1.
1
Amazonでのレコメンド生成に
おける深層学習とAWS利用について
Ryosuke Iwanaga
Solutions Architect
Amazon Web Services Japan

2.
2
自己紹介
• Ryosuke Iwanaga (岩永 亮介)
– Twitter/GitHub @riywo
• Amazon Web Services Japan
• Solutions Architect
– Web, Gaming
– Big Data / Machine Learning / DevOps / Container
• Before Amazon
– Software Engineer / Ops Engineer / DBA / etc.

3.
3
Agenda
• 機械学習とAmazon / AWS
• 深層学習によるAmazonのレコメンド生成

4.
4
機械学習とAmazon / AWS

5.
5
機械学習とは？
• 傾向やパターンを発見するために機械を利用し、過
去の実績データに基づく数学的な予測モデルを計算
する
• MLモデルは過去に基づきもっともらしい結果の”知
見”を提供する
– 機械学習は、単に過去にすでに起こった状態というよりむしろ、未
来に起こりうる結果を導き出す
• 過去のデータや統計モデルは、可能性を正確にする
ために利用される

6.
6
学習タスク 推論タスク
BIGDATA
Labels
学習済みモデル
Apple:0.9
Orange:0.1
Strawberry: 0.2
Banana:0.1
学習
推論
エンジン
結果
教師データ
機械学習の構成
ここだけ提供しているSaaSも多い
デバイス側で動作させる場合も多い大量の計算リソースが必要
「今日の天気は？」
「晴れです」
推論
エンジン学習
初期パラメータ
ニューラルネットワーク定義
結果 配布
配布

7.
7
Amazonと機械学習
http://www.allthingsdistributed.com/2011/04/the_amazoncom_2010_shareholder.html

8.
8
Amazonと機械学習
Alexa Prize
高度な会話ができる人工知能 (AI) を現実にするため、
Amazon では今年から Alexa Prize を毎年開催するこ
とにしました。会話 AI 分野の発展を目的とし毎年開
催する大学生対象のこのコンテストで、Amazon は初
年度において 250 万ドルを投資しました。
コンテストの結果発表は2017年のre:Invent予定
https://aws.amazon.com/jp/blogs/news/first-annual-alexa-prize-2-5-million-to-advance-conversational-ai/

9.
9
re:Invent
• AWSの最大イベント 今年は11/28-12/2
• 機械学習のセッションも豊富
– State of the Union: Amazon Alexa and Recent Advances in Conversational AI
– FINRA: Building a Secure Data Science Platform on AWS
– Bringing Deep Learning to the Cloud with Amazon EC2
– Fraud Detection with Amazon Machine Learning on AWS
– Data Science and Healthcare: Running Large Scale Analytics and Machine Learning on
AWS
– Deep Learning in AlexaTransforming Industrial Processes with Deep Learning
– Developing Classification and Recommendation Engines with Amazon EMR and Apache
Spark
– Using MXNet for Recommendation Modeling at Scale
– Scalable Deep Learning Using MXNet
– 絶賛追加中！
https://reinvent.awsevents.com/

10.
10
MAC401 - Scalable Deep Learning Using MXNet
• MXNetのコントリビュータでAWS社員のMu Liが講師のハンズオン
• アジェンダ
– Module 1. Background on Deep Learning
– Module 2. Walkthrough on Setting up AMIs, CloudFormation Templates and other
Deep Learning Frameworks on AWS
– Module 3. A Peek Under the MXNet Hood (MXNet Internals)
– Module 4. Hands on with MXNet: NDArrays, Symbols, And Mechanics of Training
Deep Neural Networks
– Module 5. Hands on with MXNet: Application Examples Targeting Compute Vision
and Recommendation Engines
https://www.portal.reinvent.awsevents.com/connect/sessionDetail.ww?SESSION_ID=8523
http://mxnet.io/

11.
11
Machine Learning on AWSの選択肢
• Amazon Machine Learning
– あらゆるスキルレベルの開発者が機械学習
のテクノロジーを利用できるマネージドサービス
• Amazon EMRの利用
– Apache SparkやHadoopを利用した分散処理
• On Amazon EC2
– 様々な機械学習ライブラリを利用可能
– GPUインスタンスを活用したDeep Learning

