16. 15
①︓アルゴリズム開発
u ⅰ︓初期開発
p SageMaker Studioを使っている
l 機械学習⽤の統合開発環境(IDE)
l モデルの構築、トレーニング、デプロイ、モニタリングなどのツールが⽤意されている
l 分析・特徴量チューニング・モデル作成などはNotebookを利⽤
l 実験管理にはSageMaker Experimentsを利⽤
・ アーティファクト
・ モデル
・前処理に必要なデータ
push
IDAP
実験環境
分析
SageMaker Studio の UI
17. 16
①︓アルゴリズム開発
u ⅱ︓精度検証
p 300以上のモデルに対しての精度検証は⼤変
p ⼀般的な機械学習フロー(データ取得、前処理、モデルの作成、精度検証)をパイプラインとして
⾃動化することで、精度検証を容易にしている
p GitHub Actionsを利⽤し、Pushすると⾃動でパイプラインがはしるようになっている
モデル作成
イメージのビルド
データ取得 前処理 モデルの作成 精度検証
起動
・ アーティファクト
・ モデル
・前処理に必要なデータ
モデルの作成
ミラーリング
push
IDAP
実験環境
分析
18. 17
①︓アルゴリズム開発
u ⅱ︓精度検証
p 機械学習フローは、Step Functionsで制御し、実際の実⾏にはSageMaker Processing
jobsを利⽤している
l Step Functionsは、AWSサービスを組み合わせてプロセスの⾃動化やパイプライン構築を可能にする
ワークフローサービス
l ASL(Amazon States Language)と呼ばれるJSON形式の⾔語でワークフローを定義する
p 他AWSサービスとの連携のしやすさ(親和性)、サーバレスを軸にサービスを選択した
モデル作成
イメージのビルド
データ取得 前処理 モデルの作成 精度検証
起動
・ アーティファクト
・ モデル
・前処理に必要なデータ
モデルの作成
ミラーリング
push
IDAP
実験環境
分析
構築した Step Functions のフロー