらのモデルの一部は大きすぎて、単一の GPU によって提供されるメモリに収まりきりません。顧客は複数の GPU にモデルを分割することもできますが、モデルを分割する最適な方法を見つけてトレーニング コードを調整するには、多くの場合、何週間にも及ぶ面倒な実験が必要になります。これらの課題を克服するために、Amazon SageMaker の分散トレーニングでは、開発者がコストを増やすことなく、最大 2 倍の速さで大規模なモデルをトレーニングできる 2 つの分散トレーニング機能を提供しています。分散トレーニングは、Amazon SageMaker のデータ並列エンジンと連携して、複数の GPU 間でデータを自動的に分割し、トレーニングジョブを 1 つの GPU から数百または数千の GPU に拡張することで、トレーニング時間を最大 40% 短縮します。トレーニング時間を短縮できる理由は、Amazon SageMaker のデータ並列エンジンが GPU を管理するために特殊なアルゴリズムを使用し、AWS インフラストラクチャを最大限に活用し、最適な同期を実現し、ほぼ線形のスケーリング効率を備えているためです。分散トレーニングは、Amazon SageMaker モデル並列エンジンと連携して、モデルを分割する最適な方法を自動的にプロファイルして特定し、数十億のパラメータを持つ大規模で複雑なモデルを複数の GPU に効率的に分割できます。彼らは、バランスの取れた計算を最適化し、GPU 間の通信を最小限に抑えるグラフ分割アルゴリズムを使用してこれを実現し、それによってコードのリファクタリングを最小限に抑え、GPU メモリの制限によって発生するエラーを減らします。

• Amazon SageMaker Edge Manager を使用してエッジデバイス上のモデルを管理します。 Amazon SageMaker Edge Manager は、開発者がエッジデバイスのクラスターにデプロイされた機械学習モデルを最適化、保護、監視、および保守するのに役立ちます。顧客は現在、Amazon SageMaker Neo を使用してエッジデバイス用にモデルを最適化しており、これにより、精度を損なうことなく、メモリ使用量を 10 分の 1 未満に抑えながら、モデルを最大 2 倍高速に実行できます。ただし、エッジ デバイスに展開された後も、モデルが引き続き高い精度で動作していることを確認するために、顧客はモデルを管理および監視する必要があります。 Amazon SageMaker Edge Manager は、モデルを最適化してターゲットデバイスでより高速に実行し、エッジデバイスのモデルを管理することで、顧客がエッジデバイスのフリート全体で機械学習モデルを準備、実行、監視、更新できるようにします。お客様は、Amazon SageMaker Edge Manager を使用してモデルに暗号署名したり、エッジデバイスから Amazon SageMaker に予測データをアップロードして監視および分析したり、Amazon SageMaker コンソールでレポートを表示してモデルの健全性を追跡および視覚化したりできます。 Amazon SageMaker Edge Manager は、エッジデバイスからデータをサンプリングし、それを Amazon SageMaker Model Monitor に送信して分析し、時間の経過とともに精度が低下したときにモデルを再トレーニングすることで、以前はクラウドでのみ利用可能だった機能を拡張し、開発者がモデルの品質を継続的に向上できるようにします。

• Amazon SageMaker JumpStart で機械学習の旅を始めましょう。 Amazon SageMaker JumpStart は、開発者に、最適なソリューション、アルゴリズム、ノートブックの例を見つけるための、使いやすく検索可能なインターフェイスを提供します。現在、機械学習の経験が不足している顧客は機械学習の導入を始めるのが難しく、一方で上級開発者はすべてのアプリケーション シナリオに機械学習を適用するのが困難です。 Amazon SageMaker JumpStart を使用すると、お客様は機械学習シナリオに関連する情報をすばやく見つけることができるようになります。機械学習を初めて使用する開発者は、いくつかの完全なエンドツーエンドの機械学習ソリューション (不正検出、解約予測、時系列予測など) から選択し、Amazon SageMaker Studio 環境に直接デプロイできます。経験豊富なユーザーは、100 を超える機械学習モデルから選択して、モデルの構築とトレーニングをすぐに開始できます。

「何千人もの開発者やデータサイエンティストが、すでに当社の業界をリードする機械学習サービスである Amazon SageMaker を使用して、カスタム機械学習モデルの構築、トレーニング、展開の障壁を取り除いています」と、AWS の Amazon Machine Learning 担当副社長である Swami Sivasubramanian は述べています。「SageMaker のような広く採用されているサービスを持つことの最も良い点は、お客様からの意見を活用できることです。これが当社の次の製品群の提供の原動力となります。本日、Amazon SageMaker 用のツールセットを発表します。これにより、開発者はエンドツーエンドの機械学習パイプラインを簡単に構築して、カスタム機械学習モデルを準備、構築、トレーニング、解釈、検査、監視、デバッグ、実行することができ、可視性、説明可能性、自動化が大規模に実現します。」

