更新日 AWS

AWS生成系AI 「Amazon SageMaker」のご紹介

この記事で分かること

  • AIと機械学習(ML)の関係と、よく使われる用語
  • Amazon SageMakerがどのようなサービスか

本記事は先日投稿し、好評をいただきましたAWS生成系AIシリーズの第2弾でございます。
今回は、SageMakerについて、わかりやすく解説いたします!

SageMakerをお話する上で、機械学習のお話は必須かと思いますので、
まずは機械学習について、お話をいたします。

◆AIと機械学習(ML:Machine Learning)について

よく、MLのお話をすると「AIとは何が違うんですか」というご質問をよくいただきますので、
まずはMLについて、お話をいたします。

結論からお話すると、MLとはAIの一部です。

詳しくは下記を参考いただければと思います。

AIがMLを内包しているということですね。

では、この後は、MLについてお話をしていきますが

専門用語が多く出てきますので、あらかじめ、その用語と意味を念のため記載いたします。

◆専門用語

・アーキテクチャ

MLの基本的構造を決めることです。

例えば、レゴブロックを使って家を作ることになったとします。

このとき、家の形や部屋の配置、窓やドアの位置を決めるのが「アーキテクチャ」です。

アーキテクチャは、どんな家を作るかの基本的なプランや設計にあたります。

・ハイパラメーター

MLの学習プロセスを決めることです。

先ほどのレゴで例えてみましょう。

レゴブロックで言うと、家を作るときの細かなルールが「ハイパラメーター」です。

例えば、1回に使うレゴブロックの数や、新しいブロックを追加するタイミング

などの、具体的な作り方の細かな設定です。

・層

アーキテクチャのひとつで、情報の抽象化の深さを表します。

層が多ければ多いほど、複雑なパターンを学習できます。

・エポック数

ハイパラメーターのひとつで、トレーニングを何回繰り返すのかを表します。

以上を頭の中に入れておいていただけると、このあとの文章をより深く理解いただけるかと思います。

◆MLについて

では、「MLとは何か」をお話していきます。

MLとは、

コンピューターに大量の情報を与えて、適切な答えを出すということです。

例えば、「これは犬だ」と犬の写真を何枚も見せ、

「これは猫だ」と猫の写真を何枚も見せることで

犬と猫の判別ができるようになります。

これをMLにおいて、トレーニングと言います。

ただ、この作業はとても手間がかかります。

なぜかというと、この作業を行うにあたり、アーキテクチャやハイパラメーターなど、

決めることが多くあり、それらの最適な値を手動で見つけることは至難の技だからです。

例えば、

アーキテクチャでは、層の数などを決め、

ハイパラメーターでは、エポック数などを決めます。

さらには、トレーニングに最適なアルゴリズムも決めなくてはなりません。

(家の広さから価格を予測するなどの数値予測ができるトレーニングをさせるか、

スパムメールと通常メールを判断できるなど、異なるクラスにわけることができる

トレーニングをさせるか)

このようにMLとは、複雑な手順を踏んで、ようやく動かすことができるのです。

◆SageMakerについて

MLとは何か、そしてその大変さをご理解いただいた上で

SageMakerのお話をいたします。

SageMakerとは、
上記のように複雑性のあるMLを簡単に行うことができるサービスです。

下記にその理由をまとめました。

  • 設定時間の大幅削減

上記のアーキテクチャやハイパラメーターの設定を行う際、

適切な数値が自動で設定されます。

  • スピーディーに利用開始

MLの実行はワンクリックで済むため、簡単です。

ほかのMLサービスと比較して最大10倍のパフォーマンスでこれらのアルゴリズムを実行できる
という特徴があります。

  • スムーズな作業

Sagemakerにはフルマネージメントスケーリングというものがあります。

フルマネージメントスケーリングとは、ユーザーがMLモデルのトレーニングや推論を行う際に、
必要なコンピューティングシステムを自動的に調整することを指します。

これにより、ペタバイト規模のモデルトレーニングでもスムーズに作業が進みます。

以上のように、SageMakerはMLにおいて、

非常に役に立つサービスだということが言えます。

実際にAmazon社の発表では

フルマネージメント型のSageMakerのTCO※は、
セルフマネージメント型のAmazon Elastic Kubernetes Service(Amazon EKS)のTCOと比べ54%削減され、
生産性向上に繋がっているとのことです。

※Total Cost of Ownership
MLモデルを構築、トレーニング、リリースするまでにかかる費用

ぜひ、ご興味を持っていただけた際は、弊社までお問合せをお願いいたします。

また、ご質問もお受けいたしますので、ご不明な点がございましたらお気軽にご連絡くださいませ。