Recommended
More Related Content
What's hot
What's hot (20)
Similar to 20170826 Oita JAWS
Similar to 20170826 Oita JAWS (20)
More from Kameda Harunobu
More from Kameda Harunobu (11)
Recently uploaded
Recently uploaded (9)
20170826 Oita JAWS
- 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. 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
- 4. 4 レイヤーから構成される AWS の機械学習サービス
- 5. 4 レイヤーから構成される AWS の機械学習サービス
- 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. 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. 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
- 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. 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. 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. 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
- 15. 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
- 16. 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
- 17. 4 レイヤーから構成される AWS の機械学習サービス
- 18. 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
- 19. 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
- 21. 4 レイヤーから構成される AWS の機械学習サービス
- 22. 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
- 23. 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
- 29. 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
- 30. 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
- 31. AWS IoT Overview
- 33. 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’
- 34. 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
- 35. 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
- 37. 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
- 40. 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
- 41. 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
- 42. 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
- 43. 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
- 45. 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
- 46. AWS IoTユースケース: 株式会社ウフル 「enebular」 活用事例
Editor's Notes
- Amazon Rekognition では、IndexFaces API 関数を使用して顔のメタデータを保存することにより、似ている顔の画像コレクションの検索を簡単にします。 それから、SearchFaces 関数を使用して信頼性の高い一致を返すことができます。顔コレクションはお客様が所有および管理する顔のインデックスです。 A mobile app uploads new images to S3 An S3 notification triggers a Lambda function which calls Rekognition’s DetectLabels API with an S3 url DetectLabels analyzes the image and returns labels for objects and scenes detected in the image This output is persisted as metadata into DynamoDB to ensure durability and into Elasticsearch to power a smart search index. The application serves selected images directly from S3. Options on this configuration include: writing to Elasticsearch directly from the Lambda function, and using CloudFront to serve the image to the user.
- Amazon Rekognition では、IndexFaces API 関数を使用して顔のメタデータを保存することにより、似ている顔の画像コレクションの検索を簡単にします。 それから、SearchFaces 関数を使用して信頼性の高い一致を返すことができます。顔コレクションはお客様が所有および管理する顔のインデックスです。 A mobile app uploads new images to S3 An S3 notification triggers a Lambda function which calls Rekognition’s DetectLabels API with an S3 url DetectLabels analyzes the image and returns labels for objects and scenes detected in the image This output is persisted as metadata into DynamoDB to ensure durability and into Elasticsearch to power a smart search index. The application serves selected images directly from S3. Options on this configuration include: writing to Elasticsearch directly from the Lambda function, and using CloudFront to serve the image to the user.
- まずは、物体とシーンの検出機能です。 DetectLables API を利用することで、画像から車、ペット、家具など、数千もの物体を識別し、信頼スコアを取得することができます。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値です。 この画像からもかえでの木や庭、プールなどが識別されます。この機能を利用することで大規模な画像ライブラリに物体やシーンの情報を追加することができ、より充実した検索・フィルタリング機能、カテゴリわけなどの管理機能を付加することができるようになると考えられます。
- 次は顔分析機能についてご紹介します。 DetectFaces API を利用することで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することが可能です。 画像のトリミングや広告を重ねる機能で自動的に顔をさけるようにしたり、分析結果から、ユーザを年代や性別で分類する、大量にある自分の写真から一番ハッピーな写真を探すといったことが可能になります。
- 実際にホテルを予約する会話の流れをトレースしてみましょう。 “Book a Hotel in NYC” という音声を自動音声認識と自然言語理解の機能を通じ、Hotel Booking という intent が起動され、City Slot にNew York City が当てはまります。 まだ、checkin と checkout の変数が確定していないので、会話をつづけ、全ての slot が確定したのち、 ラムダ関数で fulfillment が実行され、New York City で11月30日にホテルが予約できたことがユーザに伝えられます。
- 実際にホテルを予約する会話の流れをトレースしてみましょう。 “Book a Hotel in NYC” という音声を自動音声認識と自然言語理解の機能を通じ、Hotel Booking という intent が起動され、City Slot にNew York City が当てはまります。 まだ、checkin と checkout の変数が確定していないので、会話をつづけ、全ての slot が確定したのち、 ラムダ関数で fulfillment が実行され、New York City で11月30日にホテルが予約できたことがユーザに伝えられます。
- Utterance は会話を起動するフレーズです。 ホテルを予約することを意味するフレーズは複数想定されるため、複数登録することが可能です。 ボットは会話の中で近しいと考えられる意図を起動しますが、Uttranceを設定することで intent を起動する精度を高めることができます。
- 国内IoT（※1）市場の市場規模について、2015年の支出額は約6.2兆円で、2020年の支出額は約13.8兆円になると予測 2015年時点において支出額の半分以上を占めるのは「ハードウェア」と「コネクティビティ」で、10年～20年ほど前から、製造業の工場などで、さまざまな組込み系産業機械の稼働状況を監視するようなユースケースが既に数多く存在していたことに起因 2020年には約6割に達すると見込まれ、IoTを活用する上での技術障壁やコスト障壁を大幅に軽減するIoTクラウドプラットフォームや、ネットワークにつながった機器の故障予測などを実現するアナリティクスソフトウェア、およびそれらに付随するさまざまな導入サービス／運用サービスといった技術要素に対する支出が急速に成長 IDC Japan http://www.idcjapan.co.jp/Press/Current/20160518Apr.html
- ビーコンを使った動線把握 お客様及び従業員の方の動線を「可視化」することにより、例えば、１日のうち平均約1 - 2時間は、バックヤードでの作業（発注、倉庫作業など）についやしていたことがわかり、バックヤード作業を効率化することで、従業員が売り場に立つ時間を増やし、お客様対応に時間を使うことで売上増（5〜10%）に繋がった。
- AWS IoT is a service that enables secure, bi-directional messaging between internet-connected things [examples] and the cloud [protocols]. At the core of the system is THE MESSAGE BROKER.
- AWS IoT is a service that enables secure, bi-directional messaging between internet-connected things [examples] and the cloud [protocols]. At the core of the system is THE MESSAGE BROKER.
- 物理法則 ・例えば生産ラインでの急停止など非常に短いLatencyを求められるケース 経済法則 ・storage/computeコストに比べて、ネットワークのコストは安くない、下がりにくい状況にある 法律 ・病院などでは、病院でデータを保管することが必要なケースがある
- 物理法則 ・例えば生産ラインでの急停止など非常に短いLatencyを求められるケース 経済法則 ・storage/computeコストに比べて、ネットワークのコストは安くない、下がりにくい状況にある 法律 ・病院などでは、病院でデータを保管することが必要なケースがある
- リリース当初は python2.7の予定
- Amazon Rekognition では、 API 関数を使用して顔のメタデータを保存することにより、似ている顔の画像コレクションの検索を簡単にします。 それから、SearchFaces 関数を使用して信頼性の高い一致を返すことができます。顔コレクションはお客様が所有および管理する顔のインデックスです。 A mobile app uploads new images to S3 An S3 notification triggers a Lambda function which calls Rekognition’s DetectLabels API with an S3 url DetectLabels analyzes the image and returns labels for objects and scenes detected in the image This output is persisted as metadata into DynamoDB to ensure durability and into Elasticsearch to power a smart search index. The application serves selected images directly from S3. Options on this configuration include: writing to Elasticsearch directly from the Lambda function, and using CloudFront to serve the image to the user.