機械学習向けのアーキテクチャのベストプラクティス

エージェント AI がどのようにクラウドネイティブなアプリケーションアーキテクチャを変革し、イノベーションサイクルを短縮し、まったく新しいアプリケーションパターンを実現しているかをご覧ください。AWS の新機能によって、ガバナンス、信頼性、コスト効率に重点を置きながら、データ、コード、ツールを大規模にオーケストレーションする、安全で推論主導型のエージェントを設計するビルダーがどのように役立つかをご覧ください。AWS のお客様が現在、本番環境に対応したエージェントをどのようにデプロイしているかをご覧ください。また、リアルタイムで自律的に適応、最適化、行動するエージェントアプリケーションの設計に役立つベストプラクティスを学んでください。

AI モデルをエッジデバイスにデプロイする場合、ハードウェア要件、消費電力、モデルパフォーマンスのバランスを取るうえで、特有の課題が生じます。Amazon SageMaker 分散トレーニングと AWS IoT Greengrass を使用した実践的な例を通して、エッジデバイス全体にわたる自動モデルデプロイ、検証、およびパフォーマンスモニタリングのアプローチを発見してください。Strands Agents と Amazon Bedrock が、軽量なオンデバイスモデルを、どのようにして大規模な基本モデルで補完するのかをご覧ください。Jupyter ベースのダッシュボードに結果を集約してラピッドプロトタイピングと最適化を行い、エッジデバイスモデルを Amazon Bedrock の基盤モデルと連携させてデータを集約し、詳細な分析を行う手法をご紹介します。このセッションでは、エッジデプロイメントに最適化されたスケーラブルな AI パイプラインを設計するための戦略を紹介します。

Amazon SageMaker Unified Studio でデータと AI アプリケーションを強化するためのエンドツーエンドのパイプラインを作成する方法を学びましょう。バッチパイプラインとストリーミングパイプラインの両方を実装してさまざまなデータソースを統合し、最新のETL手法でデータ移動を最適化する方法について説明します。このセッションでは、初期データ処理からモデルのデプロイまで、次世代の Amazon SageMaker を使用して包括的なデータおよび AI ソリューションを開発するための知識を身に付けます。