データのラベル付けの自動化

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。

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。

選択した場合、Amazon SageMaker Ground Truth は、アクティブラーニングを使用して、特定の組み込みタスクタイプの入力データのラベル付けを自動化できます。アクティブラーニングとは、ワーカーがラベル付けするデータを識別する機械学習の手法です。Ground Truth では、この機能を「自動データラベリング」と呼びます。自動データラベリングは、人間だけを使用する場合と比べて、データセットのラベル付けの所要コストと時間を削減するのに役立ちます。自動ラベル付けを使用すると、SageMaker トレーニングと推論の費用が発生します。

アクティブラーニングで使用されるニューラルネットワークは新しいデータセットごとに大量のデータを必要とするため、自動データラベリングは大規模なデータセットに対して使用することをお勧めします。通常、提供するデータが増えるほど、予測の精度が高くなります。自動ラベル付けモデルで使用されるニューラルネットワークで許容可能な高レベルの精度を達成できる場合にのみ、データが自動ラベル付けされます。したがって、データセットが大きいほど、ニューラルネットワークは自動ラベル付けに十分な高い精度を達成できるため、データが自動ラベル付けされる可能性が高くなります。自動データラベリングは、何千ものデータオブジェクトがある場合に最も適しています。自動データラベリングに許容される最小のオブジェクト数は 1,250 ですが、少なくとも 5,000 個のオブジェクトを指定することを強くお勧めします。

自動データラベリングは、次の Ground Truth 組み込みタスクタイプでのみ使用できます。

ストリーミングラベル付けジョブは、自動データラベリングをサポートしていません。

独自のモデルを使用してカスタムアクティブラーニングワークフローを作成する方法については、「独自のモデルを使用してアクティブラーニングワークフローをセットアップする」を参照してください。

自動データラベリングジョブには、入力データのクォータが適用されます。データセットのサイズ、入力データのサイズ、解像度の制限に関する情報は、「入力データのクォータ」を参照してください。

仕組み

自動データラベリングは、ラベル付けジョブの作成時に有効にします。この仕組みは以下のようになっています。

上記のステップは、繰り返し行われます。次の表の各タブを選択すると、オブジェクト検出の自動ラベル付けジョブの各イテレーションで発生するプロセスの例が表示されます。これらのイメージの特定のステップで使用されるデータオブジェクトの数 (200 など) は、この例固有のものです。ラベルを付けるオブジェクトが 5,000 未満の場合、検証セットのサイズはデータセット全体の 20% になります。入力データセットに 5,000 を超えるオブジェクトがある場合、検証セットのサイズはデータセット全体の 10% になります。API オペレーション CreateLabelingJob を使用する場合、MaxConcurrentTaskCount の値を変更することでアクティブラーニングのイテレーションごとに収集される人間のラベルの数を制御できます。コンソールを使用してラベル付けジョブを作成する場合、この値は 1,000 に設定されます。[Active Learning] (アクティブラーニング) タブのアクティブラーニングフローでは、この値は 200 に設定されます。

Model Training

Automated Labeling

Active Learning

anchoranchoranchor

• Model Training
• Automated Labeling
• Active Learning

自動ラベル付けの精度

精度の定義は、自動ラベル付けで使用する組み込みタスクタイプによって異なります。すべてのタスクタイプにおいて、これらの精度要件は Ground Truth によって事前に決定され、手動で構成することはできません。

アクティブラーニングのイテレーションごとに（上記のリストの手順 3～6）、自動ラベル付きオブジェクトの予想精度が事前定義された特定の精度要件を満たすように、人間による注釈付き検証セットを使用して信頼しきい値が検出されます。

自動データラベリングジョブの作成 (コンソール)

