HexagonがAmazon SageMaker HyperPodでAIモデル生産を加速

Amazon SageMaker HyperPod を活用した Hexagon における AI モデル生産の加速 このブログ記事は、Hexagon の Johannes Maunz、Tobias Bösch Borgards、Aleksander Cisłak、Bartłomiej Gralewicz と共著です。 Hexagon は計測技術の世界リーダーであり、重要な産業が信頼を寄せることで、構築・航行・革新が可能となる確信を提供しています。マイクロメートルから火星まで、Hexagon のソリューションは航空宇宙、農業、自動車、建設、製造、鉱業の各分野において、生産性、品質、安全性、持続可能性を推進します。 これらの産業におけるアプリケーションでは、Hexagon の計測技術を用いて膨大な量の高精度なポイントクラウドデータを記録し、現実を捉えることがよくあります。ポイントクラウドとは、3 次元空間内のデータ点の集合であり、通常は物体またはシーンの外部表面を表すものです。ポイントクラウドは、3D モデリング、コンピュータビジョン、ロボティクス、自律走行車、地理空間分析などのアプリケーションで一般的に使用されています。 Hexagon は、顧客がアプリケーションにおいて生産性、品質、安全性、あるいは持続可能性を確保できるよう支援するために、専用の AI モデルを提供しています。これらの AI モデルは特定のドメイン向けに特別に設計されており、通常は構築された環境の理解に焦点を当てています。 本ブログ記事では、Amazon SageMaker HyperPod のモデルトレーニングインフラストラクチャ（infrastructure）を活用して最先端のセグメンテーションモデル（segmentation models）を事前学習させることで、Hexagon が Amazon Web Services と協力し、AI モデル生産をどのようにスケーリングしたかを示します。 AI の影響と機会 Hexagon が顧客に提供する AI モデルは、複雑な課題の解決を支援します。これらの課題は、大規模で汎用的なモデルよりも効果的なことが多い、専門化された AI モデルによって解決されます。地理空間アプリケーションでスキャンされた点群データを使用する前に、前処理や点群のクリーニング操作を実行することが不可欠です。単一の AI モデルを使ってデータセット全体を分類することに依存するのではなく、特定の操作に取り組むターゲット型の AI モデルが開発されています。例えば、1 つは塵やセンサーノイズによる不要な点を効率的に除去し、別の 1 つは複雑な環境でも土地の種類を分離し、さらに別の 1 つは移動中の物体（自動車や歩行者）を検出して排除しつつ、シーン内の固定された物体は保持します。この AI アプローチは、精度と効率性を向上させるだけでなく、処理要件を削減し、より迅速かつ正確な 3D モデルの作成につながります。 以下の図は、Hexagon が開発している点群分類モデルなどの専門化された AI モデルの実践的な応用例を示しています。 最初の図は、モバイルマッピング道路モデルがどのようにして都市全体のデジタルツイン（Digital Twin）の作成を可能にするかを示しています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/ml-19589-image-1.png) 2 つ目の図は、現場での意思決定を可能にする重機建設モデルです。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/ml-19589-image-2.png) 堅牢でスケーラブル、かつ高性能なインフラストラクチャを実装することで、Hexagon の AI 革新と市場投入までの期間を大幅に短縮する大きな機会があります。これにより、効率的かつ迅速なモデルのトレーニングや開発が可能となり、新しい専門的な AI ユースケースを数ヶ月ではなく数日で実現できるようになります。 Hexagon と Amazon SageMaker HyperPod: 成功事例 スケーラブルな計算リソースへのアクセス、最新 GPU の利用、そして合理化されたトレーニングパイプラインという Hexagon のニーズに対応するため、Hexagon チームはモデルトレーニング要件に対して Amazon SageMaker HyperPod の主要機能を評価しました。 レジリエントなアーキテクチャ: SageMaker HyperPod は、プロアクティブなノードヘルスチェックと自動クラスタ監視を通じて運用を合理化しました。