導入
「AIを使いたい」と言っても、自分でモデルを訓練するのか、すでに賢いAIを呼ぶだけなのかで、使うサービスはまったく違います。まずは全体の階層を押さえましょう。
説明
AWSのAI/MLサービスは、3つの階層で整理できます。
| 階層 | 何をするか | 代表サービス |
|---|---|---|
| AIサービス（上位） | 学習済みのAIをAPIで呼ぶだけ。機械学習の知識は不要 | Rekognition・Comprehend・Polly など |
| MLサービス（中位） | 自分のデータでモデルを作る・訓練する・動かす | Amazon SageMaker |
| MLフレームワーク／基盤（下位） | TensorFlowなどを動かす計算資源そのもの | GPU搭載のEC2、AWS Trainium/Inferentia |
Amazon SageMakerは、機械学習モデルの準備 → 学習（トレーニング）→ 評価 → デプロイ（推論エンドポイント公開）という一連の作業を、1か所でまとめて行えるフルマネージドのサービスです。ノートブック環境、学習用のインスタンス管理、モデルの公開までを面倒みてくれるため、「機械学習のためのインフラを自分で組む」必要がなくなります。
flowchart TD
A["AIサービス：呼ぶだけ<br/>Rekognition / Polly / Comprehend"] --> Need1["機械学習の知識ほぼ不要"]
B["SageMaker：自分で作る<br/>データ準備→学習→デプロイ"] --> Need2["自社データ専用のモデルが必要"]
C["EC2(GPU)・Trainium/Inferentia"] --> Need3["フレームワークから自分で組む"]
「まず学習済みのAIサービスで足りないかを考え、足りなければSageMakerで自分のモデルを作る」というのが、AWSがすすめる順番です。
読んでみよう
「学習済みAIを呼ぶ＝AIサービス」「自分でモデルを作る＝SageMaker」。この2階層の区別だけで、CLFのAI関連の設問はかなり解けます。