Category: Artificial Intelligence

このブログは、More Retail 社の Supratim Banerjee 、Ganit Inc 社のShivaprasad　KT と Gaurav H Kankaria のコラボレーションによるゲスト投稿です。 More Retail 社（MRL）は、インドの食料品トップ4の1つで数十億ドルの売上を誇る小売業者です。インド全土に22の大型スーパーマーケットと624のスーパーマーケットからなる店舗ネットワークを持ち、それを13の流通センター、7つの果物野菜の収集センター、6つの食品加工センターのサプライチェーンで支えています。 大規模な店舗ネットワークにおいては、適切な品質の商品を適切な価格で消費者に提供するにはもちろんのこと、消費者の需要に応えつつ在庫運用コストを最小限に抑えることもまた重要です。MRL 社は AI アナリティクス領域のパートナーである Ganit 社と協業し、より正確な需要予測とそれを自動発注に繋げるシステムを構築しました。これによりオペレーションのボトルネックを解消し、これまで各店長がマニュアルで発注の判断を行っていたことによる発注の不備を克服できるようになったのです。 Amazon Forecast を使用することで予測精度は 24％ から 76％ に向上し、生鮮食品カテゴリでの無駄を最大 30％ 削減、在庫率を 80％ から 90％ に、そして粗利益を 25％ に改善することに成功しました。 自動発注システムの構築とそれによる業績の達成が成功した理由は2つあります： 実験する能力 – Forecast は柔軟なモジュール形式のプラットフォームを提供しており、古くからのモデルと ML モデル両方を含むさまざまなタイプの予測器を使用して 200 以上の実験行うことができます。チームはカイゼンのアプローチに従い、失敗したモデルからでも学びを得て、成功した場合にはそのモデルをデプロイしました。成功したモデルがデプロイされてからも実験は並行して継続されました。 変更管理 – これまで自身の判断で発注を行っていたカテゴリオーナーに対し ML ベースの注文システムを信頼してもらうよう説得しました。適用計画は体系的に計画されており、ツールによる発注結果を確実に保存し、統制のとれたサイクルでオペレーションが行われました。結果、補充済みの在庫と現在庫がオンタイムに特定、記録されました。 生鮮品を予測することの複雑さ 消費期限の短い、生鮮カテゴリーの商品需要を予測することは難しいことです。過大予測をしてしまった場合、店舗が古くなった商品や熟しすぎた商品を販売したり、在庫を廃棄することに繋がってしまいます（在庫圧縮と呼ばれます）。一方で過小予測をしてしまうと、商品が在庫切れとなる可能性があり、これは顧客体験に影響を及ぼします。買い物リストにある商品のうち「これがないと困る」というキーアイテムがなかった場合、顧客が買い物をやめてしまうこともあります。本当に必要なものがないのにわざわざレジ待ちの列に並びたくないからです。MRL 社の 600 […]

アマゾン ウェブ サービス ジャパン株式会社 機械学習ソリューションアーキテクトの大渕です。AWS Japan では、AI/ML 関連情報を発信するイベント「AWS AI/ML@Tokyo」を定期的に開催しています。2021年4月8日にオンラインで開催された AWS AI/ML@Tokyo #10 では、AWS の機械学習ソリューションアーキテクト 鮫島より AWS で始める Machine Learning Journey についてご紹介し、また、お客様事例として、三菱UFJトラスト投資工学研究所 須田様よりAmazon SageMaker を活用した実践・金融データサイエンスについて、DXYZ株式会社 安永様よりAWSを利用した顔認証IDプラットフォーム構築と Amazon Rekognition 活用事例についてお話いただきました。

