AWS MLS (機械学習) 勉強記⑩　Amazon SageMaker

こんにちは、れお太郎です！
今回は、Amazon SageMakerについてまとめたいと思います。

前回の記事はこちら

実際に動かすことが出来なかったので、調べたことをまとめています。

Amazon SageMaker

Amazon SageMakerはAWSのフルマネージドの機械学習サービスで、素早く簡単に機械学習モデルの構築・準備、トレーニング、デプロイをすることが出来ます。

また、下記の機械学習環境が含まれます。
・SageMaker Studio
統合された機械学習環境で、モデルの構築、トレーニング、デプロイをすべて同じアプリケーションで行えます。
・SageMaker Studio Lab
顧客がアクセスできるようにするコンピューティングリソース。
AWSアカウントにサインアップしなくても、AWSを使用してjupyter ノートブックを作成および実行することが出来ます。
・SageMaker Canvas
コードを記述しなくても機械学習を使用して予測を生成することが出来るAutoMLサービスです。
・RStudio on Amazon SageMaker
R（プログラミング言語）用の統合開発環境です。

1. モデル構築と準備

• Jupyterノートブック: SageMakerは、データの探索、前処理、モデルの実験、可視化を行うための統合されたJupyterノートブック環境を提供します。これにより、ユーザーは自分のブラウザから直接コードを記述、実行することができます。

• 内蔵アルゴリズムとフレームワーク: SageMakerには、広範囲にわたる事前に構築されたアルゴリズムが使用でき、その中にはTensorFlow、PyTorchなどの人気のある機械学習フレームワークが含まれています。ユーザーはこれらを使用してモデルを構築できます。

• データ準備: SageMakerは、データを自動的に前処理し、トレーニングに適した形式に変換するツールを提供します。これにより、データのクレンジング、変換、機能エンジニアリングが容易になります。

2. モデルトレーニング

• スケーラブルなトレーニング: SageMakerは、自動的にリソースを管理し、必要に応じてAWSの広範囲にわたるコンピューティングリソースを利用してモデルのトレーニングを行います。これにより、トレーニング時間が短縮され、効率が向上します。

• 自動モデルチューニング: SageMakerの自動モデルチューニング機能は、与えられたアルゴリズムとデータセットに対して最適なモデルパフォーマンスを達成するために、ハイパーパラメータの探索を自動化します。

3. モデルデプロイメントと推論

• 容易なデプロイメント: SageMakerを使用すると、数クリックでトレーニングされたモデルを本番環境にデプロイできます。モデルはエンドポイントとしてホストされ、リアルタイムまたはバッチで予測を提供できます。

• オートスケーリング: デプロイされたモデルのトラフィックに基づいて、推論インスタンスの数を自動的にスケールアップまたはスケールダウンします。これにより、コスト効率とパフォーマンスが最適化されます。

4. セキュリティと管理

• セキュリティ: SageMakerは、データの暗号化、IAMロールによるアクセス管理、VPC内での操作など、AWSの堅牢なセキュリティ機能を利用しています。

• 監視とログ: SageMakerは、トレーニングジョブ、デプロイされたモデルのエンドポイント、および全体的なシステムのパフォーマンスを監視するための詳細なログとメトリクスを提供します。

5. 統合と拡張性

• AWSサービスとの統合: SageMakerは、Amazon S3、Amazon ECR、AWS Lambdaなどの他のAWSサービスと統合されることによって、機械学習のワークフロー全体を効率的に管理することができます。

• カスタムアルゴリズムとコンテナ: ユーザーは独自のアルゴリズムを持ち込むか、コンテナを使用して特定の要件に合わせたモデルをトレーニングおよびデプロイすることもできます。

SageMakerに関してまとめてみました。（supported by ChatGPT）
まだまだ奥が深いサービスなので、気になった方は調べてみてください。
私も資格を取ったら使い倒す予定です！