AWSサービスを整理する AI・ML編

it-dax

2023年12月2日 23:46

AWSサービスがどんどん増えていってますよね。
わたしはここ2年ほど追いきれていません…。

各分類毎の整理を地道に作成したいと思っています。

今回はAI・ML編です。
拾い画で申し訳ないのですが、おおざっぱに整理してくださっている画像があったので貼っておきます。
今回整理するサービスがあったりなかったりなので、参考程度にしてください。

Amazon Augmented AI

Amazon Augmented AI（Amazon A2I）は、機械学習の結果に対して、実際の人間によるチェックを含めたワークフローを提供するサービスです。

Amazon A2I を他の AWS AI サービスと合わせてデプロイして、キーフレーズ抽出などの ML 予測の人間によるレビューを実装します。

今まで目視で確認していた作業をAWSの中で行うことができます。

Amazon CodeGuru

開発環境に組み込むことでコードの品質向上やパフォーマンス向上が可能となります。
ML を活用した推奨事項を使用して、コードレビューを自動化し、アプリケーションのパフォーマンスを最適化します。

CodeGuruには下記の2つの機能があります。

CodeGuru Reviewer

ML(機械学習)を利用したコードレビューの機能です。

機械学習および自動推論を使用して、アプリケーション開発中に重大な問題、セキュリティの脆弱性、見つけにくいバグを特定し、推奨事項を提供することで、コードの品質を向上します。

CodeGuru Profiler

アプリケーションのパフォーマンスを分析する機能です。

実稼働しているアプリケーションのパフォーマンスを最適化、および最もコストが高いコード行を特定します。アプリケーションのパフォーマンスの最適化を常に模索しており、CPU 使用率を削減し、計算コストを低減し、アプリケーションのパフォーマンスを向上させるための修正方法を推奨します。

Amazon Comprehend

機械学習を使用してテキストから洞察を見つける自然言語処理 (NLP) サービスです。
要するに文書解析サービスです。

固有名詞抽出、キーワード抽出、感情分析が可能です。

チャットボットへの組み込みや、アンケート解析が可能です。

Amazon Comprehend Medical

HIPAA 適格の自然言語処理 (NLP) サービスであり、処方箋、手順、診断などの医療テキストから健康データを理解して抽出するために事前にトレーニングされた機械学習を使用します。

電子カルテを中心にフリーテキストで記載される病院情報システムから効率よく患者情報を抜き出したい場合に使用可能かもしれません。

Amazon DevOps Guru

機械学習を使用して異常な動作パターンを検出するため、運用上の問題が顧客に影響を与える前に、その問題を特定することができます。

具体的には、ホストリソースの過剰使用、データベースのボトルネック、SQL クエリの誤動作など、パフォーマンスに関連するさまざまなデータベースの問題を自動的に特定して分析します。
そして問題が検出されると、DevOps Guruはその結果を DevOps Guru コンソールに表示し、Amazon EventBridge またはAmazon Simple Notification Service (SNS) を使用して通知を送信します。
これにより、デベロッパーは課題を自動的に管理し、リアルタイムでアクションを取ることができるというものになります。

Amazon Forecast

機械学習 (ML) をベースにした時系列予測サービスで、ビジネスメトリクス分析のために構築されています。

Forecastにあらかじめ用意されたアルゴリズムを利用することで、過去の時系列データから未来の予測を行うことができます。

小売りにおける商品販売数の予測のようなビジネス分析が可能です。

Amazon Fraud Detector

お客様が潜在的な不正行為を特定し、より多くのオンライン不正を迅速に発見することができるフルマネージドサービスです。

新規のアカウント登録や、クーポンの発行、オンラインのカード不正利用、トランザクションの精査などで活用が可能です。

Amazon HealthLake

HIPAA の対象となるサービスで、ヘルスケアおよびライフサイエンス企業が医療データを数分で安全に保存、変換、取引、分析して、患者および集団レベルで時系列で表示できるようにする FHIR API を提供します。

HealthLakeは機械学習（ML）機能を用いて医療用語や臨床データを分析し、データに対して標準化されたラベルを付与することで検索や分析を容易にする。
また、HealthLakeは患者の診察などのイベントをタイムラインにインデックス化し、医療従事者に各患者の病歴などを総合的に確認できる時系列のビューを提供する。
これらすべてを実現し、AWSの顧客はアナリティクス機能やML機能を用いて、新たに構造化されたデータを分析できるようになる。

Amazon Kendra

機械学習を活用した検索システムサービスです。
ソースとしてインターネット上のデータは勿論、自社で保有するデータも対象にすることで、独自の検索システムを作成することができます。

Amazon Lex

アプリケーションに会話型インターフェイスを設計、構築、テスト、およびデプロイするための高度な自然言語モデルを備えた、フルマネージド型人工知能 (AI) サービスです。

