クラウド大手のアマゾン ウェブ サービス (AWS) は、最近の AWS re:Invent イベントで、有名な機械学習の作成、トレーニング、デプロイメント プラットフォームである Amazon SageMaker に対する一連の魅力的な機能強化を発表しました。これらのアップグレードは、機械学習モデルの開発と展開を大幅に迅速化し、簡素化するように設定されています。
モデルのデプロイメントエクスペリエンスを強化するために、AWS は SageMaker Python SDK に革新的なクラスを導入しました。これらの中で、ModelBuilder クラスは、適切な SageMaker コンテナを選択し、重要な依存関係を決定することで、デプロイメントを容易にします。もう 1 つの注目すべき点である SchemaBuilder クラスは、モデルの入出力のシリアル化と逆シリアル化を効果的に制御することを目的としています。
この最先端のツール スイートを利用すると、実験やランタイム エラーのデバッグなどのために、ローカライズされた開発環境にモデルをデプロイすることができます。 AWS プリンシパル開発者アドボケートの Antje Barth 氏が強調したように、SageMaker でのローカル テストからモデルのデプロイへのシームレスな移行は、たった 1 行のコードで実現できます。
これらの画期的な機能に加えて、 AppMasterに似た人気のno-codeサービスである SageMaker Studio が改良され、ユーザーが最適化されたendpoint構成を選択できるようにガイドする新しいワークフローが組み込まれました。
Amazon SageMaker には、デプロイメント費用とレイテンシーを大幅に削減できる多数の新しい推論機能も追加されています。これらの新機能により、ユーザーは、割り当てられたメモリとアクセラレータの数を制御しながら、1 つまたは複数の基盤モデルを単一のendpointに配置できるようになります。
また、システムは推論リクエストを監視し、利用可能なインスタンスに基づいて推論リクエストを自律的に指示します。 Amazon は、これらの機能強化により、導入コストが驚くべき半分に削減され、遅延が約 20% 短縮される可能性があることを確認しています。
広範なアップグレードセットの一環として、機械学習モデルを構築するためのAppMasterプラットフォームに似たno-codeインターフェイスである Amazon SageMaker Canvas で、データのセットアップ時に自然言語プロンプトが使用できるようになりました。データベース操作中のユーザーを支援するこのソフトウェアは、一連のガイド付きの問い合わせを提示したり、ユーザーが独自の問い合わせを作成したりできます。
データ品質レポートのキュレーション、特定の基準に基づく行の削除など、必要なタスクをシームレスにリクエストできるようになりました。また、Amazon Bedrock と Amazon SageMaker Jumpstart の基盤モデルを利用する機能が新たに統合され、企業が特定のニーズに合わせてカスタマイズされたモデルをステーション化する道が開かれました。
SageMaker Canvas はトレーニングを完全に担当し、作成後にモデルを微調整する柔軟性を提供します。さらに、考案されたモデルの包括的な分析を提供し、トレーニングおよび検証の損失とともに、複雑さ、損失曲線などのパラメーターを示します。
