ヘルスケア業界向けのデータレイク「Amazon HealthLake」を発表

ビルダーに機械学習を拡大　DBエンジニアや産業用途、ヘルスケアでも

2020年12月16日 10時30分更新

文● 大谷イビサ　編集●ASCII

　12月9日に行なわれたAWSのAmazon Machine Learning担当バイス・プレジデントのスワミ・シバスブラマニアン（Swami Sivasubramanian）氏による機械学習（ML）フォーカスの基調講演。後半は多くのビルダーに機械学習を拡大するためのAWSの戦略やサービスについて披露した。

AWS Amazon Machine Learning担当バイス・プレジデントのスワミ・シバスブラマニアン（Swami Sivasubramanian）氏

いいアイデアは組織のどこでも起こりえるもの

　今回のAWS re:Invent期間中に発表されたSageMakerのアップデートや新機能は、おおむね機械学習のプロ向けと呼べるもの。ここでいうプロとはデータサイエンティストを指しているが、日本はもとより北米でもまだまだMLの専門家は多くない。シバスブラマニアン氏は、「SageMakerのようなツールを使えば、さまざまなユーザーがMLモデルの開発ができる。多くの人たちはスキルがなかったり、時間がなく、モデルを作れない。でも、いいアイデアというのは、組織のどこでも起こりうるもの」と指摘。より多くのビルダーに機械学習を拡げていくというサービスの方向性を明示した。

　たとえば、SageMaker AutoPilotは機械学習モデルを自動生成してくれるサービス。スキルと知識の必要な手動での構築と、モデルの作成方法を把握できない代わりに自動化されたAutoMLのギャップを埋めるべく、表形式のデータセットから予測する列を探し、自動的にモデルを生成。リコメンドから最適なモデルを選べるほか、モデルのノートブックの可視性とコントロールも得ることができる。

　基調講演では言及されなかったが、新サービスである「Amazon SageMaker JumpStart」も機械学習の敷居を下げる取り組みの1つだ。不正検知や予防保全、需要予測など15を超えるユースケース向けにソリューションを提供し、数クリックでデプロイまで可能になっている。カスタマイズも可能で、PyTorchやTensorFlowで公開されている学習済みモデルもデプロイできるという。

Amazon Redshft ML発表　DB開発者にもMLを

　同じデータを扱っていても、機械学習を利用するのはML専門家が中心で、データベースの開発者やデータアナリストにとってはまだまだ敷居が高い。また、機械学習をアプリケーションに組み込むためには複雑で手間がかかった。MLモデルを作り、データベースからこのモデルを読み込むためのアプリケーションコードを書き、MLモデル用にデータをフォーマットし、MLサービスを呼び出し、結果のデータもアプリケーションのためにフォーマットする必要がある。複数のデータベースになると、このフローはもっと複雑になる。

アプリケーションに機械学習を組み込む複雑なフロー

　こうした負荷の重い作業を減らすべく、AWSは既存のデータベースやツールに機械学習を組み込み、直接扱えるようにしている。昨年発表された「Aurora ML」ではSQLクエリからMLサービスを呼び出し、結果をアプリケーションに返すことができる。また「Athena ML」も同じで、S3に対してのSQLクエリで不審なログインや売り上げ予測などMLモデルを利用できる。

　今回発表された「Amazon Redshift ML」はRedshiftのデータウェアハウスからSQLでデータを引き出し、MLモデルを生成する。SQLでセレクトされたデータはRedshiftからS3に移され、セキュリティを保った形でAutoPilotが処理を引き継ぐ。あとはデータのクレンジングや事前準備などを経て、MLモデルを生成し、最適なアルゴリズムを当てる。「ここまでのやりとりはすべて自動化されている。トレーニングされたモデルは、SQLの関数として提供され、Redshift内に格納される。レポートをダッシュボードで使うことができる」とシバスブラマニアン氏は語る。

　また、あわせて「Amazon Neptune ML」も発表された。複雑な関係性をデータとグラフモデルで表現する最適なグラフ型データベースであるNeptuneは、ナレッジグラフや遺伝子や疾患の情報管理、不正検知、レコメンデーションエンジンなどに使われている。Neptune MLはグラフデータを選択し、MLモデルを自動選定してくれるので、精度の高い予測が可能になる。「既存のMLテクニックより、50％も精度が改善される」（シバスブラマニアン氏）と語る。なお、SageMaker AutopilotはDOMO、SISENCE、Qlik、Tableau、Snowflakeなどサードパーティとの連携が予定されているという。

MLの知識がないユーザーでも使えるQuickSight Q

　AWS自体もQuickSightを強化しており、今回は自然言語での検索が可能なQuick Sight Qという新機能も投入されている。AWS BI＆アナリスティック VPのドロシー・リー氏は、「QuickSight Qは最新の機械学習と自然言語の技術を使っている。通常の言語で問い合わせをして、すぐに答えを得ることができる」とアピールする。

AWS BI＆アナリスティック VP ドロシー・リー氏

　ダッシュボード化されている情報以外を見たい場合、今まではBIチームに調べたい内容をBIチームにリクエストし、数日待たなければいけなかったが、QuickSight Qであれば迅速に洞察を得ることができる。社内や部門で利用されている用語も学習するため、普段の通り「カリフォルニアとニューヨークの1週間の利益の比較」とか、「今年、カリフォルニアでもっとも売れた商品」といった質問を問い合わせればよい。

　QuickSight Qで既存のデータを取り込むと、自動的にナレッジレイヤーを生成し、意味とデータの関係性を示すことができる。リー氏は、さまざまなデータセットを選択でき、すぐに始められ、しかも継続的にモデルを改善できるとアピールした。

　MLの知識がなくても、MLの恩恵を受けられるサービスはQuickSight以外にも数多く投入されている。コンタクトセンターサービスの「Amazon Connect」では、顧客との音声でのやりとりを文字興ししたり、センチメント（感情）分析を実現する。また、Amazon Kendraは、S3やRDS、外部サービスなどのデータを機械学習で分析し、自然言語で検索可能にする。さらに開発者向けにはMLを用いたコードレビューサービスの「Code Guru」を提供しており、先日はシステムの運用管理に役立つアラートを出す「DevOps Guru」も発表した。

　新発表された「Amazon Lookout for Metrics」は売り上げの急激な低下やセールスリードの枯渇など異常値検出を実現するサービスだ。

　従来のしきい値ベースの検出では、誤検知も多く、予測不能な状況に弱いという弱点があったが、Amazon Lookout for MetricsはAmazonが利用しているものと同じ機械学習のテクノロジーを用いており、高い精度の予測モデルが自動構成される。また、Amazon Lookout for Metricsでは、19のデータソース、6つのアラート手段を実現するためのコネクタが用意されている。