Alexaと同じテクノロジーを利用できます。

他のサービスと組み合わせることで自動応答型の電話予約システムや、テキストでの注文予約やタクシーの呼び出しなどが可能です。

Amazon Lookout for Equipment

機器の異常な動作を検出する ML 産業機器モニタリングサービスであるため、計画外のダウンタイムを回避できます。

正常値と異常値のモデルを登録し、機器の異常を機器に特化した予兆保全モデルを構築できます。

Amazon Lookout for Metrics

ML を使用して、ビジネスデータと運用データ内の異常を検出して診断します。

ECサイトのトラフィックに発生した異常な外れ値を検知し、アラートを出す、という仕組みを簡単に構築することが可能です。

Amazon Lookout for Vision

コンピュータビジョンを利用して、製造された製品の欠陥を大規模に発見する機械学習サービスです。

例えば製造業の目視検査を人が行っているのに代わって、AIを使った画像処理で作業を自動化する可能です。

よくあるユースケースですが、結構エッジに組み込むことが多いのでどうなんでしょうね。

Amazon Monitron

機械学習を用いて産業機器の異常な状態を検出し、予知保全を可能にするエンドツーエンドのシステムです。

1.モーター、ギアボックス、ファン、ポンプなどの回転機器にワイヤレスAmazon Monitron Sensorsを取り付け、振動と温度を測定

2.センサーデータは、Amazon MonitronGatewayを使用して自動的かつ安全にAWSに転送

3.センサーデータは、機械学習（ML）を使用して自動的に分析され、メンテナンスが必要な可能性のある異常な機器を検出

4.異常が検出されたときにモバイルアプリから端末にプッシュ通知を送信

Amazon Omics

ヘルスケア組織やライフサイエンス組織を支援するフルマネージドサービスです。
ゲノム、トランスクリプトームなどのオミクスデータを保存、クエリ、分析するための大規模な構築を支援します。
差別化につながらない面倒な作業を取り除くことで、お客様はオミクスデータから、健康を増進し、科学的発見を進めるためのより深い洞察を得ることができます。

Amazon Personalize

機械学習 (ML) を使用して、厳選されたレコメンデーションとインテリジェントなユーザーセグメンテーションを大規模にすばやく構築してデプロイできます。
Amazon Personalize は個々のニーズに合わせて調整できるため、適切なカスタマーエクスペリエンスを適切なタイミングと場所で提供できます。

記事サイトやECサイトでの「あなたへのオススメ」のようなレコメンドを実現可能です。
ZOZOTOWNのオウンドメディアでも利用されています。

Amazon Polly

人間の声のような音声を合成します。
そのため、記事を音声に変換することができます。幅広い言語に対応したリアルな音声を多数搭載しており、Amazon Polly を使用して音声起動型アプリケーションを構築することができます。

ゆっくり実況みたいなことができます。

Amazon Rekognition

事前トレーニングされたカスタマイズ可能なコンピュータビジョン (CV) 機能を提供して、画像と動画から情報とインサイトを抽出します。

テキストの抽出、有名人の認識、画像内の不適切なコンテンツの識別を行います。
また、顔を検索して比較することもできます。

Amazon Textract

スキャンしたドキュメントからテキスト、手書き文字、レイアウト要素、データを自動的に抽出する機械学習 (ML) サービスです。
単純な光学文字認識 (OCR) のレベルにとどまらず、ドキュメントから特定のデータを識別、理解、抽出します。

Amazon Bedrock

AWS内で使用可能な生成AIサービスです。
Amazonの大規模言語モデル「Amazon Titan」、米Anthropicの「Claude 2」、イスラエルAI21 Labsの「Jurassic-2」、画像生成AI「Stable Diffusion」などをAPI経由で利用でき、各APIを活用したチャットbotの作成・テキストの要約など、さまざまな活用ができます。

Amazon SageMaker

機械学習開発におけるサイクル（データ収集・加工、モデル構築・評価・デプロイ）のすべてに対して、ツール、インフラストラクチャ、ワークフローを提供してくれており、さまざまなユースケースで活用することができます。

Amazon SageMaker Canvas

ビジネスアナリストやデータサイエンスチームは、コードを 1 行も記述することなく、独自のモデルを構築できます。
リグレッションや予測などの一般的なユースケース向けの ML モデルを構築できます。
さらに、生成系 AI ソリューションをサポートするために、コンテンツ生成、テキスト抽出、テキスト要約のための Amazon Bedrock の基盤モデル (FM) または Amazon SageMaker JumpStart のパブリック FM にアクセスして評価できます。

Amazon SageMaker Ground Truth

フルマネージド型のデータラベル付けサービスで、機械学習のための高精度なトレーニングデータセットを簡単に構築することができます。
カスタム、または組み込み済みのデータラベル付けワークフローを使用して、SageMaker Ground Truth コンソールから数分でデータのラベル付けを開始することができます。

動画を画像に配置し、読み込ませると画像へのラベリングが可能です。
画像が犬なのか猫なのかウサギなのか。データへのラベル付けができます。

Amazon SageMaker Data Wrangler

ML 用表形式データや画像データの集約と準備に要する時間を、数週間から数分に短縮します。
データ準備と特徴量エンジニアリングのプロセスを簡素化し、データ選択、クレンジング、探索、視覚化、大規模処理など、データ準備ワークフローの各ステップを単一のビジュアルインターフェイスから実行できます。

Amazon SageMaker Feature Store

機械学習 (ML) モデルの特微量を保存、共有、管理するためのフルマネージド型の専用リポジトリです。
特徴量は、トレーニングと推論で使用される機械学習モデルの入力です。
例えば、音楽プレイリストを推奨するアプリケーションでは、特徴量には、曲の評価、曲を聴いている時間、リスナーの属性が含まれる場合があります。
特徴量は複数のチームによって繰り返し使用されるため、精度の高いモデルを実現するためには特徴量の品質が重要です。
また、オフラインでバッチ的にモデルをトレーニングするために使用した特微量をリアルタイム推論に利用する場合、2 つの特徴量ストアを同期させることは困難です。
SageMaker Feature Store は、機械学習ライフサイクル全体でにわたって特徴量を大規模に処理、標準化、使用するための安全で統一されたストアを提供します。

この記事が気に入ったらサポートをしてみませんか？