高度なクラウド アプリケーション: Amazon Web Services の AI イノベーションの実践

クラウド コンピューティングは、1 兆ドル規模の市場規模を持つ新しい形態のサービスです。人工知能は急速な発展段階に入り、インテリジェント時代の火付け役となっています。クラウド コンピューティングと人工知能は、2 つの独立したテクノロジー エコシステムのように見えますが、実際には密接に関連しています。両者の組み合わせは互いに補完し合い、さらなる価値を生み出します。では、クラウドにおける人工知能の価値は何でしょうか?本記事で紹介させていただきます。

1. クラウドコンピューティングと人工知能

今では、都市部でも田舎でも、水道水が絶対的な主流となっています。蛇口を軽くひねるだけで、すぐに安定した水の流れが出てきます。水は人々の家に届けられる前に処理され、検査されます。水質問題を心配する必要はなく、自分で井戸を掘る必要もなく、水汲み設備を管理する必要もありません。

クラウドコンピューティングもこれに似ています。クラウドに接続するだけで、コンピューティング アプリケーションが自然に利用できるようになります。この激しい変革は IT の世界で本格的に始まっています。企業は、独自のコンピュータ ルーム/データ センターの構築から、専門的なクラウド コンピューティング サービス プロバイダーのクラウド サービスを導入する方向に切り替えています。ソフトウェアとハ​​ードウェアのインフラストラクチャを自ら運用および管理する必要がなくなりました。需要に応じて購入し、使用した分だけ支払うだけで済みます。誰もが操作とメンテナンスに関する知識を持つ必要はなくなりました。企業は投資を削減し、ビジネスそのものにさらに注力できるようになります。

クラウドコンピューティングは10年以上開発されてきましたが、クラウドコンピューティング自体はIT技術の発展に質的な変化をもたらしていません。それはむしろテクノロジー提供モデルの変化です。これは、必要なサービスをオンデマンドで迅速かつ効率的かつ経済的に提供し、本来のニーズをより集中的に満たす方法です。クラウド コンピューティングが発展し、深く変化するにつれて、この集中的なクラウド サービス モデルは、特にクラウド コンピューティングが人工知能や機械学習と融合したときに、量的変化から質的変化へと徐々に進化してきました。

人類は1956年にダートマス大学で開催された会議で人工知能の探究を始めましたが、計算能力の限界により、人工知能はいくつかのブームを経験しましたが、常に研究室や映画やテレビ作品の中の空想の中に留まり、ほとんどの人々の生活からは遠いものでした。しかし、ムーアの法則の影響により、コンピューティング能力は増加し続け、コンピューティング能力の単位エネルギー消費コストはますます低下しています。人工知能（特に機械学習）の時代がついに到来しました。

この時代、クラウドコンピューティングは急速に発展しています。クラウド コンピューティングの弾力性のあるリソースと柔軟な展開方法により、人工知能をより適切かつ迅速に展開および実装できるようになります。逆に言えば、人工知能の革新と発展の成果は、巨大なクラウドコンピューティングプラットフォームを通じて増幅されます。両者は互いに促進し合い、達成し合います。クラウドコンピューティングと人工知能の組み合わせは避けられず、ますます多くの機械学習がクラウド上で実行されるようになるでしょう。

Amazon Web Services は、非常に豊富なクラウド製品レイアウトを備えた世界有数のクラウド コンピューティング プロバイダーです。また、人工知能と機械学習の製品とサービスの完全なコレクションもあり、ユーザーは一方では API を直接呼び出すことができる多くのサービスを利用でき、他方ではクラウド上で機械学習の構築、トレーニング、展開の全プロセスを完了することができます。たとえば、この目標は、Amazon Web Services の有名な機械学習開発サービスである Amazon SageMaker を通じて達成できます。

Amazon SageMaker は、企業が機械学習の旅に乗り出すためのチケットであると言えます。クラウド機械学習プラットフォームの代表的なものとして、Amazon SageMaker はクラウドの利点を活用して機械学習のコストを削減し、Amazon Web Services の非常に特徴的で実用的なクラウド機械学習サービスとなっています。

2. クラウド機械学習プラットフォームを使用する必要があるのはなぜですか?

