Amazon SageMaker JumpStartを使ってみた
はじめに
今回は、Amazon SageMaker JumpStartを使ってみようと思います。
Amazon SageMaker JumpStartとは
以下はこのサイトを引用しています。
Amazon SageMaker JumpStartとはAmazon SagemMaker Studioの機能の1つで、サンプルノートブックやトレーニング済みのモデルを検索しワンクリックで立ち上げることができます。それだけでなく Solution というのも用意されており、これはユースケースに合わせてAmazon SageMakerを含めたアーキテクチャをワンクリックでデプロイすることができます。
機能
Solutions
ユースケースに合わせて15種類の中から選択し、ワンクリックでアーキテクチャのデプロイをすることができます。
Models
TensorFlow HubやPyTorch Hub等のモデルハブによる事前学習済みのモデルを使用して、アプリケーションを簡単にデプロイできます。
Notebooks
サンプルのノートブックを利用して、組み込みアルゴリズムを試すことができます。
料金
Amazon SageMaker Studioを利用する料金以外で追加の費用はかかりません。
ちなみに、Amazon SageMaker Studioの利用料金は以下のようになっています。
最初の2ヶ月間で無料利用枠が使える機能
機能 | 無料利用枠で利用できる範囲 |
---|---|
Studioノートブック及びノートブックインスタンス | Studio ノートブックで 250 時間の ml.t3.medium インスタンス、またはノートブックインスタンスで 250 時間 の ml.t2 medium インスタンスまたは ml.t3.medium インスタンス |
RStudio on SageMaker | RSession アプリケーションの ml.t3.medium インスタンスを 250 時間分、および RStudioServerPro アプリケーションの ml.t3.medium インスタンスを無料で提供 |
Data Wrangler | 25 時間の ml.m5.4xlarge インスタンス |
Feature Store | 1,000 万の書き込みユニット、1,000 万の読み取りユニット、25 GB のストレージ |
トレーニング | 50 時間の m4.xlarge または m5.xlarge インスタンス |
Amazon SageMaker with TensorBoard | 300 時間の ml.r5.large インスタンス |
リアルタイム推論 | 125 時間の m4.xlarge または m5.xlarge インスタンス |
サーバレス推論 | 150,000 秒のオンデマンド推論時間 |
Canvas | セッション時間は 750 時間/月、最大 10 のモデル作成リクエスト/月、それぞれ最大 100 万セル/モデル作成リクエスト |
最初の6ヶ月間で無料利用枠が使える機能
機能 | 無料利用枠で利用できる範囲 |
---|---|
Experiments | 1 か月あたり 100,000 のメトリクスレコードを取り込み、1 か月あたり 100 万のメトリクスレコードを取得、1 か月あたり 100,000 のメトリクスレコードを保存 |
従量課金
リージョン、インスタンスの種類によって価格が異なります。
インスタンスの種類が多く記載するのが大変なため、こちらの公式ページを御覧ください。
使ってみる
AWSコンソールでSageMakerを検索し、サービス画面を開きます。「今すぐ始める」をクリックします。
高速セットアップ(1分)を選択し、「SageMaker Domainをセットアップ」をクリックします。
ドメイン名を入力し、実行ロールのプルダウンから「新しいロールの作成」をクリックします。
任意のS3バケットを選択し、「ロールを作成」をクリックします。
ロールが作成されたら、「送信」をクリックします。
しばらくすると「SageMaker Domainの準備ができました」と表示されます。これでドメインの作成が完了したので、次に「ユーザーの追加」をします。こちらは手順に沿って進めてください。
(既にユーザーが追加されていれば飛ばしても問題ないです)
「起動」→「Studio」を選択し、起動します。
起動しました!
次に「SageMaker JumpStart」→「Models, notebooks, solutions」をクリックします。
好きなモデルを選択します。私は「Question Answering」内の「Question Answering」を選択しました。
「Deploy」をクリックします。
エンドポイントが作成されました。
「Open Notebook」をクリックし、推論のデモを行うことができます。
サンプルで質問とコンテキストのペアが入力されています。
上の三角ボタンで順に実行していきましょう。
すると以下のように推論が返ってきます。
model answerの箇所が、モデルが推測した回答です。
コンテキストの内容を見ると、回答が正しいことがわかりますね。
大まかな使い方は以上です。
モデルの使用が終了したら、追加料金が発生しないようエンドポイントの削除をしましょう。
おわりに
AWSをほとんど使ったことがなかったので、操作が難しかったです。
Discussion