Amazon SageMaker で NVIDIA Triton Inference Server を使用してモデルサーバのハイパースケールパフォーマンスを実現する | Amazon Web Services
Amazon Web Services ブログ Amazon SageMaker で NVIDIA Triton Inference Server を使用してモデルサーバのハイパースケールパフォーマンスを実現する 機械学習 (ML) アプリケーションはデプロイが複雑で、多くの場合、1 つの推論リクエストを処理するために複数の ML モデルが必要です。典型的なリクエストは、前処理、データ変換、モデル選択ロジック、モデル集約、後処理などの複数モデルに渡る場合があります。これにより、シリアル推論パイプライン、アンサンブル (scatter gather)、ビジネスロジックワークフローなどの一般的な設計パターンが進化し、リクエストのワークフロー全体が有向非巡回グラフ (DAG) として実現されるに至りました。しかしながら、ワークフローがより複雑になるにつれて、これらのアプリケーションの全体的なレス
Amazon SageMaker の NVIDIA Triton Inference Server を使用して高速でスケーラブルな AI をデプロイする | Amazon Web Services
Amazon Web Services ブログ Amazon SageMaker の NVIDIA Triton Inference Server を使用して高速でスケーラブルな AI をデプロイする 機械学習 (ML) とディープラーニング (DL) は、医療診断における画像分類、チャットボットにおける会話型 AI、e コマースにおけるレコメンデーションシステムに至るまで、さまざまなコンピューティングの問題を解決するための効果的なツールになりつつあります。ただし、特定のレイテンシーまたは高スループットの要件を持つ ML モデルは、一般的なコンピューティングインフラストラクチャで大規模に実行するには莫大なコストがかかる可能性があります。企業や顧客が期待する厳しいスループット、スケール、レイテンシーでの推論を最小限のコストで実行するために、ML モデルは GPU などの推論アクセラレータを必
Amazon SageMaker Adds Batch Transform Feature and Pipe Input Mode for TensorFlow Containers | Amazon Web Services
AWS News Blog Amazon SageMaker Adds Batch Transform Feature and Pipe Input Mode for TensorFlow Containers At the New York Summit a few days ago we launched two new Amazon SageMaker features: a new batch inference feature called Batch Transform that allows customers to make predictions in non-real time scenarios across petabytes of data and Pipe Input Mode support for TensorFlow containers. SageMak
Machine Learning について学べる新しいデジタルトレーニング | Amazon Web Services
Amazon Web Services ブログ Machine Learning について学べる新しいデジタルトレーニング こんにちわ。 アマゾン ウェブ サービス ジャパン、プロダクトマーケティング エバンジェリストの亀田です。 今年の1月に、AWSがご提供している機械学習案連サービスの、無料のトレーニングコースについてご案内しました。このコースはクラウドのスキルを磨いたり Machine Learning (ML)を学びやすくするために提供しており、「ディープラーニングの概要 (Introduction to Deep Learning)」や「Amazon SageMaker の概要 (Introduction to Amazon SageMaker)」といった新しいコースが含まれています。 こちらの日本語版がリリースされましたので、みなさんにご案内いたします。 オンデマンドウェビナー
Amazon SageMaker Automatic Model Tuning: Using Machine Learning for Machine Learning | Amazon Web Services
AWS News Blog Amazon SageMaker Automatic Model Tuning: Using Machine Learning for Machine Learning Today I’m excited to announce the general availability of Amazon SageMaker Automatic Model Tuning. Automatic Model Tuning eliminates the undifferentiated heavy lifting required to search the hyperparameter space for more accurate models. This feature allows developers and data scientists to save sign
Amazon SageMaker Updates – Tokyo Region, CloudFormation, Chainer, and GreenGrass ML | Amazon Web Services
AWS News Blog Amazon SageMaker Updates – Tokyo Region, CloudFormation, Chainer, and GreenGrass ML Today, at the AWS Summit in Tokyo we announced a number of updates and new features for Amazon SageMaker. Starting today, SageMaker is available in Asia Pacific (Tokyo)! SageMaker also now supports CloudFormation. A new machine learning framework, Chainer, is now available in the SageMaker Python SDK,