組み込まれた自己修復機能とジョブの自動再開により、トレーニング実行を数週間から数ヶ月にわたって中断なく継続することが可能になります。ノード障害が発生した場合、自動的に検知して故障したノードを交換し、最新のチェックポイントからトレーニングを再開します。 スケーラブルなインフラストラクチャ: シングルスパインノードトポロジーと事前設定済みの Elastic Fabric Adapter (EFA) を使用することで、SageMaker HyperPod は最適なノード間通信を実現します。柔軟な計算容量割り当てにより、パフォーマンスを損なうことなくシームレスにスケーリングが可能で、複数のノードにわたる増加するワークロードに理想的です。 多様なデプロイメント：SageMaker HyperPod は、幅広い生成 AI ソフトウェアスタックと互換性があり、ライフサイクルスクリプトおよび Helm カスタマイズを通じてデプロイを簡素化します。NVIDIA Blackwell GPU によって加速された P6-B200 や P6e-GB200 など、主要な Amazon Elastic Compute Cloud (Amazon EC2) インスタンスをサポートし、実装における柔軟性を提供しています。 効率的な運用：インテリジェントなタスクガバナンスと統合された SageMaker ツールを通じて、SageMaker HyperPod はクラスター利用率を自動的に最適化します。互換性のあるドライバーとライブラリを備えた事前設定済みの Deep Learning Amazon Machine Images (DLAMI) と、クイックスタートトレーニングレシピを組み合わせることで、最大限の運用効率を確保できます。 ソリューション概要 Hexagon は、以下の図に示すように、Amazon SageMaker HyperPod 管理インフラストラクチャを活用した堅牢な学習環境を実装しました。これには、統合されたデータパイプライン、コンピュータークラスターの管理、および MLOps モニタリングスタックが含まれています。 ![](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/02/13/ml-19589-image-3.png) ソリューションアーキテクチャ図 データパイプラインとストレージ トレーニングデータは、Hexagon の AWS アカウント内の Amazon Simple Storage Service (Amazon S3) に保存されており、高性能な並列ファイルシステム機能を提供するために Amazon FSx for Lustre が利用されています。この Amazon FSx for Lustr ファイルシステムには、S3 バケットと自動的に同期するデータリポジトリ関連付け（DRA）が設定されており、これによりトレーニングデータの遅延読み込みが可能になり、モデルのチェックポイントが自動的に Amazon S3 へエクスポートされます。 この構成により、テラバイト単位のトレーニングデータをマルチ GB/秒のスループットレートで GPU アクセラレータ付きコンピューティングノードに直接ストリーミングすることが可能となり、モデルトレーニング中のデータ転送ボトルネックを解消します。DRA は、データサイエンティストがトレーニング中に並列ファイルシステムの性能上の利点を享受しつつも、慣れ親しんだ Amazon S3 インターフェースで作業できることを保証する役割を果たしています。 コンピューティングクラスターの管理 SageMaker HyperPod クラスターは、組み込みのヘルスチェックと自動化されたインスタンス管理機能でプロビジョニングされています。Amazon SageMaker Training Plans を通じて、Hexagon は 1 日から 6 ヶ月までの柔軟な GPU キャパシティを予約することができ、短期間の実験的実行から拡張されたトレーニングキャンペーンに至るまで、リソースの可用性を確保するのに役立ちます。これらのトレーニングプランは予測可能な価格設定と専用キャパシティを提供し、重要なモデル開発におけるオンデマンドリソースの可用性の不確実性を排除します。クラスターはノード障害やジョブの再開を自動的に処理し、手動介入なしにトレーニングの継続性を維持します。 MLOps および監視スタック この環境は、Amazon SageMaker HyperPod から提供されるワンクリック観測ソリューションと統合されており、包括的なメトリクスを自動的に Amazon Managed Service for Prometheus に公開し、基盤モデル開発に最適化された事前構築済みの Amazon Managed Grafana ダッシュボードを通じて可視化します。 