Movatterモバイル変換


[0]ホーム

URL:


西岡 賢一郎, profile picture
Uploaded by西岡 賢一郎
PPTX, PDF161 views

Amazon SageMaker Canvasを使ったノーコード機械学習

2022/01/29に開催された第7回機械学習の社会実装勉強会の発表で使用したスライドです。https://machine-learning-workshop.connpass.com/event/234428/

Related topics:

Embed presentation

Download to read offline
Amazon SageMaker Canvasを使ったノーコード機械学習非エンジニアでも高精度の機械学習を実行
自己紹介● 名前: 西岡 賢一郎○ Twitter: @ken_nishi○ note: 西岡賢一郎@研究者から経営者へ (https://note.com/kenichiro)○ YouTube: 【経営xデータサイエンスx開発】西岡 賢一郎のチャンネル(https://www.youtube.com/channel/UCpiskjqLv1AJg64jFCQIyBg)● 経歴○ 東京大学で位置予測アルゴリズムを研究し博士 (学術) を取得○ 東京大学の博士課程在学中にデータサイエンスをもとにしたサービスを提供する株式会社トライディアを設立○ トライディアを別のIT会社に売却し、CTOとして3年半務め、2021年10月末にCTOを退職○ CDPのスタートアップと株式会社データインフォームドの2つに所属○ 自社および他社のプロダクト開発チーム・データサイエンスチームの立ち上げ経験
今回のお話● Amazon SageMaker Canvasの紹介● Amazon SageMaker Canvasデモ● Amazon SageMaker Canvasを使用した感想
機械学習の民主化が進むアルゴリズムの実装が大変 → scikit-learnなどのライブラリハイパーパラメータチューニングが大変 → AutoMLにより、誰でも簡単に最適化機械学習の実行環境構築が大変 → Google Colaboratory, Amazon SageMakerコードを書くのが大変 → Amazon SageMaker Canvas研究者 エンジニア ビジネスマンコードが書けない人でも機械学習を実施できる時代となった
Amazon SageMaker CanvasとはSageMaker Canvas は Amazon SageMaker と同じテクノロジーを活用して、データのクリーニングと結合、内部での数百のモデルの作成、最もパフォーマンスの高いモデルの選択、新しい個別予測またはバッチ予測の生成を自動的に行います。バイナリ分類、複数クラス分類、数値回帰、時系列予測など、複数の問題タイプをサポートしています。これらの問題タイプにより、コードを 1 行も記述しなくても、不正検出、チャーン削減、インベントリの最適化など、ビジネスクリティカルなユースケースに対処できます。(引用: https://aws.amazon.com/jp/blogs/news/announcing-amazon-sagemaker-canvas-a-visual-no-code-machine-learning-capability-for-business-analysts/)
Amazon SageMaker Studioとの違い● Studioは複雑な操作が可能で、普段からコードを書いているエンジニア向けのソフトウェア● 一方、Canvasはできることが少ないが、簡単に機械学習を実行できるStudio● メニューが多く複雑● プロフェッショナル向けCanvas● メニューが少なくシンプル● 非エンジニア向け
Amazon SageMaker CanvasのリージョンAmazon SageMaker Canvasが使用可能なリージョン米国東部 (オハイオ)、米国東部 (バージニア北部)、米国西部 (オレゴン)、欧州 (フランクフルト)、欧州 (アイルランド)
Amazon SageMaker Canvasの4ステップ1. データを選択2. モデルを構築3. 結果を分析4. 予測
データを選択
モデルを構築
結果を分析
予測
デモ● バージニア北部リージョン● 自動的に作成されたRole● https://console.aws.amazon.com/sagemaker/home?region=us-east-1#/landing
Amazon SageMaker Canvasを使った感想● Good○ ある程度前処理されたデータさえあれば簡単にAutoMLが実行可能○ UIがシンプルで、ドキュメントを読まなくても使用可能○ 複数のテーブルの結合も直感的○ 学習済みモデルを使った予測が簡単● Bad○ 学習に使うデータを条件を使って絞ることができない (カラムの削除は可能)○ アルゴリズムの詳細が分からない (使用者にとっては必要ないかもしれない)○ 実行環境構築は、エンジニアの力を借りる必要がある (ロールの作成、バケットのパーミッションなど)
H2O Flowとの比較● H2Oを使ったノーコードのAutoML (第5回勉強会: https://youtu.be/YuqraejZeh0)● H2O Flowの方がやれることが多く、細かく制御が可能だが、使いこなすためにはある程度訓練が必要● はじめはSageMaker Canvasを使い、物足りなくなったらH2O Flowを試すのがおすすめ