Analyze data in Amazon DynamoDB using Amazon SageMaker for real-time prediction | AWS Big Data Blog
AWS Big Data Blog Analyze data in Amazon DynamoDB using Amazon SageMaker for real-time prediction February 2023 Update: Console access to the AWS Data Pipeline service will be removed on April 30, 2023. On this date, you will no longer be able to access AWS Data Pipeline though the console. You will continue to have access to AWS Data Pipeline through the command line interface and API. Please not
Amazon SageMaker でのトレーニングやホスティングのために Amazon VPC リソースにアクセスする
Amazon SageMaker でのトレーニングやホスティングのワークフローのために、Amazon Virtual Private Cloud (VPC) のリソースにアクセスできるようになりました。この新しい機能を使用すると、VPC からしかアクセスできない Amazon Simple Storage Service (S3) バケットを使用してトレーニングデータを保存したり、トレーニングプロセスから派生したモデル成果物を保存してホストしたりすることができます。S3 に加えて、モデルは VPC に含まれる他のすべての AWS リソースにアクセスできます。 トレーニングおよびホスティングにおける VPC リソースのサポートによって、VPC フローログを使用して、Amazon SageMaker のアルゴリズムとモデルの間を行き来するすべてのトラフィックをモニタリングすることもできます。
<mazgi.github.io 移行済>Amazon SageMakerをそれなりの人数で使うときの設定 - mazgi.log
移動しました mazgi.log :: Amazon SageMakerをそれなりの人数で使うときの設定 AWSのマネージドJupyterサービスである「Amazon SageMaker」を数十名規模で使う機会があったのでインフラ的に設定した内容などを書いておく。 SageMakerで何をしたかなどはいずれちゃんとした情報が出ると思う。 Amazon SageMakerとは? AWSのWebUIでぽちぽちクリックしていくとJupyterが起動する、そういうやつです。 SageMakerのオフィシャルサイトはこちら。 aws.amazon.com Amazon SageMakerの起動方法 まずアクセスすべきはこちら。 https://console.aws.amazon.com/sagemaker/home#/notebook-instances 「Create notebook inst
Amazon SageMaker – 機械学習を加速する | Amazon Web Services
Amazon Web Services ブログ Amazon SageMaker – 機械学習を加速する 機械学習は多くのスタートアップやエンタープライズにとって重要な技術です。数十年に渡る投資と改善にも関わらず、機械学習モデルの開発、学習、そして、メンテナンスはいまだに扱いにくく、アドホックなままになっています。機械学習をアプリケーションに組み込むプロセスはしばしば一貫しない仕組みで数ヶ月間に及ぶエキスパートチームによるチューニングと修正を伴います。企業と開発者は機械学習に対する生産パイプラインに対するのエンド・エンドな製品を望んでいます。 Amazon SageMaker の紹介 Amazon SageMaker はフルマネージドなエンド・エンド機械学習サービスで、データサイエンティストや開発者、機械学習のエキスパートがクイックに機械学習モデルをスケーラブルにビルド・学習・ホストするこ
Amazon SageMaker ハンズオンレポート | BLOG - DeNA Engineering
はじめに AIシステム部・AI研究開発グループの益子です。 現在はオートモーティブ事業において、AI研究開発エンジニアとして働いています。 先月20日、DeNA社内において、アマゾン ウェブ サービス ジャパン(AWS)様より「Amazon SageMaker」ハンズオンを実施していただきましたので、その模様をレポートさせていただきます。 DeNAでは、すでに数多くのサービスでAWSを活用しています。私の所属するAIシステム部もその例外ではなく、機械学習のモデル開発に幅広く利用しています。 昨年のAWS re:Invent 2017において「Amazon SageMaker」が発表されましたが、発表の後さっそく社内でも利用したいという声が上がり、AWS様より社内エンジニア向けハンズオンを実施していただけることになりました。 Amazon SageMakerとは Amazon SageMak
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Managed Spot Training: Save Up to 90% On Your Amazon SageMaker Training Jobs | Amazon Web Services
Amazon SageMaker で実現する生産性の高い機械学習基盤 / #AWSDevDay - Speaker Deck
FreakOut における AWS上での機械学習活用事例 / FreakOut AWS Summit Tokyo 2018
https://github.com/aws/amazon-sagemaker-examples/blob/master/introduction_to_amazon_algorithms/imageclassification_caltech/Image-classification-transfer-learning.ipynb
20180308 AWS Black Belt Online Seminar Amazon SageMaker