この統一された観測機能は、NVIDIA Data Center GPU Manager、Kubernetes ノードエクスポートラー、EFA（Elastic Fabric Adapter）、統合ファイルシステム、および SageMaker HyperPod タスクオペレーターからのヘルスとパフォーマンスデータを統合し、リソース利用率、GPU メモリ、FLOPs に関する GPU レベルごとの監視を可能にします。 実験追跡については、Amazon SageMaker AI 上の MLflow が、Hexagon のトレーニングコンテナに対する最小限のコード修正のみで済む完全マネージド型ソリューションを提供します。この統合により、すべての実験実行においてトレーニングパラメータ、メトリクス、モデルアーティファクト、および系譜（ラインジ）が自動的に追跡され、モデルパフォーマンスの比較や結果の信頼できる再現が可能になります。 Hexagon における SageMaker HyperPod の利用による主要な成果 Hexagon による SageMaker HyperPod の導入は、デプロイ速度、トレーニング効率、モデルパフォーマンスのすべての面で測定可能な改善をもたらしました。 迅速な統合とデプロイメント：Hexagon は SageMaker HyperPod をトレーニングに成功裡に統合し、数時間以内に最初のトレーニングデプロイを完了しました。これはセットアップの容易さと、機械学習（ML）開発者にとって向上したエンドユーザー体験を反映しています。モデルトレーニングに必要なすべてのサービスを単一のエコシステム内で利用可能にしたことが、セキュリティおよびガバナンス要件の満たしにつながりました。 トレーニング時間の短縮：Hexagon は、特定のネットワークと構成におけるオンプレミスでのトレーニング時間を 80 日から削減しました。AWS では、各インスタンスに 8 つの NVIDIA H100 GPU を搭載した ml.p5.48xlarge インスタンスを 6 台使用し、約 4 日で完了しています。EFA（Elastic Fabric Adapter）ネットワークインターフェースは、マルチノード GPU トレーニングにおける低遅延・高スループットなネットワーキングを通じて分散トレーニングの効率を向上させます。 パフォーマンスの強化：SageMaker HyperPod は、トレーニング中により大きなバッチサイズを可能にし、これによりトレーニングパフォーマンスが向上しました。その結果、トレーニングされた AI モデルの精度スコアが高まりました。 AWS Enterprise Support は、Hexagon による Amazon SageMaker HyperPod の成功した導入において決定的な役割を果たしました。先行的なガイダンス、深い技術的専門知識、そして専任のパートナーシップを通じて、AWS Enterprise Support チームは Hexagon が初期の AWS 採用から高度な生成 AI 実装に至るまでのクラウド移行を支援しました。包括的なサポートにはベストプラクティスに関するガイダンス、コスト最適化戦略、継続的なアーキテクチャアドバイスが含まれており、Hexagon のチームが運用上の卓越性を維持しながらイノベーションに集中できる環境を提供しました。この戦略的パートナーシップは、AWS Enterprise Support が従来のサポートサービスを超え、顧客のビジネス変革を加速し、クラウド上で望ましい成果を達成するよう支援する信頼できるアドバイザーとなっていることを示しています。 Hexagon と Amazon Web Services の協力により、Amazon SageMaker HyperPod を通じてトレーニング時間の驚異的な 95% の短縮が実現しました。柔軟なトレーニングプランにより、Hexagon チームは各モデルトレーニングプロジェクトに必要な加速された計算リソースの正確な量を、完全な柔軟性と自由度をもってプロビジョニングできるようになりました。この柔軟性、スケーラビリティ、そしてパフォーマンスの組み合わせは、Hexagon におけるモデル開発に変革的なアプローチをもたらすものであり、イノベーションを加速させ、顧客が重要な産業分野で構築・ナビゲート・革新を行うのを支援する次世代の AI 搭載製品のパワーソースとなっています。 著者について

HexagonがAmazon SageMaker HyperPodでAIモデル生産を加速

背景や根拠まで確認しますか？

調べる

選ぶ

サイト