Category: Amazon Machine Learning

小売業界において、日常業務におけるデータの重要性に異論のある方はいないでしょう。バッチレポートから意思決定支援、ビジネスインテリジェンスシステムまで、小売の意思決定における運用データの進化は非常に多岐にわたります。今日、アダプティブ分析プラットフォームは、小売業者が次のことができるよう、業界のイノベーションを推進しています。 ビジネスにおける重要なシグナルを検出します。 これらのシグナルの現在の意味と将来の予測を導き出します。 データドリブンな顧客、製品、マーケティング戦略で対応します。 しかし、アダプティブ分析プラットフォームを構築するためには、小売業の経営者が直面する多くの戦略的課題があります。例えば、急速に変化する買い物客の影響や行動のトリガー、人口動態の変化、COVID-19 などの世代別市場レベルの影響、主要な経済圏の景気低迷といった課題や、お客様対応とオペレーション業務を効果的に行うために、予測に基づいた洞察が求められる小売業の職種が一層増えていることなどが挙げられます。

新しいWell-Architected Machine Learning Lensホワイトペーパーが公開されました。このレンズを利用して、MLワークロードが、運用上の優秀性、セキュリティ、信頼性、パフォーマンス効率、コスト最適化を念頭に置いて構築されていることを確認してください。

この記事は、「Automating Wind Farm Maintenance Using Drones and AI」を翻訳したものです。 はじめに 風力タービンのメンテナンスは、高額でハイリスクな作業です。ニュースサイトの最近の分析によると、風力発電所のオーナーは、10年間で400億ドル以上を運用・保守に費やすと予想されています。また、別の最近の研究  では、従来のロープを使った検査の代わりにドローンを使った検査を行うことで、運用コストを70％削減し、さらにダウンタイムによる収益の損失を最大90％減少させることができるとしています。 このブログ記事では、ドローン、機械学習（ML）、モノのインターネット（IoT）をエッジとクラウドで活用することで、タービンのメンテナンスをより安全に、よりコストを抑えて行う方法を紹介します。まず、機械学習モデルをクラウド上で学習させ、タービンブレード上の腐食、摩耗、アイシングなどの危険を検出しました。機械学習部分の詳細は、前回のブログ記事でご紹介しています。このモデルをエッジに展開することで、より安全で迅速な検査を実現します。また、クラウドへの継続的な接続を必要とせず、オフラインでも動作します。ユニークなのは、Amazon Augmented AI を通じて、カスタムアラートや条件に基づいて調査結果に関与できる既存のメンテナンスチームを組み込むことができることです。この方法では、専門家があなたから指定された通りにレビューを行うというように、機械学習モデルを継続的な学習プロセスの中に組み込むことができます。このブログ記事は、re:Invent 2020 のビルダー・フェア・プロジェクト「Automating Wind Turbine Maintenance Using Drones and AI」の続きになります。

今回のブログでは、 AWSジャパン・パブリックセクターより、「次世代のスポーツのあり方を、クラウドを用いて変革する」取り組みを紹介します。 AWSでは、類似の取り組みを日本でも推進していくべく、各関係機関との対話を歓迎します。ご不明の点、「Contact Us」までお問合せください。（以下、米国現地のAWS Public Sector Blog Teamが執筆したブログの翻訳となります。）

この記事は、2021年5月4日に Fabio Nonato de Paula、Mahadevan Balasubramaniam によって投稿された Achieve 12x higher throughput and lowest latency for PyTorch Natural Language Processing applications out-of-the-box on AWS Inferentia を翻訳したものです。2021年6月25日に発表された Amazon EC2 Inf1 インスタンスで新機能、パフォーマンスの向上、値下げを実現 の記事も併せてご参照下さい。 Snap、Alexa、Autodesk などの AWS のお客様は、 AWS Inferentia を使用して、さまざまな機械学習 (ML) デプロイで最高のパフォーマンスと最小のコストを達成しています。自然言語処理 (NLP) モデルは、リアルタイムおよびオフラインのバッチ処理のユースケースで人気が高まっています。当社のお客様は、サポートチャットボット、検索、ランキング、ドキュメントの要約、自然言語理解など、多くのアプリケーションにこれらのモデルをデプロイしています。AWS Inferentia を使うことで、オープンソースの NLP モデルをカスタマイズ無しですぐに実行でき、かつ最高のパフォーマンスと最小のコストを実現できます。

この記事は、“Announcing the InterSystems HealthShare Message Transformation Service for Amazon HealthLake” を翻訳したものです。 Amazon HealthLake は、ヘルスデータを大規模に格納、変換、クエリ、分析するために設計された、新しい HIPAA 対応サービスです。Amazon HealthLake は、患者情報の整理、インデックス作成、構造化の困難さを排除し、個々の患者および患者集団全体の健康状態を安全かつコンプライアンスに準拠し、監査可能な方法で完全に把握できます。Amazon HealthLake API を使用すると、組織は既に保持している業界標準のFast Healthcare Interoperability Resources(HL7 FHIR) による医療データを、クラウド内の安全なデータレイクに簡単に保存できます。 FHIR 形式でデータを保持していない組織のために、Amazon は医療の相互運用性における業界リーダーと提携し、データ変換を支援するコネクタを開発しています。この記事では、それらの一つであるインターシステムズとHealthShare Message Transformation Serviceと呼ばれる Amazon HealthLake で検証されたソリューションについて説明します。

