Category: Artificial Intelligence

AWS Graviton2 プロセッサは、Amazon EC2 で最高の料金パフォーマンスを実現するために AWS によってカスタム設計されています。数千ものお客様が、Graviton2 ベースのインスタンスを利用して、さまざまなワークロードで大幅な料金パフォーマンスの改善を実現しています。 2021 年 11 月 29 日（米国時間）、Graviton2 の料金パフォーマンス上のメリットを、グラフィックスアプリケーションや機械学習推論などの GPU ベースのワークロードにまで拡張する Amazon EC2 G5g インスタンスの一般提供の開始を発表しました。G5g インスタンスは、Graviton2 プロセッサに加えて NVIDIA T4G Tensor Core GPU を備えており、最大 25 Gbps のネットワーク帯域幅と 19 Gbps の EBS 帯域幅で、Android ゲームストリーミング向けに最高の料金パフォーマンスを提供します。 これらのインスタンスでは、x86 ベースの GPU インスタンスと比較して、Android ゲームストリーミングのストリームごとの 1 時間あたりのコストを最大 30% 低く抑えることができます。費用対効果の高い推論を求めていて、CPU パフォーマンスの影響を大きく受ける機械学習モデルを持ち、NVIDIA の AI ライブラリを活用する機械学習デベロッパーにも G5g インスタンスは最適です。 G5g インスタンスは、以下に示すように […]

2021 年 12 月 1 日（米国時間）、 Amazon DevOps Guru の新しい機能である Amazon DevOps Guru for RDS を発表しました。これにより、デベロッパーは Amazon Aurora のパフォーマンスと運用上の問題を簡単に検出、診断、解決できます。 Amazon Aurora は可用性が高く、スケーラブルで、耐久性に優れているため、現在何十万ものお客様が Amazon Aurora を利用しています。しかし、アプリケーションの規模と複雑さが増すにつれて、運用やパフォーマンスの問題を迅速に検出して解決することが難しくなっています。 昨年の re:Invent で、DevOps Guru を発表しました。これは、機械学習 (ML) を使用して、データベースの問題を含むアプリケーションの問題を自動的に検出し、お客様に警告するサービスです。本日、Amazon Aurora データベースを使用するデベロッパーがデータベースのパフォーマンスの問題を迅速かつ大規模に検出、診断、解決できるよう支援する DevOps Guru for RDS を発表します。これで、デベロッパーは、データベースパフォーマンスの問題の正確な原因を特定するのに十分な情報を得ることができます。このリリースにより、デベロッパーやエンジニアは、パフォーマンスに関連するデータベースの問題の発見と修正に費やす時間を大幅に削減できます。

ビジネス上の問題に直面し、日常的にデータを扱う組織として、ビジネスの成果を予測できるシステムを構築する能力が非常に重要になります。この能力があると、低速なプロセスを自動化し、IT システムにインテリジェンスを組み込むことで、問題の解決と迅速な対応が可能になります。 しかし、組織内のすべてのチームと個々の意思決定者が、他のデータサイエンスチームやデータエンジニアリングチームに依存することなく、このような機械学習 (ML) システムを大規模に作成できるようにするにはどうすればよいでしょうか? ビジネスユーザーまたはデータアナリストは、何百ものアルゴリズム、トレーニングパラメータ、評価メトリクス、デプロイのベストプラクティスについて学ぶことなく、毎日分析および処理するデータに基づいて予測システムを構築して使用したいと考えています。 2021 年 11 月 30 日（米国時間）、 Amazon SageMaker Canvas が一般提供されたことをお知らせします。これは、ビジネスアナリストがコードを書いたり、MLの専門知識なしに、ML モデルを構築して正確な予測を生成できる、新しいビジュアルでコードを使用しない機能です。

Amazon CodeGuru は、Java アプリケーションと Python アプリケーションをスキャンしてプロファイリングすることで、コードの品質を向上させ、コードレビューを自動化するのに役立ちます。CodeGuru Reviewer は、コード内の潜在的な欠陥やバグを検出できます。例えば、セキュリティの脆弱性、リソースリーク、同時実行性の問題、誤った入力検証、AWS のベストプラクティスからの逸脱に関する改善を示唆します。 最もよく知られているセキュリティプラクティスの 1 つは、パスワード、API キー、認証情報などのシークレットの集中化とガバナンスです。他の多くのデベロッパーが厳しい納期に直面しているように、私はコード内のシークレットを管理して使用したり、ローカル開発中にプレーンテキストの環境変数を使用したり、静的シークレットをハードコーディングしたりして、不注意にコミットしてしまうことがよくありました。もちろん、私はいつもそれを後悔しており、すべてのリポジトリでこれらのシークレットを検出して保護できる自動化された方法があればいいのにと思っていました。 2021 年 11 月 29 日（米国時間）、新しい Amazon CodeGuru Reviewer Secrets Detector を発表しました。これは、デベロッパーがパスワード、API キー、SSH キー、アクセストークンなどのソースコードまたは設定ファイル内のシークレットを検出するのに役立つ自動化ツールです。

