ホスト型ノートブック

クラウドまたはローカル環境から持参したノートブックで使用可能な、完全マネージド型の Jupyter ノートブックです。データを探索して視覚化し、モデルを開発することができます。さらに、事前に構築されたノートブックから選択することができます。ゼロから始める他にも、そのまま使用するか、特定のニーズを満たすように変更して、トレーニングデータをすばやく探索して視覚化を容易にすることができます。推奨事項とパーソナライズ、不正検出、予測、画像分類、チャーン予測、顧客ターゲティング、ログ処理と異常検出、音声テキスト変換など、一般的な問題の多くに利用できるソリューションがあります。

Amazon SageMaker Neo を使用すると、モデルをトレーニングしてどこにでも展開できます。SageMaker Neo は、精度を損なうことなく、指定したハードウェアプラットフォームの一般的なフレームワークで構築されたトレーニング済みのモデルを自動的に最適化します。そうすることで、EC2 インスタンスや SageMaker インスタンス、または AWS Greengrass デバイスや Neo ランタイムを含むエッジのデバイスにモデルを展開することができます。

詳細 »

Machine Learning 技術は急速に進歩しており、幅広いフレームワークやツールにアクセスできる柔軟な体制を保たなくてはなりません。Amazon SageMaker を使用すると、一般的なフレームワークに組み込まれたコンテナを使用したり、好みのフレームワークを利用したりできます。いずれにしても、Amazon SageMaker は、モデルの構築、トレーニング、導入に必要な基礎となるインフラストラクチャを完全に管理します。

SageMaker Neo の機能は、オープンソースの Neo プロジェクトを通じてすべての開発者が利用できます。だれもがどこでもモデルを実行できることは、Machine Learning がその可能性を十分に発揮できるようにするために不可欠なステップだと考えています。ハードウェアベンダーは、オープンソース活動に貢献することで、新たに最適化されたモデルにより Neo を改善し、Machine Learning のハードウェアエコシステム全体を向上させることができます。

Amazon SageMaker は Ground Truth、Notebooks、Training、Neo、Hosting といった別々のコンポーネントで構成されています。これらのコンポーネントは、エンドツーエンドの Machine Learning サービスを提供するために連携するように設計されています。しかし、こうしたコンポーネントを独立して使用し、既存の Machine Learning ワークフローを補完したり、データセンターやエッジで動作するモデルをサポートしたりすることもできます。