Amazon SageMaker が中国の AWS 寧夏および北京リージョンで利用可能になりました

[ 2020年5月12日北京]   Amazon のクラウドサービスである Amazon Web Services, Inc. (AWS) は本日、 Western Cloud Data が運営するAWS中国(寧夏)リージョンとGuanghuan Sinnet が運営するAWS中国 (北京) リージョンでAmazon SageMaker が正式に利用可能になったことを発表しました。 Amazon SageMaker は、開発者やデータサイエンティストが機械学習(ML)モデルを迅速かつ大規模に構築、トレーニング、デプロイできるように支援するフルマネージドサービスです。 Amazon SageMakerが中国で発売されたことで、中国のお客様は、エラスティックノートブック、実験管理、自動モデル作成、モデルデバッグ分析、モデルコンセプトドリフト検出など、新しくリリースされた一連のツールにアクセスできるようになります。これらのツールはすべて、機械学習向けの最初の統合開発環境 (IDE)であるAmazon SageMaker Studioにパッケージ化されています。

Amazon SageMakerの詳細については、 https://www.amazonaws.cn/sagemaker/をご覧ください。

機械学習の実装は非常に複雑な作業であり、多くの試行錯誤が必要で、専門的なスキルが必要です。開発者とデータ サイエンティストは、アルゴリズムがモデルのトレーニングに使用できる形式にする前に、まずデータを視覚化し、変換し、前処理する必要があります。単純なモデルの場合でも、企業は膨大な計算能力と多くのトレーニング時間を費やす必要があり、複数の GPU サーバーを含むトレーニング環境を管理するために専任チームを雇う必要がある場合もあります。モデルのトレーニングのすべての段階では、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何百万ものパラメータの調整まで、多くの手作業と推測が必要です。次に、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知識が必要になります。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、顧客はモデルが新しい情報から学習して進化できるように、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。

Amazon SageMaker は、機械学習プロセスのさまざまなステップから面倒な作業を取り除きます。あらかじめ構築されたノートブック、 PB規模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備えたAmazon   SageMaker はモデルの構築とトレーニングの難易度を大幅に軽減します。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大幅に簡素化および高速化します。同時に、 AWS は最近、顧客が機械学習モデルをより簡単に構築、トレーニング、調整、デプロイできるよう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:

  Ÿ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 1 か所にまとめます。ソフトウェア開発に統合開発環境 ( IDE ) を使用するのと同じように、開発者はAmazon SageMaker Studioでソースコード、依存関係、ドキュメント、モバイルアプリの画像などの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るようになりました。現在、機械学習ワークフローには多数のコンポーネントがあり、その多くには独自の独立したツールセットが付属しています。 Amazon SageMaker Studio IDE は、すべてのAmazon SageMaker機能と機械学習ワークフロー全体に統合されたインターフェイスを提供します。 Amazon SageMaker Studio は、開発者にプロジェクトフォルダの作成、ノートブックとデータセットの整理、ノートブックと結果の共同作業を行う機能を提供します。 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、実行がより簡単かつ迅速になります。

ŸElastic Notebooks: Amazon SageMaker Notebooks は、数秒でアップグレードできる柔軟なコンピューティング機能を備えた Jupyter Notebooks をワンクリックでアクティブ化します。ノートブックには、機械学習ワークフローを実行または再作成するために必要なものがすべて含まれています。これまで、ノートブックを表示または実行するために、開発者はAmazon SageMakerでコンピューティングインスタンスを起動する必要がありました。より多くのコンピューティング能力が必要であることがわかった場合は、新しいインスタンスを起動し、ノートブックを転送し、古いインスタンスをシャットダウンする必要があります。さらに、ノートブックはコンピューティング インスタンスに結合され、通常は開発者のワークステーション上に存在するため、共有や反復的なコラボレーションは容易ではありません。 Amazon SageMaker Notebooks は、伸縮自在なJupyter Notebooksを提供し、開発者が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)を簡単に増減できるようにします。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。開発者は、古いインスタンスをシャットダウンして新しいインスタンスですべての作業を再作成する時間を無駄にする必要がなくなり、モデルの構築をより迅速に開始できるようになります。 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。これにより、モデル構築におけるコラボレーションが容易になります。たとえば、1 人のエンジニアが自分の作業を他のエンジニアと簡単に共有し、既存の作業に基づいてモデルを構築できるようになります。