AWS re:Invent 2017 で提供が開始された Amazon SageMaker は、機械学習 (ML) ワークフローを AWS で迅速に構築およびデプロイできるよう、これまでに既に数万人のお客様を支援してきたフルマネージド型サービスです。 お客様が投資に対して最大限 ML を活用できるようにするため、Managed Spot Training、Multi-Model Endpoints、Amazon Elastic Inference、AWS Inferentia など、コスト最適化のためのサービスと機能を追加してきました。実際、お客様は、3 年間の SageMaker の総所有コスト (TCO) が、セルフマネージドの Amazon EC2 や AWS 管理の Amazon EKS などの他のクラウドベースのオプションに比べて 54% 低いという事実を見出しています。 当社は、費用を削減してお客様を幸せにすることを至上の喜びとしているため、次のことを発表できることを嬉しく思います: Amazon SageMaker の CPU および GPU インスタンスの料金の引き下げ Amazon SageMaker のための Savings Plans の提供の開始。 Amazon SageMaker でのインスタンス料金の引き下げ 本日より、Amazon SageMaker […]

Sanjay Garje と Vebhhav (Veb) Singh の共著あらゆる規模の企業が AWS クラウドに移行しています。エンタープライズチームのリーダーシップから、コストを抑えながら Amazon SageMaker に簡単にアクセスできる方法を模索しているという話を耳にします。これにより、データサイエンスを使った実験を促進し、新しいビジネスチャンスを開拓して現状を打破しています。このブログ記事では、Amazon SageMaker、AWS Service Catalog、および AWS Key Management Service (KMS) を使用してセルフサービスの安全なデータサイエンスを簡単に使えるようにする方法を紹介します。 このブログ記事では、AWS Service Catalog が事前設定された AWS KMS キーを使用して、複雑で不要な詳細をデータサイエンティストに公開することなく、ノートブックインスタンスにアタッチされている機械学習 (ML) ストレージボリュームで保存されているデータを暗号化する方法を説明します。ML ストレージボリュームの暗号化は、一元化されたセキュリティチームやインフラストラクチャチームが事前設定および調整した AWS Service Catalog 製品で行われます。Amazon SageMaker ノートブックインスタンス、トレーニングジョブ、またはエンドポイントを作成するときに、AWS KMS キー ID を指定できます。そのキーが、アタッチされた ML ストレージボリュームを暗号化します。トレーニングジョブ用の出力 Amazon S3 バケットを指定できます。トレーニングジョブも、AWS KMS で管理されるキーで暗号化されます。モデルのアーティファクトをその出力 Amazon S3 バケットに格納するための KMS キー ID を渡すことができます。 […]

Amazon CodeGuru は、機械学習と自動化された推論を活用した推奨事項により、コードレビューの自動化とコード品質の向上を支援します。 CodeGuru Reviewer を使用すると、検出しにくい潜在的な欠陥やバグを検出し、 CodeGuru Profiler によってライブデータに基づいてアプリケーションのパフォーマンスを微調整することができます。このサービスは 2020 年 6 月から一般公開されています。CodeGuru の使用開始方法については、こちらをご覧ください。 ここ数か月で多くのお客様と協力しながら、 セキュリティ検出器、プレビューでの Python サポート、メモリプロファイリングを導入し、お客様がコード品質を向上させ、デベロッパーの時間を節約するのを支援しています。また、料金設定や対象言語の範囲など、さまざまな分野に関するご意見もいただきました。こうしたフィードバックに対応し、より簡単に組織内で大規模に Amazon CodeGuru を採用できるようにしました。 本日、CodeGuru Reviewer の 2 つの主要なアップデートを発表いたします。 リポジトリのサイズに基づいて月額料金を低く固定し、最大 90% の値下げとなる、まったく新しい、見積もることが簡単な料金モデルになっています。 Python サポートが一般利用可能 (GA)となりました。推奨範囲が広く、Python 検出器に関連する 4 つの更新が行われています。 CodeGuru Reviewer の新しい予測可能な料金 CodeGuru Reviewer を使用すると、GitHub、GitHub Enterprise、AWS CodeCommit、Bitbucket に保存されているリポジトリのフルスキャンを実行できます。また、プルリクエストを送信するたびに、 CodeGuru Reviewer は新しいコードレビューを開始し、コメントの形式で推奨事項と改善を提案します。 以前の料金体系は、1 か月あたりの分析コード行数 (LoC) に基づいており、100 LoC あたり 0.75 USD […]