3Mは世界70カ国で事業を展開し、200カ国で販売を行っています。同社が生み出した技術と製品は、あらゆる企業の発展を牽引し、あらゆる家庭の日常生活を向上させています。 「3M の成功は、起業家精神に富んだ研究者と科学への絶え間ない集中によって推進されています。当社製品の科学を進歩させる方法の 1 つは、AWS で機械学習技術を使用することです」と、3M エンタープライズ システム リサーチ ラボのテクニカル ディレクターである David Frazee 氏は述べています。 「3M は、機械学習を使用して、サンドペーパーなどの実績のある製品を改善し、ヘルスケアを含む他の分野でイノベーションを推進しています。3M では機械学習をより多くの分野に拡大する計画があるため、データとモデルは急速に成長しており、毎年 2 倍になっています。Amazon SageMaker の新機能は拡張に役立つため、非常に期待しています。Amazon SageMaker Data Wrangler を使用すると、モデルトレーニング用のデータの準備が容易になり、Amazon SageMaker Feature Store を使用すると、同じモデル機能を繰り返し作成する必要がなくなります。最後に、Amazon SageMaker Pipelines は、データの準備、モデルの構築、モデルの展開をエンドツーエンドのワークフローに自動化し、実稼働までの時間を短縮するのに役立ちます。当社の研究者は、3M でこれらのツールを使用して科学的イノベーションを加速することを楽しみにしています。」

デロイトは世界中の組織の変革を支援しています。デロイトは、クライアントとコミュニティに測定可能で持続可能な成果をもたらすために、業務の進め方と市場の課題への取り組み方を進化させ続けています。 「Amazon SageMaker Data Wrangler は、データ準備のニーズを満たし、新製品の市場投入までの時間を短縮する豊富なデータ変換ツールを提供します」と、デロイトの AI エコシステムおよびプラットフォーム リーダーである Frank Farrall 氏は述べています。「その結果、当社のクライアントは、大規模な展開のスピードの恩恵を受け、数か月ではなく数日でクライアントのニーズを満たす測定可能で持続可能な結果を​​提供できるようになります。」

INVISTA は 2004 年から Koch Industries の子会社であり、ナイロン 6,6 の独自の原料を市場に提供しており、STAINMASTER、CORDURA、ANTRON などの有名ブランドを所有しています。同社は、化学中間体、ポリマー、繊維の総合生産者としては世界最大手の一社です。 「INVISTA では、変革を推進し、世界中のお客様にメリットをもたらす製品とテクノロジーの開発に努めています」と、INVISTA のチーフデータサイエンティストである Caleb Wilkinson 氏は述べています。「当社は、機械学習をカスタマーエクスペリエンスを向上させる方法と考えています。しかし、何億ものレコードのデータセットでは、データの準備、大規模な機械学習モデルの開発、展開、管理を支援するソリューションが必要です。これらのプロセスをスピードアップするために、AWS チームと協力して新しい機能を開発しました。Amazon SageMaker Data Wrangler を使用すると、データをインタラクティブに選択、クリーンアップ、探索、効果的に理解できるようになり、データサイエンスチームは、何億ものレコードにまたがるデータセットに簡単に拡張できる機能エンジニアリングパイプラインを作成できるようになりました。また、Amazon SageMaker Pipelines を使用して、機械学習ワークフローを大規模に自動化および管理することもできます。これにより、機械学習ワークフローのステップを簡単に接続できます。Amazon SageMaker Data Wrangler と Amazon SageMaker Pipelines を組み合わせることで、機械学習ワークフローをより速く実行できます。」

Snowflake Data Cloud は、あらゆる規模の企業がデータから真の価値を引き出すことを妨げる障壁を打ち破ります。 「当社のエンタープライズ顧客が直面する最大の課題の 1 つは、機械学習プロジェクト用のデータの準備です」と、Snowflake の製品担当 SVP、Christian Kleinerman 氏は述べています。「Amazon SageMaker Data Wrangler は、企業が機械学習用のデータをより簡単に集約および準備できるようにするもので、当社は非常に期待しています。Amazon SageMaker Data Wrangler のデータソースとして Snowflake が追加されたことで、当社の共通の顧客はまもなく、Amazon SageMaker のインタラクティブなデータ準備および機械学習機能に加えて、Snowflake の統合プラットフォーム機能を活用できるようになります。顧客は、生データから機械学習モデルと洞察をこれまでよりも迅速に取得できるようになります。」