SageMaker AI コンソールで自動ラベル付けを使用するラベル付けジョブを作成するには、次の手順に従います。

ラベル付けジョブは、SageMaker AI コンソールのラベル付けジョブセクションに表示されます。出力データは、ラベル付けジョブの作成時に指定した Amazon S3 バケットに表示されます。ラベル付けジョブの出力データの形式とファイル構造の詳細については、「ラベル付けジョブの出力データ」を参照してください。

自動データラベリングジョブの作成 (API)

SageMaker API を使用して自動データラベリングジョブを作成するには、CreateLabelingJob オペレーションの LabelingJobAlgorithmsConfig パラメータを使用します。CreateLabelingJob オペレーションを使用してラベル付けジョブを開始する方法については、「ラベル付けジョブを作成 (API)」を参照してください。

自動データラベリングに使用するアルゴリズムの Amazon リソースネーム (ARN) を LabelingJobAlgorithmSpecificationArn パラメータに指定します。自動ラベル付けでサポートされている Ground Truth の 4 つの組み込みアルゴリズムから 1 つを選択します。

自動データラベリングジョブが終了すると、Ground Truth は自動データレベリングジョブで使用したモデルの ARN を返します。このモデルを同様の自動ラベル付けジョブタイプの開始モデルとして使用するには、この ARN の文字列形式を InitialActiveLearningModelArn パラメータで指定します。モデルの ARN を取得するには、次のような AWS Command Line Interface （AWS CLI) コマンドを使用します。

# Fetch the mARN of the model trained in the final iteration of the previous labeling job.Ground Truth
pretrained_model_arn = sagemaker_client.describe_labeling_job(LabelingJobName=job_name)['LabelingJobOutput']['FinalActiveLearningModelArn']

自動ラベル付けで使用される ML コンピューティングインスタンス (複数可) にアタッチされたストレージボリュームのデータを暗号化するには、 VolumeKmsKeyIdパラメータに AWS Key Management Service （AWS KMS) キーを含めます。KMS キーの詳細については、 AWS AWS 「 Key Management Service デベロッパーガイド」の「 Key Management Service とは」を参照してください。 AWS

CreateLabelingJob オペレーションを使用して自動データラベリングジョブを作成する例については、SageMaker AI ノートブックインスタンスの「SageMaker AI Examples, Ground Truth Labeling Jobs」セクションの object_detection_tutorial の例を参照してください。 SageMaker ノートブックインスタンスを作成して開く方法については、「Amazon SageMaker ノートブックインスタンスを作成する」を参照してください。SageMaker AI サンプルノートブックにアクセスする方法については、「」を参照してくださいサンプルノートブックにアクセスする。

自動データラベリングに必要な Amazon EC2 インスタンス

次の表は、トレーニングとバッチ推論ジョブのために自動データラベリングを実行するのに必要な Amazon Elastic Compute Cloud (Amazon EC2) インスタンスの一覧です。

* アジアパシフィック (Mumbai)リージョン (ap-south-1) では、代わりに ml.p2.8xlarge を使用します。

Ground Truth は、自動データラベリングジョブに使用するインスタンスを管理します。ジョブの実行に必要なインスタンスを作成、設定、および終了します。これらのインスタンスは、Amazon EC2 インスタンスダッシュボードには表示されません。

独自のモデルを使用してアクティブラーニングワークフローをセットアップする

独自のアルゴリズムを使用してアクティブラーニングワークフローを作成し、そのワークフローでトレーニングと推論を実行して、データを自動ラベル付けできます。ノートブック bring_your_own_model_for_sagemaker_labeling_workflows_with_active_learning.ipynb は、SageMaker AI 組み込みアルゴリズム BlazingText を使用してこれを示しています。このノートブックには、このワークフローを実行するために使用できる AWS CloudFormation スタックが用意されています AWS Step Functions。ノートブックとサポートファイルは、GitHub リポジトリにあります。

このノートブックは、SageMaker AI Examples リポジトリでも確認できます。Amazon SageMaker AI サンプルノートブックの検索方法については、「サンプルノートブックを使用する」を参照してください。