本投稿は AWSのソリューションアーキテクトである Diego Colombatto, Balaji Gopalan と Oliver Steffmann による寄稿を翻訳したものです。 株式取引の大部分が、こちら や こちら の記事で説明されているように、自動化されていることはよく知られています。たとえば、取引戦略を実装するためにアプリケーションや「ロボット」が使用されています。最近の金融サービス業界の新たなトレンドは、取引ソリューション (アルゴリズム取引ソリューション等) をクラウドに移行することです (こちら や こちら の記事で説明されています)。

本投稿は AWS 金融事業部門 による寄稿を翻訳したものです。 次の記事は、 もともと Morningstar 社にて発表されたものです。 AWS DeepRacer の最初の社内コンペティションは、世界中の 445 人以上の従業員の機械学習と人工知能の実践学習を推進する。 シカゴ、2019 年 5 月 30 日 /PR Newswire/- 独立系インベストメントリサーチの大手プロバイダーであるMorningstar, Inc. (Nasdaq:MORN) は、今週、全社的にAmazon Web Service (AWS) DeepRacer コンテストを開始しました。Morningstar の技術部門の 35% を含む 8 か国の 445 名を超える従業員が、AWS DeepRacer リーグで約 100 チームを結成しており、機械学習機能を持つ1/ 18 スケールのレーシングカーのプログラミングとそのレーシングを行っています。AWS DeepRacer League Virtual Circuit はすべての開発者がアクセスでき、 amazon.comでレーシングカーを予約注文できます。

本記事は、Brian Yost、Anubhav MishraによるCreating a sophisticated conversational experience using Amazon Lex in Australian Englishを翻訳したものをベースに、日本語対応のための編集を行ったものです。 コンタクトセンターにおいて、ユーザーが担当窓口を番号で選択する典型的なIVRは、ユーザーの問い合わせが多岐に渡る場合に選択肢や階層が多くなり、顧客体験を低下させてしまう事があります。真に魅力的な会話体験を実現するためには、ユーザーの意図を正確に理解する高品質な音声認識と、自然言語理解が必要です。 Amazon Lexは、音声やテキストを使ってあらゆるアプリケーションに会話型インターフェースを構築するためのサービスです。Amazon Lexが日本語に対応したことより、ユーザーが発する日本語を正確に理解し、堅牢でローカライズされた会話体験を提供することができます。また、Amazon Pollyが自然に聞こえるように合成した日本語音声でユーザーに応答し、完全にローカライズされた会話体験を提供することができます。 この記事では、日本語をサポートするチャットボットを構築し、Amazon Connectの問い合わせフローに組み込むことによって、コンタクトセンターのユーザーに優れた体験を提供する方法を紹介します。

アマゾン ウェブ サービス ジャパン株式会社　インダストリー事業開発部　片岡です。 ヘルスケア領域でクラウド活用を検討頂いている医療機関、医療系サービス提供事業者及びパートナーの皆様を対象として、2021年2月18日に「AWSヘルスケアクラウドセミナー」をウェビナーで開催しました。 医療機関でのクラウド利用が本格化し始めています。本ウェビナーにおいて、AWSセッションでは、クラウドの基礎から最新サービスまで幅広くご説明し、お客様セッションでは、国産初の手術支援ロボット「hinotori™」を開発されたメディカロイド様、そして、日本で初めて保険適用を受けた「治療アプリ🄬」を開発されたCureApp様にご登壇頂きました。本記事では、セッションでご紹介しましたAWS最新事例や最新サービス、お客様登壇を含む当日の資料・動画を皆様にご紹介します。