12.
12
高性能GPUインスタンスタイプ
• NVIDIA K80を最大16GPU搭載
• 最大64 vCPUのIntel Broadwell プロセッサと、最大 732GiB RAM
• Elastic Network Adaptor (ENA)による20Gbps ネットワーク
P2 インスタンス
p2.xlarge: $ 0.90 per hour (us-east-1)〜利用可能
リザーブドインスタンスやスポットインスタンスももちろん可能
https://aws.amazon.com/jp/blogs/news/new-p2-instance-type-for-amazon-ec2-up-to-16-gpus/

13.
13
深層学習によるAmazonのレコメンド生成

14.
14
Amazonの製品レコメンデーション
• 製品A, B, C …, Zを買った人が、次に購入しそ
うな製品はなんでしょう？
• 推論の入出力
– 入力: 各お客様の購入履歴
– 出力: 各お客様の、各製品に対する購入確率
• 課題
– 製品数・お客様数が膨大なため、学習・推論に時間がかかる

15.
15
ニューラルネットワークを使った場合
出力層 (10K-10M)
入力層 (10K-10M)
隠れ層 (100-1K)
製品カタログに対して、お客様の購入履歴は極端に小さい
→ほとんどの重みがゼロ（疎なネットワーク）
愚直にニューラルネットワークを計算すると、ほとんどの計算は0×0

16.
16
Amazon DSSTNE:
Deep Sparse Scalable Tensor Network Engine
 AmazonがOSSとしてリリースしたニューラルネットワーク
のフレームワーク
 巨大疎データと全結合レイヤに対して最適化されている
 モデル並列の複数GPUサポートが、とても効率的
 100%の決定論的な実行
 SM 3.x, 5.x, 6.xを完全にサポート (Kepler以上のGPU)
 標準で分散学習をサポート (約20行のMPI呼び出し)
 よくあるユースケース
 製品レコメンデーション (製品数は膨大だが、各人の購入履歴は小さい)
 自然言語学習 (語彙数は膨大だが、各文脈で使われるのはごく一部)
https://github.com/amznlabs/amazon-dsstne

17.
17
GPUを利用した深層学習とCPUを利用した前後処理
• GPUは超並列学習・推論に最適
– アルゴリズム、パラメータ、フレームワークを変えながら最適
なものを選択
– → 入出力を変えずに、学習器のみを入替えたい
• 機械学習はその前後の処理も重要
– データ整形、異常値排除等CPUが得意な処理
– →大量のデータを、分散処理したい

18.
18
Amazonのレコメンド生成基盤
• GPUとCPUを扱うジョブを、単一のインタ
フェースからインタラクティブに利用可能
– Amazon EMR + Apache Spark + Apache Zeppelin
• GPUジョブのスケジューリングと学習器入替え
を容易にするために、Dockerを利用
– Amazon ECS + Docker + GPU instances

19.
19
アーキテクチャ

20.
20
学習: モデル並列
• ネットワークが巨大なため、高々12GBしかな
いGPUメモリでは足りない
• モデル並列: 複数のGPUに対して、ニューラル
ネットのパラメータを分散並列して計算させる
– データはどのGPUでも同じように全データを扱う
• 1インスタンスにある複数のGPUを利用

21.
21
学習: モデル並列

22.
22
推論: データ並列
• 学習されたモデルを使い、全お客様に対してレコ
メンデーション(Top N)を生成する
– 各お客様向けの推論はEmbarrassingly Parallel(互いに関連しない)
• 複数インスタンスにあるGPUに対して、それぞれ
お客様向けの推論タスクを割り振る
• インスタンス数を2倍にすれば、予測時間は1/2

23.
23
推論: データ並列

24.
24
詳細な情報はAWSのブログをご覧下さい
• Apache SparkとAmazon DSSTNEを使った、Amazon規
模のレコメンデーション生成
– 今回も紹介しているアーキテクチャの詳細な解説です
• GPU高速化のワークロードをAmazon ECS上で管理する
– 上記のアーキテクチャを簡単に試すことができるAWS CloudFormationテン
プレート付きです
• 来週10/27には、Hadoop Summit Tokyo 2016でも同様
の事例を発表します。
– http://hadoopsummit.org/tokyo/

25.
25
まとめ
• Amazon/AWSには豊富な機械学習の事例がある
– AWSの強力なクラウドのパワーがその源泉 – P2インスタンス！
– 今年もre:Inventで多数の事例が発表予定
• Amazonの製品レコメンデーション
– 課題解決のために、深層学習のフレームワークを開発・公開
– AWSを使ってスケーラブルな基盤を構築
– あなたも今すぐ試せる！(自分でやってみるのが一番の理解)

26.
26