Recommended

PPTX
Amazon SageMakerでカスタムコンテナを使った学習
PPTX
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
PPTX
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
PPTX
Amazon SageMaker Studio Lab紹介
PPTX
Amazon SageMaker の紹介 + デモ
PPTX
Amazon SageMakerでゼロからはじめる機械学習入門
PPTX
Amazon SageMaker JumpStart
PDF
[CTO Night & Day 2019] ML services: MLOps #ctonight
PPTX
機械学習の特徴量を管理するAmazon SageMaker Feature Store
PPTX
Amazon SageMakerのNotebookからJobを作成する
PPTX
Amazon AthenaでSageMakerを使った推論
PPTX
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
PDF
Amazon Game Tech Night #25 ゲーム業界向け機械学習最新状況アップデート
PPTX
機械学習 - MNIST の次のステップ
PPTX
AWSで実践する機械学習
PPTX
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
PPTX
人工知能を用いた医用画像処理技術
PPTX
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
PDF
Amazon SageMaker: 機械学習の民主化から工業化へ(in Japanese)
PDF
JAWSUG20171220
PDF
Supervised Machine Learning of Elastic Stack
PDF
ハンズオン セッション 2: DIGITS による物体検出入門
PPTX
ITの今とこれから public
PPTX
ZENKEI AI セミナー 第1回 概要説明会
PPTX
Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
PPTX
Amazon SageMaker ML Governance 3つの機能紹介
PPTX
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
PPTX
AutoGluonではじめるAutoML
PPTX
H2Oを使ったノーコードのAutoML
PPTX
H2O Waveを使ったAIアプリケーション作成入門

More Related Content

PPTX
Amazon SageMakerでカスタムコンテナを使った学習
PPTX
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
PPTX
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
PPTX
Amazon SageMaker Studio Lab紹介
PPTX
Amazon SageMaker の紹介 + デモ
PPTX
Amazon SageMakerでゼロからはじめる機械学習入門
PPTX
Amazon SageMaker JumpStart
PDF
[CTO Night & Day 2019] ML services: MLOps #ctonight
Amazon SageMakerでカスタムコンテナを使った学習
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
Amazon SageMaker Studio Lab紹介
Amazon SageMaker の紹介 + デモ
Amazon SageMakerでゼロからはじめる機械学習入門
Amazon SageMaker JumpStart
[CTO Night & Day 2019] ML services: MLOps #ctonight

Similar to Amazon SageMaker Canvasを使ったノーコード機械学習

PPTX
機械学習の特徴量を管理するAmazon SageMaker Feature Store
PPTX
Amazon SageMakerのNotebookからJobを作成する
PPTX
Amazon AthenaでSageMakerを使った推論
PPTX
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
PDF
Amazon Game Tech Night #25 ゲーム業界向け機械学習最新状況アップデート
PPTX
機械学習 - MNIST の次のステップ
PPTX
AWSで実践する機械学習
PPTX
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
PPTX
人工知能を用いた医用画像処理技術
PPTX
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
PDF
Amazon SageMaker: 機械学習の民主化から工業化へ(in Japanese)
PDF
JAWSUG20171220
PDF
Supervised Machine Learning of Elastic Stack
PDF
ハンズオン セッション 2: DIGITS による物体検出入門
PPTX
ITの今とこれから public
PPTX
ZENKEI AI セミナー 第1回 概要説明会
機械学習の特徴量を管理するAmazon SageMaker Feature Store
Amazon SageMakerのNotebookからJobを作成する
Amazon AthenaでSageMakerを使った推論
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
Amazon Game Tech Night #25 ゲーム業界向け機械学習最新状況アップデート
機械学習 - MNIST の次のステップ
AWSで実践する機械学習
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
人工知能を用いた医用画像処理技術
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
Amazon SageMaker: 機械学習の民主化から工業化へ(in Japanese)
JAWSUG20171220
Supervised Machine Learning of Elastic Stack
ハンズオン セッション 2: DIGITS による物体検出入門
ITの今とこれから public
ZENKEI AI セミナー 第1回 概要説明会

More from 西岡 賢一郎

PPTX
Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
PPTX
Amazon SageMaker ML Governance 3つの機能紹介
PPTX
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
PPTX
AutoGluonではじめるAutoML
PPTX
H2Oを使ったノーコードのAutoML
PPTX
H2O Waveを使ったAIアプリケーション作成入門
PPTX
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
PPTX
TorchDataチュートリアル解説
PPTX
XAI (説明可能なAI) の必要性
PPTX
機械学習の技術的負債
PPTX
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
PPTX
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
PPTX
リモートワークで意識すべき7つのこと
PPTX
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
PPTX
人間の意思決定を機械学習でモデル化できるか
PPTX
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
PPTX
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
PPTX
未来のカタチ x AI
PPTX
ストリートビューから地域の豊かさを推定
PPTX
リモートワークで知っておきたい コミュニケーション時の過大な期待
Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
Amazon SageMaker ML Governance 3つの機能紹介
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
AutoGluonではじめるAutoML
H2Oを使ったノーコードのAutoML
H2O Waveを使ったAIアプリケーション作成入門
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
TorchDataチュートリアル解説
XAI (説明可能なAI) の必要性
機械学習の技術的負債
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
リモートワークで意識すべき7つのこと
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
人間の意思決定を機械学習でモデル化できるか
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
未来のカタチ x AI
ストリートビューから地域の豊かさを推定
リモートワークで知っておきたい コミュニケーション時の過大な期待