技術開発の歴史は、技術的ソリューションのコスト削減の歴史です。かつては裕福で権力のある人々の庭を飛んでいたツバメが、今では一般の人々の家にも飛んでくるようになりました。これは、技術の反復によってもたらされた市場の成果に関するものです。

インテリジェント時代では、さまざまなアルゴリズムが数十年にわたって十分に蓄積され、データ保存のコストは十分に低く、コンピューティング能力も簡単にアクセスできるリソースです。特にクラウドコンピューティングインフラストラクチャの助けにより、人工知能（機械学習）に必要な3つの主要要素が緊密に統合され、全体的な使用コストが大幅に削減されました。当時、Wintel Alliance によって作成された PC エコシステムにより、コンピューターは個人向け消費者製品へと変化しました。今日、クラウドコンピューティングの発展は、人工知能の普及と実装において同様に重要な役割を果たすでしょう。

データの準備からモデルのトレーニング、そしてモデルの調整まで、機械学習プロセス全体にはインフラストラクチャに対する要件が比較的明確です。データ準備とモデルの展開の段階では、ニーズを満たしながらコストを可能な限り抑える必要があります。トレーニング段階では、指定された時間内にトレーニング タスクを完了するために計算能力が必要です。コンピューティング能力の需要には山と谷があることを考慮すると、クラウド コンピューティングの弾力性により、リソースを自由に呼び出したり削除したりすることができ、従量課金制の機能はコスト削減に非常に適しています。

企業が既存のアーキテクチャ上に機械学習ソリューションを導入することは不可能ではありません。ただし、前述のリソースコストの問題を克服することに加えて、ソリューションセット全体を管理するための隠れたコストを考慮し、機械学習ビジネスの一連のプロセスを確立し、データコンプライアンスの問題を独自に処理しないようにし、起こり得るデータ漏洩の問題に対処するなど、さまざまなことを行う必要があります。これらの問題を独自に解決するのではなく、多くの企業で検証されている成熟したクラウド ソリューションを選択することをお勧めします。

Amazon SageMaker は、機械学習モデルの構築、トレーニング、デプロイのためのフルマネージドサービスです。典型的なクラウドベースの機械学習プラットフォームとして、ソフトウェアおよびハードウェア プラットフォームの購入と導入における企業の初期投資を回避しながら、上記の問題を完全に解決できます。機械学習環境の構築には、多くのソフトウェアのインストールと設定が必要です。 Amazon SageMaker は、クラウドの従量課金制機能を活用することで、その後の運用および保守のアップグレードへの投資を節約し、多くのコストを節約し、投資を最大限に活用できます。

Amazon SageMaker を使用すると、面倒なトレーニング プロセスをシンプルかつ効率的にし、トレーニングに費やす時間と労力を削減し、企業がわずかな投資で機械学習がもたらす多くの利便性と利点を活用できるようになります。次に、具体的な操作を通じて、Amazon SageMaker クラウド機械学習開発プラットフォームのメリットを紹介します。

3. クラウド上の機械学習開発プラットフォームの実用化

2020 年 4 月末、Amazon Web Services は中国の Sinnet と Western Cloud Data で Amazon SageMaker をリリースしました。説明を簡単にするために、実際の運用では Amazon Web Services のグローバルリージョンの個人アカウントを使用します。中国リージョンの Amazon SageMaker サービスは、グローバルリージョンのほとんどのサービスと同じです。データラベルが一時的に提供されていない点を除けば、大部分はグローバルバージョンと一致しています。

Amazon Web Services は 2017 年に初めて Amazon SageMaker をリリースし、それ以来継続的に「反復」と更新を行っています。データの準備、モデルの構築、モデルのトレーニング/チューニングからモデルの展開と推論まで、プロセス全体のサポートを提供します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

その中でも、データ準備が提供できるサービスは、データのラベリングです。結局のところ、現在の機械学習は依然として主に教師あり学習に基づいています。このサービスは、Amazon Mechanical Turk のデータラベリングアウトソーシングサービスに関連しており、自動データラベリング機能も提供します。

モデルの構築、トレーニング、およびデプロイメントのほとんどは、ホストされた Jupyter Notebook で行われるため、Amazon SageMaker は Amazon Web Services によってホストされる Jupyter Notebook にすぎないと誤解している人もいます。