Databricks は、Apache Spark™、Delta Lake、MLflow の作成者によって 2013 年に設立されました。データ エンジニアリング、データ サイエンス、データ分析をオープンな統合プラットフォームに統合し、データ チームのコラボレーションとイノベーションの迅速化を実現します。 「Databricks では、データ チームがより迅速に連携し、革新を起こせるよう、データ エンジニアリングとデータ サイエンスをデータ分析と融合させることに注力しています」と、Databricks の製品担当シニア バイスプレジデントである Adam Conway 氏は述べています。 「当社は、2021 年も AWS とのコラボレーションを継続することを楽しみにしています。特に、当社のお客様は Amazon SageMaker Data Wrangler にシームレスにアクセスできるようになるからです。このパートナーシップを通じて、お客様は Delta Lake と Amazon SageMaker を活用してトレーニングデータを準備し、最も正確な機械学習モデルを作成できます。」

MongoDB Atlas は、チームが迅速に構築、拡張、反復できるように設計された人気のデータベースである MongoDB の完全マネージド サービスです。 「MongoDB の使命は、データを驚くほど実用的なものにして、すべての人の才能を解き放つことです。150 万を超えるデータベース クラスターが稼働している MongoDB Atlas は、お客様のミッション クリティカルなアプリケーションを支えています。私たちは、これらのアプリケーションによって生成されたデータに基づいて機械学習モデルを簡単に構築、トレーニング、展開できるようにしたいと考えています」と、MongoDB の CTO である Mark Porter 氏は述べています。 「当社のお客様が Amazon SageMaker Data Wrangler を使用して、機械学習用のデータをより高速かつ視覚的に取り込み、準備できるようになったことを嬉しく思います。2021 年には、お客様は Amazon SageMaker Data Wrangler で Amazon S3 と MongoDB Atlas のデータをクエリおよび分析できるようになり、データからより多くの価値をより速く引き出すことができるようになります。」

Intuit は、ミッション主導型のグローバル金融プラットフォーム企業であり、TurboTax、QuickBooks、Mint といった待望の製品を生み出しています。 「当社は 2017 年に、モデル開発、トレーニング、ホスティングのための Amazon SageMaker のパワーと、Intuit 独自のオーケストレーションおよび機能エンジニアリングの能力を組み合わせて、Intuit の新しい機械学習プラットフォームを AWS 上に構築することを選択しました」と、Intuit のデータプラットフォームエンジニアリング担当副社長 Mammad Zadeh 氏は述べています。 「その結果、モデル開発のライフサイクルが大幅に短縮され、TurboTax、QuickBooks、Mint 製品に AI 機能を非常に速いペースで組み込むことができるようになりました。以前は丸 6 か月かかっていた作業が、今では 1 週間もかかりません。Amazon SageMaker Feature Store のリリース前に AWS と緊密に連携していましたが、完全に管理された機能ストアの実現により、組織全体で複数の機能ストアを維持する必要がなくなることを非常にうれしく思っています。当社のデータ サイエンティストは、中央の機能ストアから既存の機能を使用し、チームやモデル間で機能の標準化と再利用を推進できるようになります。」

バイエルの子会社であるクライメート・コーポレーションは、デジタルツールを使用して農家の生産性を向上させ、世界中の農家にデジタルイノベーションをもたらす業界のリーダーです。 Climate は、農業データから影響力のある洞察を得て、農家がこれまでにないほど畑を理解できるよう支援することに取り組んでいます。 「クライメートでは、世界中の農家に正確な情報を提供して、データに基づいた意思決定を行い、1エーカーあたりの収益を最大化できるようにすることが大切だと考えています」と、クライメートのデータおよび分析担当副社長ダニエル・マカフリーは述べています。 「この目標を達成するために、私たちは機械学習ツールなどのテクノロジーに投資し、栽培者の畑の収穫量など、特徴と呼ばれる測定可能なエンティティを使用してモデルを構築しました。Amazon SageMaker Feature Store を使用すると、複数のチームが簡単にアクセスして再利用できる特徴の一元化されたリポジトリを通じて、機械学習モデルの開発を加速できます。Amazon SageMaker Feature Store を使用すると、オンラインの特徴リポジトリを通じてリアルタイムで特徴にアクセスしたり、さまざまなユースケースに対応するためにオフラインの特徴リポジトリに定期的にアクセスしたりできます。Amazon SageMaker Feature Store を使用すると、機械学習モデルをより迅速に開発できます。」