新しい Amazon Lex アプリケーションを計画する際には、以下の会話設計のベストプラクティスを参考にすることで、チームは優れたカスタマーエクスペリエンスを生み出すことができます。前回のブログでは、優れた会話設計を作成するための基本について説明しました。優れた会話設計のビジネス的な価値を探り、チーム構築のヒントをいくつか紹介し、また、会話型インターフェースの基盤を構築するためにユースケースを特定することの重要性についても説明しました。シリーズ全体を通して強調したいのは、顧客を設計プロセスの中心に置くことでカスタマーエクスペリエンスを向上させることが重要であることです。

この記事では、私たちの基盤を確立した上で、ハイレベルな設計のベストプラクティスと、会話型インターフェースを設計する際にそれをどう使うかについて説明します。まず設計プロセスの個々のステップについて説明し、要件を収集し、音声とテキスト設計の違いについて考えるためのヒントを提供します。次に、サンプルダイアログの作成、プロンプトの記述、エラーの処理、AI エクスペリエンスの文書化など、設計プロセスの個々のステップについて説明します。これらのステップは、プロジェクトの設計にフォーカスを当て、リリースまでに必要となる作業を効率化します。全体を通してリテールバンキングの例を使用しますが、Amazon Lex のセルフペースワークショップを使用して、独自のボットを作成することもできます。

会話型インターフェースは、顧客が自動化されたシステムとより自然にやり取りできる可能性を秘めています。仮想アシスタントからコンシェルジュのチャットボットまで、会話型インターフェースは顧客に利便性とパーソナライゼーションをもたらします。ただし、これらのメリットは、Amazon Lex プラットフォームや他の AWS サービスが提供できるテクノロジーだけでなく、優れた会話設計のベースがあることにも依存します。

会話型の設計手法は、会話インターフェースの目的・経験・インタラクションを定義する際の規則であり、あなたがプロダクトオーナー、設計リーダー、開発者のいずれであっても、会話型AI特有の設計プロセスと課題を理解することは有益です。このブログでは、設計をプロセスに組み込むことの価値と、コードによる具体的な手順と概念について説明します。

この記事は”使用 Amazon SageMaker 部署 CVAT AI 自动图像标注系统”を翻訳したものです。（原文は中国語のものです） 背景紹介 Amazon SageMaker はデベロッパーとデータサイエンティストを支援して、機械学習 (Machine Learning, ML) モデルの準備、構築、トレーニングおよびデプロイの一連の機能を提供するフルマネージド型クラウドサービスです。 機械学習において学習データは非常に重要であり、コンピュータビジョン (Computer Vision, CV) 領域の教師あり学習課題を取り扱う時の大事な一歩は学習データにアノテーションを付けることです。CVAT (Computer Vision Annotation Tool) は画像やビデオに自動的にアノテーションを付けてくれる便利なツールです。2018 年に GitHub でオープンソース化されて以来多くの注目を集めており、AI 自動画像アノテーション機能は非常に人気です。 公式のCVATインストールガイドではスタンドアロンデプロイ方式が推奨されています。このデプロイ方式はアプリケーション層、データベース層、キャッシュ層、AI 推論層の全てを Docker 経由で単一物理マシンまたは仮想マシン上に展開します。この方法だとリソースの活用、セキュリティ、高可用性などの観点でエンタープライスレベルの準拠を満たすことが難しいので、本記事では CVAT プラットフォームを AWS のサーバーレス上にデプロイする方法について紹介します。

この記事は “Build a system for catching adverse events in real-time using Amazon SageMaker and Amazon QuickSight” を翻訳したものです。 ソーシャルメディアプラットフォームは、消費者が服用している医薬品を含むさまざまな製品について話すためのコミュニケーションチャネルを提供します。製薬会社にとって、製品の作用を監視して効果的に追跡することで、製品に関する顧客からのフィードバックが得られます。これは、患者の安全の維持と向上に不可欠です。しかし、医薬品投与による予期せぬ医療事象が発生した場合は、有害事象（AE）に分類されます。これには、投薬過誤、薬物有害反応、アレルギー反応、過剰摂取が含まれます。AEは、病院、介護施設、外来患者の環境など、どこでも発生する可能性があります。

この記事は、”Run AlphaFold v2.0 on Amazon EC2” を翻訳したものです。 DeepMindによるGitHub上のAlphaFold v2.0のオープンソースに関するNatureの論文の後、科学および研究コミュニティの多くは、DeepMindのAlphaFold実装を直接試してみたいと考えていました。Amazon Elastic Compute Cloud (Amazon EC2)とNVIDIA GPUを介したコンピューティングリソースを使用すると、AlphaFoldをすばやく実行して自分で試すことができます。

この記事は “Running next generation hybrid and virtual clinical trials on AWS” を翻訳したものです。 CliniOpsは、AI、モバイル、分析、クラウド、センサー、コネクテッドデバイスを活用して、デジタル臨床試験をサポートする、ライフサイエンス業界向けのデータサイエンスプラットフォームを提供しています。遠隔医療を組み込んだこの斬新な統合プラットフォームアプローチは、被験者、医療機関、製薬企業向けにカスタム設計されており、低コストで高いデータ品質を保証します。また、このプラットフォームは非常に柔軟で協調性が高く、臨床オペレーション、データマネジメント、生物統計、薬事の各機能にわたるワークフローを合理化します。