SageMaker Canvasで課題解決にMLモデルを取り入れる

655 Views

February 05, 24

スライド概要

2024年2月3日に行われたイベント「JAWS-UG岩手 LT&サーバレスハンズオン勉強会」でお話した際の資料です。
イベントリンク: https://jaws-tohoku.doorkeeper.jp/events/166617

profile-image

SFとコンピュータが好き

シェア

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

2024-02-03 JAWS-UG岩手 LT&サーバレスハンズオン勉強会 SageMaker Canvasを使って 課題解決にMLモデルを取り入れる 山崎 拓也

2.

自己紹介 • 名前: 山崎 拓也 • 所属: SIer • 仕事: システム開発、インフラ構築、運用など • 好き: 低レイヤ、SF、AWS • その他: 2022, 2023 Japan AWS All Certifications Engineer

3.

昔、課題解決のためにビッグデータの分析をしたときのこと ちょうど機械学習が盛り上がり始めた時期 機械学習を使用するには専門知識が必要で敷居が高い 結果、機械学習の使用は見送ることに

4.

最近、AWSでSageMaker Canvasを試したときのこと 専門知識不要、ノーコードで簡単にMLモデル作成できる 「あの時もこんなサービスがあれば、機械学習を取り入れられたかも」

5.

そこで今回は 「課題に対してSageMaker CanvasでMLモデルを作り、 解決策に取り入れる」 という内容を話したいと思います

6.

Amazon SageMaker Canvasとは • 機械学習に対する専門知識が不要 • ノーコードで機械学習モデル作成が行える “SageMaker Canvas は、問題のタイプを識別して関連性の高い新しい特徴 量を生成し、問題の種類に基づいて、(線形回帰、ロジスティック回帰、深 層学習、時系列予測、勾配ブースティングなどの ML 手法を使用して) 何百 もの予測モデルをテストして、データセットに基づいて最も正確な予測を 行うモデルを作成します。” https://aws.amazon.com/jp/sagemaker/canvas/features/?nc=sn&loc=2

7.

今回の課題とデータセット • 架空の課題: 作業員の熱中症が増えている • 解決策: 過去のデータから熱中症になりそうな作業員を予測して予防する • 架空のデータセットを作成 • 作業日の気温や湿度、体温、作業種類、体調など • 熱中症になったかどうかが記録されている • これをもとに熱中症になるかどうかを予測するモデルを作成する 10時の気温 11時の気温 … 年齢 睡眠時間 … 作業種類 熱中症 15.0 18.2 … 52 7 … C yes 3.7 6.7 … 53 4 … C no -5.9 -4.3 … 32 6 … B no 27.5 27.9 … 60 3 … C yes

8.

SageMaker Canvasによるモデル作成の流れ 1. データセット取り込み(CSV, JPEG, PNGに対応、今回はCSV) 2. 予測したい列を選択し、モデルをトレーニング データセット 列を選択して トレーニング モデル完成

9.

ステップ1: データセットの取り込み • 27列10000行のCSVファイルを作成してS3にアップロード S3にアップロードしたCSV

10.

ステップ2: 列選択とモデルのトレーニング ① 予測したい列を選択 ② モデルタイプが自動 で決定される ③ トレーニング開始

11.

モデル完成 • 精度 88.656%のモデルが作成された クリックでモデルを 使った予測へ

12.

Canvasからモデルで予測を実行できる 1行分のデータを入力 予測結果が表示

13.

モデルはSageMaker Endpointにデプロイ可能 エンドポイントのタイプは2種類 • プロビジョン済み • リアルタイム • オートスケーリング • サーバーレス • コールドスタート • オートスケーリング(リクエスト無い間は0インスタンス)

14.

CanvasからSageMaker Endpointに直接デプロイできる クリックでSageMaker Endpointへデプロイ EndpointのURL

15.

様々なサービスを駆使して課題解決のためのシステムを スピーディに構築できるところがAWSの良いところ

16.

今回の課題を解決するシステムを構築してみました

17.

午前中に車両やウェアラブルデバイスのセンサから 気温や湿度、体温などを取得しS3に保存

18.

お昼休みにステートマシンが実行され、 予測に必要な情報を集めてSageMaker Endpointにリクエストを行い、 午後に熱中症になる危険性が高い作業員をリストして監督者へ通知する

19.

まとめ • SageMaker Canvasにより課題解決にMLモデルを導入しやすくなった • AWSの様々なサービスを使ってスピーディにPoCを行ってみて、 結果が出たら機械学習の専門家をアサインして本格化するという手もある • これからはもっと気軽に選択肢のひとつとして機械学習を検討してもよい かもしれない

20.

Tips1: IoTの動作確認にはAWS IoT MQTTクライアントが便利 • IoTデバイスが不要 • GUIから簡単に送受信できる

21.

Tips2: SageMaker Canvasを学ぶには • 「Amazon SageMaker キャンバスイマージョンデイ」がおすすめ • AWSの公式ワークショップ • 11種類のユースケースラボで様々なデータセットを用いたモデル作成と予測 • https://catalog.workshops.aws/canvas-immersion-day/ja-JP