インクリメンタルトランスダクティブワークフロー - Amazon Neptune
増分モデルモデルトレーニング

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

インクリメンタルトランスダクティブワークフロー

ステップ 1 ～ 3 (データのエクスポートと設定からモデル変換まで) を再実行するだけで、モデルアーティファクトを更新できますが、Neptune ML は、新しいデータを使用してバッチ ML 予測を更新する、より簡単な方法をサポートしています。1 つは、インクリメンタルモデルワークフローを使用する方法で、もう 1 つはウォームスタートによるモデルの再トレーニングです。

インクリメンタルモデルワークフロー

このワークフローでは、ML モデルを再トレーニングせずに ML 予測を更新します。

注記

これは、グラフデータが新しいノードやエッジで更新された場合にのみ実行できます。ノードが削除されると、今のところ動作しません。

  1. データのエクスポートと設定 — このステップは、メインワークフローと同じです。

  2. 増分データの前処理 — このステップは、メインワークフローのデータ前処理ステップと似ていますが、特定のトレーニング済みモデルに対応する、以前に使用したのと同じ処理構成を使用します。

  3. モデルの変換 — モデルトレーニングステップではなく、このモデル変換ステップは、メインワークフローと増分データの前処理ステップの結果からトレーニング済みモデルを取得し、推論に使用する新しいモデルアーティファクトを生成します。モデル変換ステップは、更新されたモデルアーティファクトを生成する計算を実行する SageMaker 処理ジョブを起動します。

  4. Amazon SageMaker 推論エンドポイントを更新する – オプションで、既存の推論エンドポイントがある場合、このステップはモデル変換ステップによって生成された新しいモデルアーティファクトでエンドポイントを更新します。または、新しいモデルのアーティファクトを使用して新しい推論エンドポイントを作成することもできます。

ウォームスタートでモデル再トレーニング

このワークフローを使用して、増分グラフデータを使用して予測を行うための新しい ML モデルをトレーニングおよび展開できますが、メインワークフローを使用して生成された既存のモデルから開始します。

  1. データのエクスポートと設定 — このステップは、メインワークフローと同じです。

  2. 増分データの前処理 — この手順は、増分モデル推論ワークフローの場合と同じです。新しいグラフデータは、以前にモデルトレーニングに使用したのと同じ処理方法で処理する必要があります。

  3. ウォームスタートでモデルトレーニング — モデルトレーニングはメインワークフローで発生するものと似ていますが、前のモデルトレーニングタスクの情報を活用して、モデルのハイパーパラメータ検索を高速化できます。

  4. Amazon SageMaker 推論エンドポイントを更新する – このステップは、増分モデル推論ワークフローと同じです。