AWS SageMakerって何？基本・使いどころをざっくり解説

「機械学習が気になるけど、なんかハードルが高そう」と思ったことはありませんか？

そんな悩みを抱えているAWSユーザーは実は結構いらっしゃるのではないでしょうか。

そこで今回は、AWSが提供する機械学習のフルマネージドサービス「Amazon SageMaker」を紹介します。

SageMakerを理解する前に知っておきたい用語

SageMakerを使う前に、機械学習まわりの基本的なキーワードをざっと整理しておきましょう。
すでにご存知の方はスキップしてくださいね。

機械学習（Machine Learning）
大量のデータをコンピューターに学習させて、パターンを見つけさせる技術
たとえば「この写真は猫か犬か」を自動で判断させるのが機械学習の典型例です
モデル（Model）
学習によって生まれた「判断の仕組み」のこと
人間でいえば経験から身についた直感のようなものです
トレーニング（Training）
データをモデルに読み込ませて学習させるプロセス
大量のデータを使うほど時間とコンピューターパワーが必要になります
推論（Inference）
完成したモデルに新しいデータを入力して、答えを出させること
「このメールはスパムか？」に答えさせるのが推論です
エンドポイント（Endpoint）
モデルをAPIとして外部から呼び出せるようにしたURL
エンドポイントを作ると、アプリからモデルを利用できるようになります
ノートブック（Notebook）
コードを書いて即実行できるインタラクティブな開発環境
Jupyter Notebookが有名です。

Amazon SageMakerは、機械学習モデルの

作成→トレーニング→デプロイ

をすべてAWS上でまとめて行えるフルマネージドサービスです。

2017年にリリースされ、現在では世界中の企業がAIシステムの構築に使っています。

SageMakerが登場する前は、機械学習エンジニアは

……と、モデルを作る前にやることが山積みでした。

SageMakerはこういったインフラまわりをAWSが管理してくれるので、エンジニアはモデルの中身に集中できるようになりました。

SageMaker Studioは、ブラウザだけで使える統合開発環境（IDE）です。

Jupyter Notebookベースのエディターが中心で、

これをひとつの画面上で完結させられます。

ローカルにPythonをインストールする必要もなく、AWSコンソールから開けばすぐ使えるのがとても便利です。

また、StudioにはMLflowとの連携機能や、実験の管理・比較ができる「実験（Experiments）」機能も備わっています。

といった比較が視覚的にできるのは、実際に使ってみると便利さを実感しやすいでしょう。

機械学習のトレーニングは、データ量が増えると自分のPCでは追いつかなくなります。

SageMakerのトレーニングジョブ機能を使えば、S3に保存したデータを指定して、必要なインスタンスタイプ（GPUインスタンスも選べます）でジョブを実行できます。

ジョブが終われば自動でインスタンスが停止するので、使いっぱなしで課金が続くという心配もありません。

などの主要なフレームワークのコンテナが用意されているので、「環境を一から作る」手間も省けます。
自分で用意したDockerコンテナを持ち込むことも可能なので、柔軟性は高いです。

トレーニングが完了したモデルは、SageMakerのエンドポイント機能でAPIとして公開できます。

エンドポイントを作成すると、HTTPSで呼び出せるURLが発行され、アプリからJSONでリクエストを送ればモデルの予測結果が返ってくる仕組みです。

また、リアルタイム推論だけでなく「バッチ変換」機能もあります。

大量のデータをまとめて処理したい場合はこちらが向いています。
たとえば、一晩で数百万件のレコードを分類する……といった使い方ができるでしょう。

ここでは、簡単な活用シーンをご紹介しますね。

ECサイトのレコメンド
ユーザーの購買履歴をもとに「おすすめ商品」を出す仕組みを作れます
SageMaker上でモデルをトレーニングし、エンドポイント経由でWebアプリに組み込むのが典型的なパターンです
異常検知・品質管理
工場の製造ラインのセンサーデータを学習させて、異常なパターンを検知するモデルを作れます
エッジ側でのリアルタイム推論にも対応しています
テキスト分類・感情分析
カスタマーレビューや問い合わせメールのテキストを「ポジティブ/ネガティブ」に分類したり、緊急度でラベル付けしたりできます
コールセンターの自動排分けに活用している企業もあります