Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

20170826 Oita JAWS

339 views

Published on

AWS Oita JAWS 20170826

Published in: Technology
  • Be the first to comment

  • Be the first to like this

20170826 Oita JAWS

  1. 1. © 2017, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 2017年8月26日 AWS Managed Serviceを活用したAI戦略 アマゾン ウェブ サービス ジャパン株式会社 プロダクトマーケティング エバンジェリスト 亀田 治伸
  2. 2. 自己紹介 亀田 治伸(かめだ はるのぶ) 44歳 •出身:石川県→兵庫県→新潟県 →米国イリノイ州シカゴ→神奈川県横浜市 •好きなもの:ガンダム、焼肉、焼酎 •得意領域:暗号、認証、動画配信 Background •某セキュリティ系独立型ASP •動画・音楽配信システム構築 •決済代行事業者 •暗号アプライアンス販売 •Amazon Web Services Japan プロダクトマーケティング, エバンジェリスト
  3. 3. 機械学習とはなにか 大量の データ 学習 アルゴ リズム 機械 学習 モデル 学習 予測 入力 データ 機械 学習 モデル 予測 判断 結果 Input Output
  4. 4. 4 レイヤーから構成される AWS の機械学習サービス
  5. 5. 4 レイヤーから構成される AWS の機械学習サービス
  6. 6. AI Services 文章をリアルな音声 に変換するサービス Polly Lex 声やテキストを使用した会話 型インターフェイスを様々な アプリケーションに構築する ためのサービス Rekognition 画像分析機能をアプリケーション に簡単に追加できるようにする サービス ※これらは,fine-tuning された AWS が提供する深層学習モデルを API で簡単に利用できるマネージドサービスとなります
  7. 7. Amazon Polly • テキストを,リアルな音声に変換するサービス • 24 の言語で 47 のリアルな声優の音声を提供 • 音声の保存と配信,SSML* と Lexicon** によるカスタマイズが可能 • リップシンクのためのスピーチマーク機能や,ささやき声の発話機能が追加 *Speech Synthesis Markup Language **語彙目録 <lexeme> <grapheme>Kaja</grapheme> <grapheme>kaja</grapheme> <grapheme>KAJA</grapheme> <phoneme>"kaI.@</phoneme> </lexeme> My daughter’s name is Kaja.ねぇちょっとちょっと,ここだけの話だけどさ <speak> <prosody rate="x-fast"> ねえ,ちょっとちょっと, <amazon:effect name="whispered"> ここだけの話だけどさ </amazon:effect> </prosody> </speak> SSML Lexicon
  8. 8. Pollyユースケース: FM和歌山 ❑ 完全に自動化されたキャスター不要のニュース配信が可能に ❑ 安定してアナウンサーを確保するのが難しい状況でも、タイムリーにニュー ス配信が可能 ❑ 今後は災害情報等のタイムリーな発信にも確保していく予定
  9. 9. PollyとCMSの融合例 Amazon S3原稿 AWS Lambda Amazon RDS Amazon ElastiCache Amazon DynamoDB Amazon EC2 自動化レイヤ CMS連携 (手作業) Amazon Polly
  10. 10. Amazon Rekognition ❏ 深層学習に基づく画像認識サービス ❏ 各種機能を API で提供し,アプリケーションに画像認識機能を簡単に追加可能 ❏ 新機能:イメージモデレーション機能 / 性的・暴力的な画像を検出 ❏ 新機能:有名人顔検索機能 / 有名人かどうかの判定 物体とシーンの検出 顔分析 顔照合 顔認識
  11. 11. Rekognition - 物体とシーンの検出  DetectLabels API を利用すると、画像から識別した車、ペット、家具など、 数千もの物体にラベルを付け、信頼スコアを取得できる  信頼スコアは 0~100 の値で示され、識別結果が正しいかどうかの可能性を 意味する Maple Plant Villa Garden Water Swimming Pool Tree Potted Plant Backyard ❖ 大規模な画像ライブラリを 検索、フィルタリング、管 理するために必要な情報を 取得できる ❖ 写真、不動産、旅行アプリ など様々なアプリケーショ ンに利用可能
  12. 12. Rekognition - 顔分析  DetectFaces API を利用すると、画像内の顔の位置を検出し、感情、ポーズ、 瞳が開いているかどうかなどの顔属性を分析できる ❖ 画像のトリミングや広告を 重ねる際に顔を避けるよう な処理 ❖ ユーザがどのようなカテゴ リに属するか、ユーザが抱 いている感情などの推定 ❖ 一番良い写真のレコメンド
  13. 13. Amazon Lex ❏ 音声やテキストを使用して,自動音声認識と自然言語理解の機能を通じて任意のアプ リケーションに対話型インターフェイス(ボット)を構築するサービ ❖ AWS Lambda,Amazon Cognito や Amazon DynamoDB などと統合可能 ❖ GA に合わせて Slack, Twilio 統合や SDK サポートなどの機能追加 BookHotel Intents intent はユーザが入力した自然言語に応答 してfulfillmentを実行する Utterances Slots Fulfillment intent を発動するフレーズ intent を満たすために要求される入力データ intent を実現するビジネスロジック Prompt Slot を引き出すためのフレーズ
