Amazon Web Services ブログ

Category: Generative AI

個性的なモデルに出会える Amazon Bedrock Marketplace で基盤モデルの選択肢を増やそう

2024 年、さまざまな高精度なモデルが登場するにつれて ChatGPT 以外のモデルも試してみたいな? 試してみる必要があるのでは? と感じる方もいるのではないでしょうか。AWS の年次イベント re:Invent 2024 にて、Amazon Bedrock Marketplace の機能が公開されました。Anthropic Claude や Meta Llama 、そして Amazon 自身の開発した Amazon Nova といったサーバーレスで使用できるモデルのラインナップに加えて、100 以上の企業または Hugging Face 等でオープンに公開されているモデルを AWS にデプロイし Bedrock の API を通じて利用することができるようになりました。すでに日本企業が開発したモデルも出品がされています。ブログ執筆時点はビジネス知識に特化した Stockmark LLM 、パラメーターにより出力のカスタマイズが容易な Karakuri LM、日本語のベンチマーク Jaster 等で GPT4 を超える性能を記録した Preferred Networks (PFN) の PLaMo、22B と軽量ながら日本語ベンチマークで Llama-3-70B-Instruct と同等性能である CyberAgent の CyberAgentLM3 が利用できるため、本ブログでは Amazon Bedrock Marketplace でモデルを「お買い物」する方法と各モデルの特色を実際の出力結果を交えながら紹介します。

Amazon Bedrock アプリケーションで責任ある AI のコアディメンションに対応するための考慮事項

AWS では、Amazon Bedrock ガードレールのような目的に特化したサービスや機能を使い始めるためのツール、ガイダンス、リソースを提供することで、お客様が責任ある AI を理論から実践へと変換できるよう支援しています。本ブログでは、責任ある AI のコアディメンションを紹介し、Amazon Bedrock アプリケーションでこれらのディメンションに対処するための考慮事項と戦略を探ります。

大学 ICT 推進協議会 2024 年度年次大会 (AXIES 2024) 出展・登壇レポート

2024 年 12 月 10 日から 12 日まで、奈良県コンベンションセンターで開催された AXIES 2024 年次大会に、アマゾン ウェブ サービス ジャパン合同会社 (AWS) が賛助会員として協賛・出展しました。本ブログでは、展示ブースや登壇セミナーの内容をご紹介します。

生成 AI を活用して、店舗とオンラインショッピングの体験を新たなレベルへ

現代の小売業では、オンラインと店舗の買い物体験を融合させ、顧客により豊かな購買体験を提供することが求められています。Mad Mobileは、Amazon Bedrockを活用した生成AIコンシェルジュソリューションを開発し、店舗スタッフが顧客の購買履歴や好みを瞬時に把握できるようにしました。この技術により、店員は顧客一人一人に合わせたパーソナライズされた提案や接客が可能となり、顧客体験を大幅に向上させることができます。

生成 AI アプリケーションで使用するデータを保護するための効果的なデータ認可メカニズムの実装

本ブログでは、生成 AI ワークロードにおけるデータセキュリティとデータ認可について詳しく説明します。基盤モデルのファインチューニングや RAG 、AI エージェントなどの観点から機密データ利用時のリスクを分析し、さらに生成 AI アプリケーションや Amazon Bedrock Agents でのデータ認可メカニズムの実装方法を解説します。

Amazon Verified Permissions と Amazon Bedrock エージェントを使用した安全な生成 AI アプリケーションワークフローを設計する

本ブログでは、請求審査システムにある保険金請求に関する質問に答える Amazon Bedrock エージェントを用いたテキストベースの生成 AI アプリケーションを例に、Verified Permissions を使用してきめ細かなアクセスコントロールを設計する方法についてご紹介します。

追加学習なしの zero-shot で高精度な時系列予測 : Chronos-Bolt を AutoGluon で利用する

Chronos-Bolt は AutoGluon-TimeSeries の最新追加機能であり、元の Chronos モデルと比較して最大 250 倍高速に追加学習なしで高精度な予測を実現します。Chronos のような基盤モデルは、さまざまなドメインの時系列データを利用して単一のモデルを学習させるというアイデアをさらに大きく前進させました。これらのモデルは、膨大な時系列データで事前学習されています。学習データには実際のデータと合成データが含まれ、様々な分野、頻度、時系列の長さをカバーしています。その結果、追加学習なしの予測が可能となり、未知の時系列データセットに対しても正確な予測を提供します。時系列予測に取り組むハードルが低くなり、追加の学習なしで正確な予測が可能になるため、予測プロセス全体が大幅に簡素化されます。

← Older posts
Newer posts →