Amazon SageMaker Canvasを使ったノーコード機械学習

  • 1.
  • 2.
    自己紹介● 名前: 西岡賢一郎○ Twitter: @ken_nishi○ note: 西岡賢一郎@研究者から経営者へ (https://note.com/kenichiro)○ YouTube: 【経営xデータサイエンスx開発】西岡 賢一郎のチャンネル(https://www.youtube.com/channel/UCpiskjqLv1AJg64jFCQIyBg)● 経歴○ 東京大学で位置予測アルゴリズムを研究し博士 (学術) を取得○ 東京大学の博士課程在学中にデータサイエンスをもとにしたサービスを提供する株式会社トライディアを設立○ トライディアを別のIT会社に売却し、CTOとして3年半務め、2021年10月末にCTOを退職○ CDPのスタートアップと株式会社データインフォームドの2つに所属○ 自社および他社のプロダクト開発チーム・データサイエンスチームの立ち上げ経験
  • 3.
    今回のお話● Amazon SageMakerCanvasの紹介● Amazon SageMaker Canvasデモ● Amazon SageMaker Canvasを使用した感想
  • 4.
    機械学習の民主化が進むアルゴリズムの実装が大変 → scikit-learnなどのライブラリハイパーパラメータチューニングが大変→ AutoMLにより、誰でも簡単に最適化機械学習の実行環境構築が大変 → Google Colaboratory, Amazon SageMakerコードを書くのが大変 → Amazon SageMaker Canvas研究者 エンジニア ビジネスマンコードが書けない人でも機械学習を実施できる時代となった
  • 5.
    Amazon SageMaker CanvasとはSageMakerCanvas は Amazon SageMaker と同じテクノロジーを活用して、データのクリーニングと結合、内部での数百のモデルの作成、最もパフォーマンスの高いモデルの選択、新しい個別予測またはバッチ予測の生成を自動的に行います。バイナリ分類、複数クラス分類、数値回帰、時系列予測など、複数の問題タイプをサポートしています。これらの問題タイプにより、コードを 1 行も記述しなくても、不正検出、チャーン削減、インベントリの最適化など、ビジネスクリティカルなユースケースに対処できます。(引用: https://aws.amazon.com/jp/blogs/news/announcing-amazon-sagemaker-canvas-a-visual-no-code-machine-learning-capability-for-business-analysts/)
  • 6.
    Amazon SageMaker Studioとの違い●Studioは複雑な操作が可能で、普段からコードを書いているエンジニア向けのソフトウェア● 一方、Canvasはできることが少ないが、簡単に機械学習を実行できるStudio● メニューが多く複雑● プロフェッショナル向けCanvas● メニューが少なくシンプル● 非エンジニア向け
  • 7.
    Amazon SageMaker CanvasのリージョンAmazonSageMaker Canvasが使用可能なリージョン米国東部 (オハイオ)、米国東部 (バージニア北部)、米国西部 (オレゴン)、欧州 (フランクフルト)、欧州 (アイルランド)
  • 8.
    Amazon SageMaker Canvasの4ステップ1.データを選択2. モデルを構築3. 結果を分析4. 予測
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
    デモ● バージニア北部リージョン● 自動的に作成されたRole●https://console.aws.amazon.com/sagemaker/home?region=us-east-1#/landing
  • 14.
    Amazon SageMaker Canvasを使った感想●Good○ ある程度前処理されたデータさえあれば簡単にAutoMLが実行可能○ UIがシンプルで、ドキュメントを読まなくても使用可能○ 複数のテーブルの結合も直感的○ 学習済みモデルを使った予測が簡単● Bad○ 学習に使うデータを条件を使って絞ることができない (カラムの削除は可能)○ アルゴリズムの詳細が分からない (使用者にとっては必要ないかもしれない)○ 実行環境構築は、エンジニアの力を借りる必要がある (ロールの作成、バケットのパーミッションなど)
  • 15.
    H2O Flowとの比較● H2Oを使ったノーコードのAutoML(第5回勉強会: https://youtu.be/YuqraejZeh0)● H2O Flowの方がやれることが多く、細かく制御が可能だが、使いこなすためにはある程度訓練が必要● はじめはSageMaker Canvasを使い、物足りなくなったらH2O Flowを試すのがおすすめ

Editor's Notes

  • #3 こちらが私の自己紹介です。もともと大学院で位置情報のデータを用いた機械学習の研究をしており、博士課程の途中でデータサイエンスのスタートアップを立ち上げました。そのスタートアップを2018年に売却し、売却先でCTOとして3年半ほど務め、先月末にその会社を退職しました。今までは、プロダクト開発チームやデータサイエンスチームの立ち上げなどをやってきています。

[8]ページ先頭

©2009-2025 Movatter.jp