DeNA は、ゲーム、電子商取引、エンターテイメント コンテンツの配信を提供する、日本を代表するモバイルおよびオンライン サービス プロバイダーです。 「DeNAの使命は、AIと機械学習を活用して顧客に影響を与え、顧客を喜ばせることです。価値に基づくサービスを提供することが私たちの主な目標であり、私たちのビジネスとサービスがこの目標を達成するために適切な位置にあることを確認したいと考えています」と、DeNA AI Systemsのゼネラルマネージャーである山田健信氏は述べています。 「当社の主要な取り組みの 1 つは、人工知能と機械学習の機能を強化することです。Amazon SageMaker は、正確なモデルをトレーニングしてデプロイするための幅広い機能を提供し、多くのビジネスに機械学習をデプロイするのに役立ちます。エンジニアリング チームに使いやすいデータ準備を提供することも、当社の重点分野です。Amazon SageMaker Data Wrangler を使用すると、追加のコードを記述することなく、豊富な変換ツール スイートを使用してワンストップで問題を解決できます。データ準備の効率が向上するにつれて、さまざまなビジネス チームがアプリケーションの機能を構築する際に作業が重複しないようにすることも望んでいます。組織全体で機能を探索して再利用したいと考えており、Amazon SageMaker Feature Store は、さまざまなアプリケーションの機能をシンプルかつ効果的に再利用するのに役立ちます。Amazon SageMaker Feature Store は、標準の機能定義を維持し、モデルをトレーニングして実際のアプリケーションにデプロイするときに機能の一貫性を保つのにも役立ちます。Amazon SageMaker のこれらの新機能により、機械学習モデルをより迅速にトレーニングしてデプロイできるため、イノベーションを継続し、最高のサービスでお客様に満足していただけます。」

iFood はオンライン食品配達ウェブサイトであり、ラテンアメリカ最大の食品配達会社の 1 つとして、消費者に質の高いサービスを提供しています。 「iFoodでは、機械学習などの技術を活用して、お客様に喜んでいただけるサービスを提供するよう努めています」と、iFoodのチーフデータサイエンティストであるSandor Caetano氏は述べています。 「当社は、ビジネス全体で高品質なアプリケーションを構築するために、機械学習タスクに Amazon SageMaker を使用しています。機械学習作業のさらなる拡大において重要な部分は、モデルの開発、トレーニング、デプロイを行う完全でシームレスなワークフローを構築することです。Amazon SageMaker Pipelines は、複数のスケーラブルな自動機械学習ワークフローを迅速に構築するのに役立ち、モデルを簡単かつ効果的にデプロイおよび管理できるため、開発サイクルがより効率的になります。当社は、Amazon SageMaker のすべての新機能を使用して、人工知能と機械学習テクノロジーにおけるリーダーシップをさらに強化し、優れた顧客サービスと効率性を提供していきます。」

ドイツのトップサッカーリーグであるブンデスリーガとブンデスリーガ2部を主催およびマーケティングするDFL Deutsche Fußball Ligaは、AWSが提供するBundesliga Match Factsを通じて、世界中のファンとテレビ放送局に高度なスポーツ分析を提供するために、2020年1月にAWSを公式テクノロジープロバイダーに指名しました。 「Amazon SageMaker Clarify は、ブンデスリーガ Matchfacts デジタル プラットフォームの他の部分とシームレスに統合されており、当社の長期戦略の重要な部分は、Amazon SageMaker で機械学習ワークフローを標準化することです」と、DFL グループのデジタル イノベーション担当エグゼクティブ バイスプレジデント、Andreas Heyden 氏は述べています。 「AWS の機械学習などの革新的なテクノロジーを使用することで、より深い洞察を提供し、ファンがピッチ上の瞬間をよりよく理解できるようにしています。また、ブンデスリーガ マッチ ファクトでは、視聴者が各試合における主要な選手の決定をより深く理解できるようにしています。」

CS DISCO は、さまざまな法的タスクを簡素化する自動化ソリューションを提供する SaaS プロバイダーです。 「CS DISCO では、eDiscovery 向け DISCO AI プラットフォームにより、法的証拠の確認方法に革命をもたらしました」と、CS DISCO の主任データ サイエンティストであるアラン ロケット氏は述べています。 「当社は、高度なディープラーニング モデルのトレーニングを高速化するために常に取り組んでいます。AWS の Amazon SageMaker チームと連携し、分散トレーニングなどのテクノロジーを使用して AI ユースケースを加速しています。」