AWS re: Invent 2020 ではAmazon HealthLake をプレビューしました。これは、フルマネージドの HIPAA 対応サービスです。さまざまなサイロやフォーマットで存在するヘルスケア及びライフサイエンスのお客様の健康情報を、構造化され一元化された AWS データレイクに集約します。分析と機械学習 (ML) を使用してそのデータからインサイト抽出を行います。今日、Amazon HealthLake が、 AWS のすべてのお客様にご利用いただけるようになったことをお知らせすることができて大変嬉しく思います。 医療データを迅速かつあらゆるスケールで保存、変換、分析する機能は、健康に関する質の高い意思決定に不可欠です。医師は日々の診療で、最善の対応を特定するために、患者の完全に時系列に沿った病歴を必要とします。緊急時には、医療チームに適切なタイミングで適切な情報を提供することで、患者の転帰を大幅に改善できます。同様に、集団の健康傾向や薬物治験対象者を特定するため、ヘルスケアやライフサイエンスの研究者にはモデルを分析・構築できる、質の高い標準化されたデータが必要です。 従来、ほとんどの医療データは、臨床メモなどの構造化されていないテキストに限定され、IT サイロに保存されてきました。異種混在のアプリケーション、インフラストラクチャおよびデータのフォーマットのせいで、医師が患者のデータにアクセスしインサイトを抽出することが困難な状態でした。その問題を解決するために Amazon HealthLake を構築しました。 今すぐ使ってみたい場合は、Amazon HealthLake の AWS コンソールに今すぐジャンプできます。さらに詳しく知りたい方は、このままお付き合いください。

本投稿は AWSのソリューションアーキテクトである Diego Colombatto と Oliver Steffmann による寄稿を翻訳したものです。   はじめに 以前のブログ記事では、AWS で機械学習ベースのトレードストラテジーをバックテストするためのアーキテクチャについて説明しました。このアーキテクチャの主要なコンポーネントの1つは、データマネジメントと分析のためのコンポーネントです。 特定のユースケースに応じて、これを実装するためのさまざまな選択肢があります。多くの企業は、データレイクに基づくソリューションを採用しており、最近ではレイクハウスアーキテクチャを採用しています。どのようなアプローチを選んでも、ソリューションは次の主要な機能領域(データマネジメント、データガバナンス、データ分析、機械学習)をカバーする必要があります。機械学習モデルの開発には、データ探索やデータ準備などの機能が必要です。さらに、顧客には、さまざまなソースからの金融データをクエリして結合するためのより高度なツールと、指標や金融時系列データを簡単に操作できる方法が必要です。 Amazon FinSpaceのローンチにより、金融データを扱うための安全、スケーラブルなデータ管理、および分析基盤をセットアップするための付加価値につながらない重い作業が不要になりました。利用者はマネージドサービスを活用できるため、これらのタスクは以前よりはるかに簡単になります。Amazon FinSpace には、分析や機械学習を目的としたデータ準備のための、タイムバーやボリンジャーバンドなど、100以上の関数ライブラリも含まれています。

昨年は、旅行とホスピタリティ業界、旅行者やゲスト、プロバイダーやサプライヤー、従業員やステークホルダーにとって前例のないものでした。混乱の結果、移動平均での予測や、昨年対比を参照していた企業は、舵取りのできない船の舵を取ることになってしまいました。正確な予測ができなければ、旅行とホスピタリティの会社は、旅行者やゲストがいつ、何人到着するかを決定することはできません。彼らは、適切な人員配置、在庫ポジションの調整、プロモーションやイベントが業績に与える影響のモデル化、価格設定と収益管理の最適化、プロジェクトの収益やキャッシュフローの予測方法を知りません。GrubhubのシニアデータサイエンティストであるWilliam Coxは、この業界のジレンマをうまく要約し、「供給過剰は運用コストを増加させ、供給不足は顧客満足度を低下させる」と述べました。 つまり、顧客体験の向上と運用効率の最適化に重点を置いた業界では、正確な予測が不可欠です。しかし、予測不可能な状況により、正確な予測はかつてないほど困難になっています。

お客様が買い物をする際、それがオンラインであっても実店舗であっても、それは簡単でシンプルで楽しいものであるべきです。お客様の心の中では、販売チャネルに関係なく、小売業者、またはブランドは1つの要素です。このため、お客様は店舗においてもオンラインと同じ利便性を備えたデジタルと現実世界の接点が流動的にようにシフトするジャーニーを期待しています。 店舗で買い物をするときの一般的な問題点は次の通りです。 長い決済待ち時間 在庫切れ 店内で商品を見つけることの難しさ ヘルプの不足 商品情報が全く無いかそれに近い状態 お客様はこれらの煩わしさをオンラインで対処する必要がありません。オンラインでは支払いの待ち列はありませんし、商品は検索エンジンで簡単に見つけることができます。商品の詳細を見ることもできます。手助けが必要なときはすぐにチャットウィンドウが利用できます。これらのデジタルにおける利便性はお客様が期待する水準を引き上げました。 2018年における Accenture の調査レポートによると、消費者の91％は、関連するオファーやレコメンデーションを提供するブランドを認識、記憶、買い物をする傾向があります。これは、お客様が店舗でもオンラインと同様のパーソナライズされた買い物体験を望んでいることを示す重要な指標です。 お客様の期待にはロイヤルカスタマーとして認識されること、状況に応じたオファーやプロモーション、その他のパーソナライズされた特典も含まれます。お客様はさらなるパーソナライズを期待し、気に入った小売業者にデータを共有します。もし小売業者が店舗での買い物体験を向上させなければ、体験を向上させている他の小売業者に顧客を奪われてしまうリスクがあるということです。 顧客体験を変革させるスマートストアテクノロジー 小売業者は、以下の拡張機能を使用して、お客様の一般的な問題点に対処し、買い物をタスクからご褒美に変えることができます。