Amazon SageMaker Studio は単独のウェブベースビジュアルインターフェイスを装備し、そこではすべての ML 開発手順を実行できます。SageMaker Studio はモデルの構築、トレーニング、デプロイに必要な各ステップに対し、完全なアクセス、管理、可視性をもたらします。データのアップロード、新規ノートブックの作成、モデルのトレーニングと調整、ステップ間での移動などを迅速にこなし、さまざまな試みを調整したり、結果を比較したり、本番環境にモデルをデプロイするといった処理をすべて 1 箇所から実行でき、生産性を飛躍的に向上できます。ノートブック、試作管理、自動のモデル作成、デバッグ、モデルの変動検出など、すべての ML 開発手順は SageMaker Studio のビジュアルインターフェイスで実行できます。

ノートブックを表示、実行、または共有するためのコンピューティングインスタンスの管理には手間がかかるものです。Amazon SageMaker ノートブックは、ワンクリックで素早くスピンアップができる Jupyter ノートブックです。基盤となるコンピューティングリソースは完全に伸縮自在であるため、使用可能なリソースの量を簡単に増減させることができ、変更は作業を中断することなくバックグラウンドで自動的に反映されます。SageMaker ではまた、1 度のクリックでノートブックを共有することもできます。ノートブックを他の人と簡単に共有できます。また、全員が同じ場所に保存された同じノートブックを入手できます。

SageMaker では他のユースケース向けに多数の事前構築型ノートブックを選択できます。また、AWS Marketplace で利用できる数百個ものアルゴリズムや事前トレーニングを施したモデルを取得してすぐに使い始めることもできます。

Amazon SageMaker Autopilot は業界初の自動化された機械学習機能で、ユーザーは自分の ML モデルをすべてコントロールし、完全に可視化できます。自動化された機械学習の一般的なアプローチでは、モデルの作成に使用されたデータや、モデルの作成に関わった論理について詳しい情報を得ることはできません。その結果、モデルの出来がそこそこであったとしても、それを改善する手立てはありません。また、一般的な自動化 ML ソリューションでは、選択できるモデルが 1 種類しか提供されないことから、レイテンシーを抑えるために一部の精度を犠牲にするといった、トレードオフを行う柔軟性もありません。

SageMaker Autopilot は自動的に未加工のデータを検証し、機能プロセッサーを適用して、最適なアルゴリズムのセットを選出します。そして、複数のモデルをトレーニングおよび調整し、パフォーマンスを追跡、その後、パフォーマンスに基づいてモデルをランク付けします。これらすべての処理がわずか数クリックで実行できます。その結果、通常ではモデルのトレーニングに要するのと同程度のわずかな時間で、最高のパフォーマンスを備えたモデルをデプロイできます。モデルがどのように作成され、その中身が何かまで完全に見える化でき、SageMaker Autopilot は Amazon SageMaker Studio と統合します。SageMaker Studio 内で SageMaker Autopilot によって生成されたモデルを最高 50 種類まで試すことができるので、ユースケースに最適なモデルを簡単に選べます。SageMaker Autopilot はモデルを簡単に作成するために、機械学習の経験のないユーザーにも使用できるほか、経験を積んだ開発者が使用してすばやく基盤となるモデルを作成し、それをチームがさらに繰り返し使用することもできます。

詳細 »

Machine Learning モデル構築の成功は、大量の高品質なトレーニングデータにかかっています。しかし、そのようなモデル構築に必要なトレーニングデータを作成するプロセスは、高価で複雑になり、時間がかかることがしばしばあります。Amazon SageMaker Ground Truth は高精度のトレーニングデータセットを迅速に構築して管理するのに役立ちます。Ground Truth は Amazon Mechanical Turk を通じてラベル作成者に簡単にアクセスできるようにするほか、一般的なラベル付けタスク用の組み込みワークフローとインターフェイスを提供しています。また、独自のラベル作成者を使用することも、AWS Marketplace を通じて Amazon が推奨したベンダーを使用することもできます。さらに、Ground Truth は高品質なラベルを作成するために人の作成したラベル付けを継続的に学習し、高品質な自動注釈を作成してラベル付けのコストを大幅に削減します。

詳細 »

Amazon SageMaker Experiments は機械学習モデルへの繰り返し処理を調整および追跡するのに役立ちます。ML のトレーニングにはデータセット、アルゴリズムのバージョン、モデルのパラメータなどを変更する影響を切り離し、測定するために、通常、多くの繰り返し作業が生じます。こうした繰り返し作業中、モデル、トレーニングデータ、プラットフォームの構成、パラメータの設定、トレーニングメトリクスといった無数のアーティファクトを生成します。こうした試験的な作業を追跡するために、スプレッドシートのような面倒な手法が取られていることもよくあります。

SageMaker Experiments は入力パラメータ、構成、結果などを自動的に捕捉し、こうした内容を「実験結果」として保存することで、繰り返し作業を管理しやすくします。ユーザーは SageMaker Studio の視覚的なインターフェイス上で作業できます。ここでは、アクティブな実験結果を参照したり、性質別に前回の実験結果を検索したり、あるいは、その結果とともに前回の実験を検証、または実験結果を視覚的に比較できます。

ML トレーニング処理は極めて不明瞭で、モデルをトレーニングするためにかかるには時間がかかり、最適化するのは困難です。その結果、モデルを解釈し、それについて説明するのが容易でないことはよくあります。Amazon SageMaker Debugger はモデルの精度を改善するために、トレーニングや評価、混同行列、学習勾配といったリアルタイムのメトリクスをトレーニング中に自動取得することで、トレーニング処理を明確化します。

SageMaker Debugger から取得したメトリクスは、容易に理解できるよう SageMaker Studio で見ることができます。SageMaker Debugger は一般的なトレーニングの問題が検出されたときに、警告や修復のアドバイスを生成することもできます。SageMaker Debugger を使用することで、どのようにモデルが動作し、モデルの説明に向けてどのような初期ステップを提示するか解釈できます。

AWS の TensorFlow 最適化は、数百の GPU 全体で線形に近いスケーリング効率を提供します。多くの処理オーバーヘッドを必要とせずクラウド規模で運用でき、はるかに短い時間でより正確かつより高度なモデルをトレーニングできます。

Amazon SageMaker はトレーニングコストを最大で 90% 削減できるようマネージドスポットトレーニングを提供します。この機能は Amazon EC2 スポットインスタンスを使用します。これは、AWS コンピューティング性能を節約します。トレーニングジョブはコンピューティング性能に空きができた時点で自動的に実行され、空き状況の変化によって処理が中断しても復帰できるように作成されています。そのため、トレーニングジョブを実行するタイミングを柔軟に調整できるので、コストの削減が可能になります。