Turbine は、患者に標的癌治療を提供するシミュレーション主導の創薬企業です。 「当社では、独自のネットワーク アーキテクチャに基づく機械学習を使用して、Simulated Cell™ と呼ばれるバイオインフォマティクス ヒト細胞モデルをトレーニングしています。Simulated Cell™ は、分子レベルでさまざまな介入を正確に予測することで、新しいがん治療薬を発見したり、既存の治療法との組み合わせオプションを見つけたりするのに役立ちます」と、Turbine の CTO である Kristóf Szalay 氏は述べています。 「当社は細胞シミュレーションを反復的にトレーニングしていますが、各トレーニング セッションは 1 台のマシンで数日かかるため、新しいアイデアを迅速に反復する必要性が妨げられています。Amazon SageMaker での分散トレーニングには非常に期待しています。これによりトレーニング時間が 90% 短縮され、細胞モデル トレーニングに最適なコードを書くという主要タスクに集中できます。Amazon SageMaker により、最終的には、患者向け​​の新しいがん治療薬の特定と開発という当社の主要ミッションをより効率的に達成できるようになります。」

Latent Space は、世界初の完全 AI レンダリング 3D ゲーム エンジンの構築に特化したスタートアップ企業です。 「潜在スペースでは、誰でもすぐに作成できるニューラルレンダリングベースのゲームエンジンを構築しています。 「現在の焦点は、複雑な機械学習パイプラインがある大規模なモデルトレーニングを強化するための情報検索を活用することにあります。このセットアップは、複数のデータソースと複数のモデルが同時にトレーニングされているため、分散トレーニングに課題をもたらします。

Lenovoは、世界最大のパーソナルコンピューターメーカーです。 Lenovoは、ノートブックコンピューター、タブレット、スマートフォン、さまざまなスマートIoTデバイスなどのデバイスを設計および製造しています。 「Lenovoでは、私たちは単なるハードウェアのベンダーではありません。 「Lenovo Device Intelligenceを使用すると、IT管理者はPCの問題を積極的に診断し、潜在的なシステムの障害を事前に診断し、ダウンタイムを減らし、従業員の生産性を向上させることができます。AmazonSagemakerNeoと組み合わせて、デバイス予測モデルのパフォーマンスを大幅に向上させ、Amazon Sagemaker Edge Managerをさらに採用することを促しましたこれは、モデルが他の同様の機械学習プラットフォームよりも少ないメモリを消費することを期待しています。ワークフロー、生産性が大幅に向上します。」

Basler AGは、産業、医学、輸送、その他のさまざまなアプリケーション向けの高品質のデジタルカメラとアクセサリーの大手メーカーです。 「Basler AGは、Amazon Sagemaker Edgeマネージャーが有効にした新しい機能を備えた、製造、医療、小売業など、さまざまな業界にインテリジェントなコンピュータービジョンソリューションを提供しています。 「機械学習ソリューションのパフォーマンスと信頼性を確保するには、エッジデバイスの機械学習モデルを継続的に監視、維持、改善できるスケーラブルなエッジクラウドMLOPSツールが必要です私たちと顧客の時間とコストを節約します。」

Mission Automateは、世界中のクライアントがソフトウェアソリューションを設計するのに役立ちます。 「私たちは、お客様に最高品質のソフトウェアを提供するための新しいソリューションを常に探していますが、小さな組織として、他の組織のような専門分野をセグメント化する能力はありません」 「Amazon Sagemaker Jumpstartは、サービスの提供を増やし、コストを削減するためにワークフローで使用できる新しいテクノロジーなど、機械学習をより速く開始する方法を提供しますブリー。」

Mycaseは、法律事務所がどこからでも効率的に運営され、優れたクライアントエクスペリエンスを提供し、企業のパフォーマンスを簡単に追跡するのに役立つ強力な法的ビジネス管理ソフトウェアを提供します。 MycaseのソフトウェアエンジニアであるGus Nguyen氏は、次のように述べています。 「Amazon Sagemaker Jumpstartを使用すると、ワンクリックでエンドツーエンドのソリューションを開き、さまざまなノートブックを取得し、予測を通じて顧客をより深く理解し、ニーズをよりよく満たすことができます。AmazonSagemakerJumpstartを使用することで、3か月から4ヶ月までのシナリオに機械学習ソリューションの展開を減らすことができます。