1. Amazon SageMakerは当初クラウドを活用した

次に、ノートブックインスタンスを作成し、Amazon SageMaker がクラウドの利点を活用して AI ソリューションを構築する方法を体験します。

Amazon SageMaker を開いてインスタンスを作成します。システムのデフォルトのインスタンス タイプは ml.t2.medium です。 Inference 用のインスタンスをまだ設定する必要はなく、権限やネットワーク設定を変更する必要もありません。

Amazon SageMaker コンソールでは、インスタンスを制御したり、インスタンスを停止または起動したり、さまざまな関連リソースを制御したりできます。

起動が完了したら、Jupyter を開くと上記の画像が表示されます。

上記のようにクリックして JupyterLab を開きます。

Amazon SageMaker でホストされている Jupyter と JupyterLab は、ローカル バージョンとあまり変わりません。最大の違いは、Amazon SageMaker でホストされているバージョンには、より多くのサンプル コードが含まれていることです。

デモンストレーションの目的で、K 平均法クラスタリング アルゴリズムと従来の MNIST データセットを使用して分類モデルをトレーニングし、手書き画像内の数字を認識するための明確な手順を含む簡単なサンプル コードを紹介します。

トレーニングのプロセスは次のとおりです。

最初のステップは、動作環境を設定し、必要な権限を付与することです。ここで Amazon SageMaker 独自の SDK が紹介されている点は注目に値します。簡単に言えば、さまざまなハードウェア リソースや Amazon クラウドテクノロジーに組み込まれたいくつかのアルゴリズムなど、 Amazon クラウド テクノロジーのリソースをノートブックで使用できるようになります。より便利に使用するには、この SDK セットを理解する必要があります。

2 番目のステップは、さまざまなツールキットをインポートし、トレーニングに使用されるデータの予備調査を行うことです。これは、 Amazon Web Servicesリソースとは関係ありません。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

3 番目のステップは、MNIST データセットからの上図のようなデータがどのように見えるかを確認することです。 MNIST データセット自体には、28 x 28 ピクセルの手書き画像が 700,000 枚含まれています。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

4 番目のステップでは、入力データと出力モデルの場所、トレーニングに必要なインスタンスの数、インスタンス タイプ「ml.c4.xlarge」などのトレーニング パラメータを設定します。 0～9 は 10 個の数字であり、k 値は 10 であることがわかっています。この時点で、モデルが構築されます。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

5 番目のステップは、.fit 関数を呼び出してトレーニングを完了することです。これには約 4 分かかります。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

6 番目のステップは、後続のモデル推論のために、トレーニング済みのモデルをインスタンスにデプロイすることです。

第 7 部では、検証セット データから 100 個のデータを選択し、モデルを使用して 0 から 9 までの 10 個のカテゴリに分類します。分類効果を下図に示します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

ご覧のとおり、互いに類似した画像は 1 つのカテゴリにグループ化されています。一定のパターンがあることは肉眼で確認できますが、数字が異なっているものも多く、誤差もかなり大きいです。

実際の機械学習のトレーニングプロセスでは、エラーを継続的に削減するために機械学習の専門家が必要です。さらに、K-means アルゴリズムはここでは特に適していません。データ サイエンティストは、適切なアルゴリズムを見つけ、ハイパーパラメータを継続的に調整して、最高のパフォーマンスを発揮するモデルを取得する必要があります。

このプロセスは実際には非常に面倒で複雑であり、時間がかかり、労力がかかります。この要件を満たすために、 Amazon Web Servicesの Amazon SageMaker は、ハイパーパラメータの最適化段階での自動操作を提供し、ベイズ法やランダム検索法によってハイパーパラメータを調整できます。この部分については次の内容で触れます。

実際、Amazon SageMaker でホストされている Jupyter Notebook は、ローカルマシンにデプロイすることもできます。両者の違いは、 Amazon Web Services ではクラウドリソースを操作するためのクラスライブラリがパッケージ化されており、 Amazon Web Servicesのさまざまなリソースを直接呼び出すことができる点です。この実験では、トレーニングのために 2 つの ml.c4.xlarge インスタンスを直接呼び出しました。トレーニングにはたった4分しかかかりませんでした。モデル展開フェーズでは ml.m4.xlarge が使用され、インスタンス仕様も指定できます。