  14. 14. AIを組み合わせて実現する音声言語処理 “What’s the weather forecast?” Weather Forecast “The temperature in WA is 75°F” “The temperature in Washington is 75 degrees Fahrenheit” Amazon LEX Amazon Polly
  15. 15. Lex - 仕組み: Prompt I’d like to book a hotel What date do you check in? New York City Sure what city do you want to book? Nov 30th Check In 11/30/201 6 City New York City
  16. 16. 4 レイヤーから構成される AWS の機械学習サービス
  17. 17. Amazon machine Learning ❏ スケーラビリティ: システムの拡張や運用を考える必要がない ❏ パッケージ化: テストデータ分割や評価手法,予測 API の提供などが組み込まれている Amazon Redshiftアプリケーション Redshift上の取引データ を使ってAmazon MLで 不正取引の抽出を行い、 S3に出力される結果を Redshiftに戻して利用。 2クラス分類 ロジスティック回帰 多クラス分類 多項ロジスティック回帰 回帰分析 線形回帰
  18. 18. Amazon EMR (Elastic MapReduce) ❏ フルマネージドな Hadoop を提供しており、クラスタの構築・構 成変更・破棄まで管理可能 ❏ HDFS ではなく S3 上のデータを直接読み書きすることで コンピュートとストレージを分離 ❏ ワークロードに応じたクラスタを複数立ち上げ、同一データを 並列に処理可能 ❏ ETL 処理から機械学習まで幅広く利用可能
  19. 19. 機械学習・分析処理のためのソフトウェアスタック http://docs.aws.amazon.com//emr/latest/ReleaseGuide/emr-release-components.html
  20. 20. 4 レイヤーから構成される AWS の機械学習サービス
  21. 21. Deep Learningに最適なP2インスタンス ❏ GPU アクセラレータ NVIDIA Tesla K80 を最大 16 個搭載可能 ❏ 大量の GPU を使うことで,ディープラーニングのモデル構築にかかる時間を大幅に 短縮可能 ❏ AMI(Amazon Machine Image) を使うことで,ディープラーニングの学習環境を 容易に構築可能 Instance Name GPU Count Memory GPU Memory Network Performance P2.xlarge 1 61GiB 12 GiB High P2.8xlarge 8 488GiB 96 GiB 10 Gigabit P2.16xlarge 16 732GiB 192 GiB 20 Gigabit
  22. 22. IoTの利用は活発に (出典:国内IoT市場 テクノロジー別予測 2016年5月18日 IDC Japan株式会社) 予測 2015年 約6.2兆円 2020年 約13.8兆円 2015年 ハードウェア コネクティビティ 2020年 IoTプラットフォーム アナリティクス 導入/運用サービス
  23. 23. IoTにAWSを活用する日本のお客さま 鮮度/生産管理 動線把握 モニタリング/操作 故障改善 遠隔制御 車両モニタリング/操作 畜産・生産性改善スマートホーム スイング把握/改善
  24. 24. IoTでビッグデータで利益向上 年間10億件にものぼるデータをクラウド上で解析 現在の消費状況から 「15分後の需要予測」を個々の店舗で実現
  25. 25. 株式会社グッデイさま お客様及び従業員の方の動線を「可視化」 バックヤード作業を効率化、従業員のお客様対応時 間増で売上増(5~10%)
  26. 26. AWS IoTとは? 接続されたデバイスが簡単かつ安全にクラウドアプリケーションや デバイスとやり取りできるマネージド型クラウドプラットフォーム 接続されたデバイスが簡単かつ安全に クラウドアプリケーションやデバイスと 通信できるマネージド型クラウドプラットフォーム AWS IoT
  27. 27. IoTプラットフォーム データ 収集 データ保存 データ処理・分析 活用 デバイス 制御 デバイス管理 アラート 業務支援 システム Report/Dashboard (故障予知・予測) デバイス管理 データ収集・分析 リモート制御
  28. 28. アラート 業務支援 システム Report/Dashboard (故障予知・予測) デバイス管理 デバイス制御 データ収集 データ処理・分析 データ保存 デバイス管理 データ活用 S3 Kinesis S3 RDS DynamoDBGlacier RedshiftEMR Machine Learning QuickSight ElasticSearch Kinesis API GW Lambda SNS AWS IoT Solution Lambda AWSで構築するIoTプラットフォーム モニタリング 位置情報管理・状態監視・ 実績把握・動線把握 予防予知保全 稼働実績・異常監視 作業効率・自動化 保守作業指示 遠隔制御 機器運用・ ファームアップ IoTで求められる主な要件