みなさん、こんにちは。アマゾン ウェブ サービス ジャパン、シニアエバンジェリストの亀田です。 Amazon Lex が日本語に対応し、東京リージョンでお使いいただけますのでお知らせいたします。 Amazon Lex Amazon Lex はチャットボット向けの会話型 AIを提供するサービスで、Alexaと同じテクノロジーを利用した会話インターフェースの構築が可能となります。 音声をテキストに変換するためのディープラーニングを利用した自動音声認識（ASR）と、テキストの意図を認識する自然言語理解（NLU）機能が提供されているため、文字チャットだけではなく、音声入力により、リアルな会話の相互作用を備えたアプリケーションの構築が簡単に行えます。音声には、Amazon Pollyが用いられ、自然な日本語でユーザーに応答し、また発音のカスタマイズ等も可能です。 2021年4月2日現在、日本語の他に、英語、フランス語、ドイツ語、イタリア語、スペイン語に対応しています。 Lex には皆さんの開発をより簡便化させるために、いくつかのテンプレートがあらかじめ備わっています。ここでは、旅行予約を行うテンプレートをみてみます。 Intents, Utterances, Slots, Prompts, Fulfillment という用語がでています。これらはそれぞれ以下の目的で用いられます。 Intents : 花の注文やホテルの予約など、ユーザーが達成したい目標です。ボットには少なくとも1つのインテントが必要となります。デフォルトでは、すべてのボットに単一の組み込みインテントであるフォールバックインテントが含まれています。このインテントは、Lexが他のインテントを認識しない場合に使用されます。たとえば、ユーザーがホテルの予約インテントに「花を注文したい」と言うと、フォールバックインテントがトリガーされます。ここに新規のインテントを追加し会話インターフェースを作りこんでいくことになります。 Utterances: ユーザーがインテントをトリガーするために使用すると予想される10個以上のフレーズを提供する必要があります。例えば、ホテルを予約したい場合、「旅行」から会話を始めるユーザーもいれば、「ホテル予約」と指示を出すユーザーもいます。なるべく多くのフレーズを設定することで、ユーザーの意図を取り組みやすいインターフェースを作ることができます。Lexは、これらのフレーズから一般化して、ユーザーがインテントをトリガーしたいことを認識します。 Slots: 上記utterancesの中にも含まれるケースがある、Lexの会話ボットが実現したい具体的な内容です。例えば、ホテルの予約ボットであれば、「場所」、「日付」、「宿泊日数」、「部屋の種類」などです。Lexはこれらの情報を取得するために、ユーザーとの会話を行う、と言い換えることができます。 Prompts: Prompts は上記Slotsと連携して、Lexが発話してユーザーに質問を行う会話です。上記の例でいうと「Location」というSlotsに対して、Lexは「どちらの都市に滞在しますか？」とユーザーに話しかけます。 Fulfillment：Slotsで設定された必要な情報が集まった時点で、Lexか行う処理を定義します。以下の例であれば、ホテルの予約を行うために、空き部屋や価格照会、予約行為を行うAWS Lambda関数を起動します。 Lexにはその他より良い音声ないしはチャットインターフェースを実現させるための機能が備わっています。 例えば、「Sentiment analysis」の機能は、ユーザーの会話やチャットに入力された文字列に対して、感情分析を行います。ユーザーがNegativeな入力を多くしている場合、会話インターフェースをより洗練させるヒントがそこから得られるかもしれません。現在日本語音声は女性であれば「Mizuki」、男性であれば「Takumi」という2つのエンジンが備わっています。ユーザーが途中で気が変わり会話をやめた場合、処理を終了させるタイムアウトのコントロールなども可能です。 以下のようにマネージメントコンソールで現在開発中の会話インターフェース試すこともできます。チャットだけではなく、ブラウザ経由で音声をマイクから拾い、音声によるテストも可能です。 作成されたBotはマネージメントコンソール右上から、「Publish」ボタンをおすと、公開されます。 フロントエンドへの実行は以下のドキュメントに詳細が記載されています。 https://docs.aws.amazon.com/lex/latest/dg/examples.html 例えば、AWS Amplifyへ組み込む場合、以下のような内容を記載し設定します。以下の例では、Amazon Cognitoを用いて認証を行い、その後LexのBotを呼び出しています。LexのBotはARNではなく、aliasで呼び出しています。 import Amplify from ‘aws-amplify’; Amplify.configure({ Auth: { identityPoolId: ‘ap-northeast-1:xxx-xxx-xxx-xxx-xxx’, […]