地元でのみトレーニングを行う場合、地元のリソースしか利用できません。トレーニングの量がどれだけ多くても、利用できるリソースは限られています。時折発生するコンピューティングのピークに対処するには、追加のリソースを購入する必要があります。したがって、ほとんどの場合、リソースの使用率が低くなることを我慢しなければなりません。無駄は余分なコストを意味します。

トレーニングが完了した後の最後のステップとして、モデルがデプロイされているエンドポイントをクリーンアップすることを忘れないでください。

ここで、Amazon SageMaker は主にクラウドコンピューティング自体の利点を活用します。コンピューティング リソースは自由に使用でき、使用量に基づいて料金が支払われます。しかし、これはクラウドの特性を単純に予備的に利用しただけです。クラウド サービスでは、実際の使用において解決されていない厄介な問題がまだ多く残っているため、追加機能があまり多く提供されません。たとえば、トレーニング中にハイパーパラメータを繰り返し最適化するプロセスは、非常に時間と労力がかかり、非常に非人道的です。 Amazon SageMaker Studio の登場はまさにこのような問題を解決するものです。

2. Amazon SageMaker Studioはクラウドの利点を最大限に活用します

Amazon SageMaker Studio は、Web ベースの IDE ツールです。すべての開発ツールと同様に、開発環境が統合されており、コードの記述、デバッグ、実行結果の表示に使用できます。

（１）便利な開発環境

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

Amazon SageMaker Studio を作成して実行します。上の写真は Amazon SageMaker Studio の開始インターフェースで、JupyterLab インターフェースと非常によく似ています。ただし、 Amazon Web Services はここで多くの変更を加え、 Amazon Web Servicesの高度な操作を多数追加しました。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

たとえば、ランチャー ウィンドウには、TensorFlow、PyTorch、MXNet など、さまざまな一般的な機械学習フレームワークを含むさまざまなコンテナ イメージから選択できます。これらの環境は事前に構成されているため、自分で構成する手間が省けます。デフォルトの CPU バージョンに加えて、選択できる GPU バージョンもあります。

Windows でも Linux でも、ローカルで構成する場合、GPU をサポートするには面倒な操作をいくつか実行する必要があることを知っておく必要があります。実際に体験した人なら、より深い印象を受けるでしょう。現在、TensorFlow GPU バージョンはコンテナとしてデプロイできますが、Linux での操作のみがサポートされています。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

ローカル Jupyter Notebook でのカーネルの切り替え

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

ここでの Jupyter Notebook のコンテキストにおけるイメージの概念は、実際にはいつでも切り替えることができる別の Jupyter カーネルです。ここの画像もいつでも切り替え可能です。これは、Jupyter Notebook の標準バージョンでカーネルを切り替えるのと同じ概念です。

Amazon SageMaker Studio は、いつでもカーネルを切り替えることができるだけでなく、いつでもホスト構成を変更することもできます。上の図に示すように、リストされている 4 つのホストは高速切り替えをサポートしており、その他の 25 台のホストは起動がわずかに遅くなるように構成されています。ローカルネイティブの Jupyter はこの操作をサポートしていませんが、これは Amazon SageMaker Studio 独自の利点です。

新しいノートブックを開くたびに、カーネルとホストを個別に構成する必要があります。必要がなくなったらいつでもシャットダウンでき、料金は発生しません。これを「呼び出して自由に放っておく」と言います。

この時点で、開発環境は準備完了です。

（２）訓練過程の記録と検証 - 実験

Amazon SageMaker Studio の最も優れた機能は、機械学習プロセスにおける多くの面倒な問題を解決できることです。次に、一連の操作を通じてこれらの新機能を紹介します。

AutoML 実験を作成して次のことを確認しましょう。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

準備したトレーニング データを S3 にアップロードし、バケットの名前とファイル train.csv を選択します。ここで使用されるトレーニング データは、Kaggle からダウンロードしたタイタニック号の乗客救助データです。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

次に、予測するパラメータとなる列を選択します。ここでは、人が救助されたかどうかを確認するために「生存」を選択します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