Ÿ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。機械学習では、特定の入力を変更した場合の増分的な影響を分離して測定することを目的として、多くの場合、複数回の反復が必要になります。これらの反復プロセスにより、モデル、トレーニング データ、パラメーター設定など、数百の実験成果物が生成される場合があります。しかし、開発者には現在、便利な実験管理メカニズムが欠けており、実験を追跡し、これらのコンポーネントを手動で並べ替えて対応する影響を理解するために、スプレッドシートに頼らなければなりません。 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。開発者は、アクティブな実験を閲覧したり、機能に基づいて以前の実験を検索したり、以前の実験結果を確認したり、実験結果を視覚的に比較したりできます。 Amazon SageMaker Experiments は実験の完全な系統も保存するため、開発者はモデルが予想される結果から逸脱し始めた場合に遡って検査することができます。したがって、 Amazon SageMaker Experiments を使用すると、開発者は簡単に反復処理を迅速に行い、高品質のモデルを開発できるようになります。

Ÿ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。現在、機械学習のトレーニング プロセスは大部分が不透明です。トレーニングは長く、最適化が難しい場合があります。さらに、それは「ブラックボックス」のようなもので、モデルの解釈や説明が困難になることがよくあります。 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、Amazon SageMaker StudioまたはAmazon SageMaker Debugger APIを通じて表示できる主要な収集されたメトリクスを自動的に出力し、トレーニングの精度とパフォーマンスに関するリアルタイムのフィードバックを提供します。トレーニングの問題が検出されると、 Amazon SageMaker Debugger は警告と修復の提案を提供します。 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。

Ÿ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。現在の機械学習の自動化アプローチは初期モデルの作成には適していますが、モデルがどのように作成されたか、またはモデルに何が含まれているかについてのデータは開発者に提供されません。したがって、モデルが期待に応えられない場合、開発者がそれを改善するためにできることはほとんどありません。さらに、現在の機械学習自動化サービスでは、顧客に提供されるのは単純なモデルのみです。場合によっては、顧客は、予測のレイテンシを短縮するために、特定のバージョンのモデルの精度を少し犠牲にするなどのトレードオフを望むことがあります。しかし、顧客が利用できるモデルが 1 つしかない場合、そのようなオプションはありません。 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のセットを選択し、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、パフォーマンスに基づいてモデルをランク付けします。ユーザーは数回クリックするだけで、展開に最適なパフォーマンスのモデルの推奨を取得でき、トレーニングにかかる​​時間と労力はほとんどかかりません。さらに、ユーザーはモデルがどのように作成されたか、モデルに何が含まれているかを明確に確認できます。機械学習の経験がほとんどない人でも、 Amazon SageMaker Autopilotを使用すれば、データのみに基づいてモデルを簡単に生成できます。また、経験豊富な開発者は、これを使用して、チームがさらに反復できる基本モデルを迅速に開発できます。 Amazon SageMaker Autopilot は、 Amazon SageMaker Studioで表示できる最大50種類のモデルを開発者に提供します。したがって、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、さまざまな最適化要素と組み合わせて複数の候補モデルを検討できます。

Ÿ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。  ドリフト） 本番環境にデプロイされた後のモデルの精度に影響を与える大きな要因は、本番環境での入力データがモデルのトレーニングに使用されたデータセットと異なり始め、予測結果に影響を与えることです。例えば、経済状況の変化によって生じる新たな金利は国内の購買予測に影響を与え、季節の変化によって温度、湿度、気圧が変化し、設備のメンテナンススケジュールの予測に影響を与えるなどです。入力データがこのように異なり始めると、いわゆる「コンセプトドリフト」につながる可能性があり、モデルが予測を行うために使用するパターンが適用されなくなります。 Amazon SageMaker Model Monitor は、モデルのデプロイメントにおけるコンセプトドリフトを自動的に検出します。 Amazon SageMaker モデルモニターは、予測に使用されるデータをトレーニングベースラインと比較し、トレーニング中にモデルに関するベースライン統計のセットを作成します。ドリフトが検出されると、 Amazon SageMaker Model Monitor は開発者に警告し、原因を視覚的に特定できるようにします。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即座に検出することも、 Amazon SageMaker Model Monitorで監視する独自のルールを作成することもできます。 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。  

「ますます多くの中国企業が機械学習と人工知能技術の巨大な可能性を探り、これらの技術を日常のアプリケーションに統合する方法を模索しています。しかし、実際には、専門家の才能とデータサイエンティストを擁する少数の企業を除いて、ほとんどの企業は依然として機械学習技術の適用に困難を感じており、顧客は私たちがこの技術をより便利で使いやすいものにしてくれることを期待しています。」 AWSグローバル副社長兼中国本土担当エグゼクティブディレクターの張文毅氏は次のように述べています。 「 AWS は、機械学習と人工知能に関する幅広いサービスを提供しています。AWS中国 (寧夏) リージョンとAWS中国 (北京) リージョンでAmazon SageMakerがリリースされたことで、より多くの中国のお客様が機械学習に伴う混乱や複雑さを解消し、新たな課題に対応するためのモデルを構築、トレーニング、デプロイできるようになります。 」