  29. 29. アラート 業務支援 システム デバイス制御 データ収集 データ処理・分析 データ保存 デバイス管理 データ活用 S3 Kinesis S3 RDS DynamoDBGlacier RedshiftEMR Machine Learning QuickSight ElasticSearch Kinesis API GW Lambda SNS AWS IoT Solution Lambda AWSで構築するIoTプラットフォーム モニタリング 位置情報管理・状態監視・ 実績把握・動線把握 予防予知保全 稼働実績・異常監視 作業効率・自動化 保守作業指示 遠隔制御 機器運用・ ファームアップ IoTで求められる主な要件 IoT IoT IoT Report/Dashboard (故障予知・予測) デバイス管理
  30. 30. AWS IoT Overview
  31. 31. AWS IoT: ルールエンジン ルールエ ンジン
  32. 32. シンプル&慣れた構文 - SQL文を使ったトピックのフィルタ - WHERE句をオプションで付けるこ とも可能 - JSONサポート メッセージ変換機能 - 文字列操作 (regex support) - 算術計算 - 暗号 - UUID, Timestamp, 乱数など AWS IoT ルールエンジン概要 SELECT * FROM ‘things/thing-2/color’ WHERE color = ‘red’
  33. 33. AWS IoT AWSサービス ルールエンジンは、受け取った メッセージを評価し、適切に変 換とエンドポイントへの配信を ルールに従って実行 外部のエンドポイントは、 LambdaかSNSを使って呼び 出す Lambda の呼び出し S3 bucketへのデータ格納 DynamoDBテーブルへの 挿入、更新と読み出し SNS に対するパブリッシュ Kinesis へのパブリッシュ アクション AWS IoTへのリパブリッシュ
  34. 34. AWS IoT : シャドー THING SHADOW Persistent thing state during intermittent connections シャドー アプリケーション
  35. 35. AWS IoT シャドー Shadow
  36. 36. AWS IoT シャドーのフロー Shadow Device SDK 1. 現在の状態を送信 2. JSON形式で保存 3. アプリによる状態確認 4. 状態変更指示5. ステータスSync 6. 最新ステータスの送信 7. ステーテス変更の通知 AWS IoT
  37. 37. IoTとクラウドの特性と相性 • 実証実験先行型 • 急激なスケール爆発
  38. 38. IoTとクラウドの特性と相性 • 実証実験先行型 • 急激なスケール爆発 捨てれるIT いつでも変更できるIT 無尽蔵のコンピュートリ ソース 数分でデプロイ
  39. 39. IoTサービス構造 センサ 機器 センサ 機器 広域なネットワーク 狭域なネットワーク ゲートウェイ C:フィールド 領域 B:ネットワーク 領域 A:インフラ 領域 IoTプラットフォーム デバイス管理 ストレージ データ解析 デバイス制御 エッジ・コンピュー ティング 遅延要求の厳しいリ アルタイム・アプリ ケーションを実現 IoTアプリケーション 可視化 予測/分析/通知/制御
  40. 40. 物理法則 経済の法則 (決まり) ローカルで処理することの価値 • 通信速度 • Latency • 回線敷設のコスト • 常時オンラインの機能 要件
  41. 41. Lambda • 特徴 (http://aws.amazon.com/jp/lambda/) – OS、キャパシティ等インフラの管理不要 – S3、Kinesis、SNS等でのイベント発生を元に ユーザが用意したコードを実行 • Python, Node.js, Java, .NET – ユーザアプリからの同期/非同期呼び出し • 価格体系 (http://aws.amazon.com/jp/lambda/pricing/) – コード実行時間(100ms単位) – Lambdaファンクションへのリクエスト回数 – 1月あたり100万リクエスト、400,000GB/秒が 無料で利用可能 イベントをトリガーにコードを実行するコンピュートサービス AWS LambdaAmazon S3 Bucket イベン ト 元画像 サムネイル画像 1 2 3 AWS Lambda Amazon DynamoDB Table and Stream プッシュ通知 別テーブルを更新 ■イメージのリサイズやサムネイルの作成 ■値チェックや別テーブルへのコピー
  42. 42. AWS Greengrass Greengrass SDK Local環境 MQTT • Status Sync • サービスとの接続 Greengrassのメリット ローカル処理による高速レスポンス 常時接続不要 センシティブ情報の処理(暗号化/削除) Greengrass Core Lambda Device shadow AWS内部で動作するプログラム 実行基盤をローカルで実行
  43. 43. Amazon Greengrass 広域なネットワーク 狭域なネットワーク ゲートウェイIoTゲートウェイ IoTデバイス ・各種センサ ・アクチュエータ Greengrass 必要なデータのみ リアルタイム性 高いアクセス頻度
  44. 44. Local で実行される Lambda AWS Greengrass のLambda functionsはPython 2.7をサポート メッセージング / shadow update を契機にLambdaを実行できる Long-run(永続起動型)サポート 開発はクラウドで行い、ローカル へデプロイできるようになる
  45. 45. AWS IoTユースケース: 株式会社ウフル 「enebular」 活用事例
  46. 46. データ分析に 基づく 価値の再発見 効率化 高機能化 高性能化 省力化 省エネ化 見える化 (1)生産性向上 従来のITシステム データ収集能力向上 大規模データ活用 AI分析(機械学習) (2)付加価値創出 ビジネスモデルの革新、新ビジネスモデルの創出 既 存 ビ ジ ネ ス の 改 善 IoTイノベーション

×