次に、特定のアルゴリズムを選択せず​​に、対処したい問題を選択します。分類か回帰か、バイナリ分類かマルチ分類かのタスクか、完全な実験が必要かどうかを指定できます。デフォルトのオプションで問題ありません。最後に、「作成」をクリックすると、自動機械学習が開始されます。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

データ分析から始まり、特徴抽出エンジニアリング段階、モデルチューニング段階を経て、最終的に完了します。このプロセスは時間がかかり、トレーニングデータセット、検証データセット、テストデータの分割、アルゴリズムの選択、ハイパーパラメータの最適化など、すべての操作を完了するにはAmazon Web Services独自の機械学習プラットフォームが必要です。すべての操作はAmazon Web Servicesに引き渡されて完了します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

1 時間と数え切れないほどの試行を経て、システムは最高のパフォーマンスを発揮する試行を見つけることができます (上の図の星印で示されています)。上の図には約 20 個のチューニング ジョブ (チューニング負荷とも言う) のみが示されており、各チューニング ジョブはトレーニング済みのモデルに対応しています。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

トレーニングプロセス全体が記録されます。上の図に示すように、特定の実験で試されたいくつかのパラメータを表示し、トレーニング プロセスとトレーニング モデルの詳細を確認できます。

これらの試行は自動的に実行されます。実際のトレーニングでは、数え切れないほどの試行が行われる可能性があります。手動での記録は実用的ではなく、混乱を招きやすくなります。 SageMaker Experiments では、これらのプロセスをいつでも記録して表示できます。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

最も気に入った試行が見つかったら、いくつかの簡単な設定で最終的な展開を完了できます。

（３）自動ハイパーパラメータチューニングと自動機械学習オートパイロット

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

上記の記事では、ハイパーパラメータ調整ジョブの操作について説明しました。実際、Amazon SageMaker コンソールウィンドウで自動化されたハイパーパラメータ最適化ワークロードを作成することもできます。上の図に示すように、先ほど自動化された機械学習プロセスでもこのようなタスクを作成しました。

自動化された機械学習のタスクの一部も、自動化されたハイパーパラメータの最適化に依存していることがわかります。ただし、自動化された機械学習はより高度であり、アルゴリズムを自動的に選択し、ハイパーパラメータの最適化のためにいくつかのパラメータを設定します。ハイパーパラメータ最適化ワークロードを手動で作成する場合、これらは機械学習の専門家自身が手動で設定する必要があります。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

ハイパーパラメータ最適化ワークロードを作成するための鍵は、アルゴリズムを選択することです。 Amazon SageMaker に付属のアルゴリズムを使用することも、独自のアルゴリズムを作成することもできます。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

アルゴリズムに対応するハイパーパラメータを設定し、最適化するターゲット値を設定します。ここで精度を設定します。

Amazon SageMaker のハイパーパラメータ最適化機能により、パラメータを自動調整し、手動操作の手間を省きます。また、複数のトレーニング タスクを同時に有効にして時間を節約したり、スポット インスタンスを使用してコストを節約するように設定したりすることもできます。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

タスクが完了すると、後続のトレーニング用に構成されたハイパーパラメータの組み合わせのセットを取得できます。

（４）トレーニングフェーズ中のデバッガ

自動化された機械学習は非常に便利ですが、サポートされるシナリオは比較的限られており、トレーニング プロセスは比較的不透明です。したがって、SageMaker Experiments はトレーニング プロセスを記録できるので確かに便利ですが、ほとんどの場合、トレーニング プロセスを完了するには手動でコードを記述する必要があります。

Amazon SageMaker Studio は、モデルのトレーニング プロセスをデバッグできます。機械学習のトレーニング プロセスの可視性は常に非常に低く、基本的にブラック ボックス状態にあります。一般的に、損失と精度の値しか見えず、他の部分の視認性は比較的低いです。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

トレーニングフェーズでは、Amazon SageMaker SDK を使用してモデルのトレーニングプロセスを監視することもできます。たとえば、上の図はトレーニング中の畳み込み層の勾配分布を示しています。最初はガウス分布から始まりますが、その後、勾配の範囲はどんどん小さくなっていきます。この時点で、ハイパーパラメータを変更する必要があります。トレーニング中にこの問題が発見された場合、トレーニングが完了するまで待って修正する必要はありません。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