世界中の何万もの顧客が Amazon SageMaker を使用して機械学習の導入を加速しており、その中にはAutodesk 、 Change Healthcare 、 Bayer 、British Airways 、Gallup 、ロサンゼルス クリッパーズ、Panasonic Avionics 、Globe and Mail 、 T-Mobileなどが含まれます。 Huya、Infinity、Jiayi Interactive Entertainment、Hualai Technology などの中国の顧客も、大規模な機械学習モデルの構築、トレーニング、デプロイにAmazon SageMaker を選択しています。

Daewoo Infinityはモバイルアプリケーション開発を専門とする企業で、主に中東、東南アジア、ラテンアメリカなどの新興市場向けにモバイルショートビデオサービスを提供しています。 Daewoo Infinity の技術担当副社長、Liu Kedong 氏は、次のように述べています。 「Daewoo Infinity の製品にビデオコンテンツのオンラインレコメンデーションを実装することは、当社の開発チームにとって大きな課題です。機械学習システムを構築するプロセス全体は非常に複雑で、完了するまでに多数の開発者と長い時間が必要です。Amazon SageMaker により、機械学習システムの構築、トレーニング、およびデプロイのプロセスが大幅に簡素化されます。インフラストラクチャを構築する必要はありません。当社のアルゴリズムエンジニアは、 Amazon SageMaker用のデータを準備するだけで済みます。システム全体をゼロから構築し、実際のユーザーアクセスのプレッシャーに耐えるのにかかった時間はわずか 3 か月でした。」

Hualai Technology は、AWSが提供するAmazon EC2 GPUインスタンスとAmazon SageMakerの助けを借りて、最適なコストで機械学習のイノベーションをスマートホームやスマートセキュリティのデバイスとサービスに統合しています。天津華来科技有限公司のクラウド事業部長の季宝平氏は次のように語っています。「 AWSでは、アルゴリズムの構築とモデルのトレーニングを完了することができ、そのプロセスでは高価なコンピューティングハードウェアにローカルで投資する必要がありません。すべてはクラウドでオンデマンドで行われます。業界で一般的に使用されている公開アルゴリズムとは異なり、さらに重要なのは、私たちが独自にトレーニングしたモデルは、アプリケーションシナリオでよりパーソナライズされた空間を持ち、私たちが独自にトレーニングしたモデルには知的財産権があり、これが将来私たちの中核的な競争力となることです。」

AWSパートナーネットワーク(APN)のメンバーも、中国地域でのAmazon SageMakerのリリースを歓迎しました。

Deloitte D.Data は、企業顧客にデータ分析とビジネス洞察を提供するAWSベースのPaaS ( Platform as a Service )プラットフォームです。さまざまな業界やビジネス シナリオ向けに、さまざまなデータ モデリングおよび予測サービスを提供します。 Deloitte のイノベーションおよびデジタル R&D センターのマネージング パートナーである Lai Youyou 氏は、次のようにコメントしています。 「 Amazon SageMakerを通じて、アルゴリズムと機械学習のモデリング機能が大幅に向上し、分析の効率も向上しました。Amazon SageMakerのIDEプラットフォームは、開発プロセスのスピードアップにも役立っています。 」

Ikrode は、AWSプレミアコンサルティングパートナー(APN プレミアコンサルティングパートナー)です。 AWSベースのソリューションにより、ユーザーの開発時間と運用コストが大幅に削減されます。 iCLOAD Chinaの副社長であるGui Zijie氏は、次のように述べています。「当社はAmazon SageMakerプラットフォームを使用して、ラベル付け、テキスト分析、意味理解、予測分類、推奨システム、不正検出などの業界AIソリューションの導入を企業に促進し、顧客が実際に直面しているビジネス上の問題を真に解決するエンドツーエンドのAIアプリケーションをカスタマイズします。中国でのAmazon SageMakerの発売により、当社はSageMakerプラットフォームをエンタープライズMLOps （機械学習オペレーション）の中核として使用し、特に金融業界の企業のMLOpsプロセスの構築を支援し、社内のデータサイエンティストとAIエンジニアが機械学習モデルを構築、トレーニング、展開できるようにします。」