FargateとAthenaで作る、機械学習システム

AKIBA.AWS ONLINE #09 – AWSを活用した機械学習 編- の発表資料です。
https://dev.classmethod.jp/news/akiba-aws-220804/

Transcript

1. FargateとAthenaで作る、 機械学習システム 2022/8/4(⽊) AKIBA.AWS Online #9 データアナリティクス事業部 鈴⽊ 那由太 1
2. 2 ⾃⼰紹介 鈴⽊ 那由太 - nayuts クラスメソッド 株式会社 データアナリティクス事業本部 ⼊社: 2021/05 好きなサービス: Amazon Athena 担当業務：データ分析基盤の構築・運⽤、機械学習システムの検証 ほか: kaggleにノート公開したりしていた。 2022 APN AWS Top Engineers(Analytics)
3. 3 本⽇お話ししたいこと
4. 4 本⽇お話ししたいこと 内容 • S3・Athena・Fargateでの機械学習システムの構成例 （CPUで動くモデル⽤、バッチ処理、初期段階のイメージ） 課題意識 • 機械学習モデルを作るところまではできたけど、システム化すると き、どの部分にどういう役割を持たせるか難しかった。 • Fargateタスクで動かしてみたかったが、ネットワーク・権限の要件 が多く感じた。
5. 5 本⽇お話ししたいこと 想定視聴者 • FargateタスクとS3で機械学習システムを構成してみたい⽅ LTの技術的な要点 • プライベートサブネットでFargateタスクを動かすために必要な要 件 • データを蓄えるところはデータ分析基盤の３層構成にすると当ては めやすい
6. 6 LTのテーマ ご紹介する構成・考え⽅
7. 7 紹介する構成 前処理・結合 データマート層 データを貯める部分 + 機械学習機能 で構成する。 データレイク層 学習・推論 ワークフロー エンジン データを貯める部分 機械学習部分
8. 8 構成の根拠
9. 9 構成の根拠 ①データレイク層 ②データウェアハウス層 ③データマート層 No 名前 役割 ① データレイク層 ⽣データを格納しておく。後続のロジック修正時に 再計算できるようにしておく。 ② データウェアハウス層 クレンジングや共通化したいデータを格納する。基 盤が成熟していない場合、無いこともある。 ③ データマート層 ユースケース⽤のデータを格納しておく。 データ分析基盤部分は３層で考えるのが、今は⼀般的です。 ˞ʰ࣮ફతσʔλج൫΁ͷॲํᝦʙ ϏδωεՁ஋૑ग़ͷͨΊͷσʔλɾγεςϜɾώτͷϊ΢ϋ΢ʱΛࢀߟʹ͠·ͨ͠ɻ IUUQTHJIZPKQCPPL
10. 10 紹介する構成（再掲） 前処理・結合 データマート層 データを貯める部分 + 機械学習機能 で構成する。 データレイク層 学習・推論 ワークフロー エンジン データを貯める部分 機械学習部分
11. 11 難しかったところ
12. 12 プライベートサブネットで実⾏する場合 エンドポイント・IAMロールは要件が多めです。 ※NATがないケース
13. 13 ワークフローエンジンで実⾏する場合 別のリソースから起動する場合は、追加で必要なものがあります。 ※NATがないケース
14. 14 パフォーマンスチューニング CPUの値とメモリの値に許容される組み合わせがある。 ▪以下のドキュメントより2022/07/23に抜粋 https://docs.aws.amazon.com/ja_jp/AmazonECS/latest/userguide/task_definition_parameters.html
15. 15 実験管理 ▪以下ブログより20220730に抜粋 https://aws.amazon.com/jp/blogs/news/machine-learning-managing-your-machine- learning-lifecycle-with-mlflow-and-amazon-sagemaker/ ▪以下ブログより20220730に抜粋 https://aws.amazon.com/jp/blogs/machine- learning/visualizing-tensorflow-training-jobs-with- tensorboard/ ⾃分で構築するなら以下の２つの選択肢がありそう。 ① MLFlow ② TensorBoard ① MLFlowの利⽤例 ② TensorBoardの利⽤例
16. 16 そのたポイント
17. 17 処理単位の分け⽅ 前処理・結合 データマート層 データレイク層 学習実行 学習済みモデル ワークフロー エンジン 学習済みモデル データマート層 推論実行 データマート層 データマート層 実行 処理１：データの作成 処理２：学習 処理３：推論 ⽇毎・⽉毎 に出⼒ 処理内容と周期で分けると整理しやすかったです。
18. 18 起動設定やデータの渡し⽅ ワークフロー エンジン 学習または推論 実行 ①スケジュール実⾏ ワークフロー定義内でスケジューリングする。 ②学習・推論に利⽤するデータの指定 タスク定義の環境変数でS3上のどのオブジェクトを使うか指定する。 ワークフローからSDKでFargateタスクを呼び出し、環境変数を 上書きすると使いやすい。 Boto3 documentationより20220730に抜粋
19. 19 メリット・デメリット • メリット • RedshiftなどDWH製品に詳しくなくても、とりあえずS3とAthenaを覚えれ ばサーバーレスで実現できる⼿軽さ。 • S3を起点としてFargateからデータを読み出しやすい。 • デメリット • DWH製品とは異なり、ストレージに保存する際に型などのチェックがしにく く、利⽤する際まで異常に気づかないことがある。 • このあたりを使うと良いかも？ • Redshift Serverless
20. 20 ブログ • 以下のブログにも記載しました。