SageMaker デバッガー ツールの使い方は実は非常に簡単です。上の図に示すように、実際のコードでは、推定器を設定するときに、トレーニング中にいくつかの Tensor データを取得するために、さらにいくつかの構成パラメータを追加する必要があります。データを取得したら、それを表示できます。

（５）モニタリングモデル運用結果

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

実際の生産プロセスでは、デプロイメントは最後のリンクではなく、多くのタスクの始まりにすぎません。 Amazon SageMaker は、モデル操作のステータスを監視するためのオンライン モデル監視機能を提供できます。データが変更され、モデルの適用性に偏差が生じた場合は、再トレーニングが必要になります。これは、Amazon クラウド テクノロジーでパイプラインを構築することで実現できます。

（6）共有と協力

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

機械学習のプロセスでは必ず何らかの問題が発生するため、アカウントを他の人と共有するのは現実的ではありません。共有とコラボレーションを容易にするために、Amazon SageMaker Studio は各ノートブックの右上隅に共有ボタンを追加します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

Amazon SageMaker Studio を作成するときは、ドメインを設定する必要があります。同じドメインのユーザーは、社内の同僚と共有するなど、共有や共同作業を行うことができます。共有を受信するユーザーに表示されるすべてのコンテンツは、共有者が見るものとまったく同じであるため、追加の構成を必要とせずに共同共有が容易になります。これはローカルの機械学習環境では絶対に不可能です。

（７）資源管理

すべての Amazon SageMaker リソースはコンソールで表示および管理できます。実験段階であれば、コスト管理を試みた後、関連するリソースをシャットダウンすることをお勧めします。実稼働環境では、さまざまなリソースの使用状況を明確に把握して管理できるため、全体的なコストを管理しやすくなります。

IV.要約と評価

トレーニングプロセス全体を Amazon SageMaker で完了することができ、元のモデルを Amazon SageMaker エンドポイントサーバーにデプロイすることもできます。自分でモデルをトレーニングしたくない場合は、Amazon Web Services が SaaS 形式で提供する AI 機能を直接使用することもできますし、マーケットプレイスで他の人のモデルを使用することもできます。

Amazon SageMaker は、トレーニング、チューニング、デプロイメントの各段階の機能に重点を置いており、コストを削減し、効率を高めることができます。一方、Amazon SageMaker はスポットインスタンスを使用してコストを削減できます。一方、モデルをクラウド上にのみデプロイする場合は、モデルをデプロイした後に Elastic Inference を直接使用して推論コストを削減することもできます。効率性の向上という点では、Amazon SageMaker Experiments、自動化された機械学習機能、さまざまな仕様のクラウドリソースのすべてが効率性を向上させることができます。

最後に、Amazon Web Services のクラウドベースの人工知能/機械学習スタックは、上位、中間、下位の 3 つのレベルで構成される完全なシリーズであることに注意してください。この評価で説明した Amazon SageMaker は、「機械学習サービス層」の中間層にすぎません。基盤レイヤーは、さまざまなフレームワークのサポートや CPU/GPU の柔軟なサポートなどの基本的なコンピューティング サービスを提供します。

画像出典: Amazon Web Services グローバル Web サイトのスクリーンショット

たとえば、ユーザーがローカルトレーニングをクラウドに移行するだけであれば、フルマネージドの Amazon SageMaker の代わりに、TensorFlow、PyTorch、MXNET をサポートする EC2 と Linux イメージを使用できます (ただし、これにより、その後の機械学習開発に余分な作業が発生する可能性があります)。

中間層の SageMaker の上には「AI サービス層」があり、画像や動画の分析用の Amazon Rekognition、文書内容認識用の OCR ツールである Amazon Traxtract、翻訳用の Amazon Translate、テキスト読み上げ用の Amazon Polly、金融詐欺防止用の Amazon Fraud Detection、コーダーによるコード最適化用の Amazon CodeGuru など、使いやすい AI サービスを多数提供しています。

こうしたアプリケーション指向の AI サービスの提供により、さまざまなエンタープライズ アプリケーションにおける AI の推進が大幅に促進されました。 （詳細は、https://amazonaws-china.com/cn/machine-learning/ai-services/ をご参照ください）