Category: Amazon Machine Learning

今回のブログでは、 AWS ジャパン・パブリックセクターより、「AWS のビルディング・ブロックを用いて、農業生産性を著しく向上させている事例」について紹介します。ご不明の点、「Contact Us」までお問合せください。（以下、「Improving the Sustainability of Crop Farming Using a Data-driven Approach」と題された投稿の翻訳となります。）

この記事は、”Automatically detect sports highlights in video with Amazon SageMaker” を翻訳したものです。 動画からハイライトを抽出するのは、時間がかかり、複雑なプロセスです。この記事では、機械学習（ML）ソリューションを使用して、オリジナルの動画コンテンツからハイライト動画を自動的に作成する、スポーツイベントのインスタントリプレイに関する新たな取り組みを紹介します。ハイライト動画はダウンロード可能で、ユーザーが Web アプリで継続して視聴することができます。 Amazon SageMaker を使用して、ノーカットのスポーツ動画 (今回はサッカーの試合) を分析し、元の動画のハイライト (ペナルティキック) であるセグメントにタグを付けます。また、適当な学習データが利用できる場合に、他のスポーツだけでなく、別のタイプの動画にも、このエンドツーエンドのアーキテクチャを適用する方法について紹介します。

本投稿は、Burak Gozluklu による記事 AI-Driven Visual Inspection of Wind Turbines Based on Drone Imaging を翻訳したものです。 はじめに 風力タービンを稼働状態に保つことは、適切にメンテナンスを続けることを意味します。メンテナンスのステップの1つは、定期的な外観検査です。 風力発電所の運用・保守を行う企業は、カメラ付きのドローンを利用した外観検査への取り組みを開始しています。 最近の調査によると、ドローンによる検査は、従来のロープを使った人間による検査と比較して、コストを最大70％削減し、ダウンタイムによる収益の損失を最大90％削減します。 さらに、ドローンでの作業は、ロープを利用した人間の高所作業よりもはるかに安全です。 これらの点から、お客様は検査プロセスの自動化に期待しています。 このブログ投稿では、検査プロセスを自動化するため、イベント駆動アーキテクチャの一部としての AI/ML ベースの画像認識について説明します。

この記事は2021年7月に Kumar Kumaraguruparan によって執筆された Learn how to operationalize ML models with new AWS course を翻訳したものです。 VentureBeatのレポートでは、データサイエンスプロジェクトの 87% が本番環境にはなっていないと指摘しています。人工知能（AI）の運用化における3つの課題の1つとして機械学習と運用（MLOps）のスキルの欠如を指摘した International Data Corporation（IDC） のレポートを踏まえると、この結果は驚くことではありません。また Forrester の調査の参加者の 52% は、MLOps への投資はカスタマーエクスペリエンスの向上につながると考えています。

この記事は、Nick McCarthy、Luuk Figdor、Gabriel Anzer による Explaining Bundesliga Match Facts xGoals using Amazon SageMaker Clarifyを翻訳したものです。 AWS re: Invent 2020 の発表の中で最もエキサイティングだったものの 1 つは、機械学習 (ML) モデルのバイアスを検出し、モデル予測を説明するために設計された Amazon SageMaker の新機能である Amazon SageMaker Clarify でした。大規模な機械学習アルゴリズムによって予測が行われる今日の世界では、テクノロジーの大手企業にとって、機械学習モデルの予測に基づいて特定の決定を下した理由を顧客に説明できることがますます重要になっています。これは、基礎となるモデルが、インプットとアウトプットを観察することはできても、内部構造を観察することはできないクローズドボックスであることからの直接的な脱却であると考えることができます。これにより、モデルの構成を反復してさらに改善するために、さらなる解析ができるようになるだけでなく、これまで以上のレベルのモデル予測解析をお客様に提供することができます。

パブリックセクター教育・研究分野の事業開発マネージャー澤です。AWS と機械学習を学んでいる、学びたいなと思ってらっしゃる学生の方、また学生に機械学習を知る・学ぶ機会を提供したいとお考えの教員の方に、二つの新しい実践的な機会（ SageMaker StudioLab と AWS Academy Machine Learning Foundation ）をご紹介します。

この記事は “Define and run Machine Learning pipelines on Step Functions using Python, Workflow Studio, or States Language” を翻訳したものです。 機械学習(ML)のパイプラインや有向非巡回グラフ(DAG)を定義して実行する際には、様々なツールが利用可能です。

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。

2021 年 10 月 14 日にAmazon EC2をテーマとしたイベント「Amazon EC2 大活用 ~最新ラインナップ、コストパフォーマンス最適化、先進顧客事例などご紹介~」を開催いたしました。2006 年の EC2 サービス開始から 15 年という節目を迎え、AWS が提供する EC2 インスタンスの種類は多岐にわたっておりますが、コストパフォーマンスを最適化する上で、AWS では独自設計の ARM プロセッサ AWS Graviton2 や AWS Inferentia 推論チップを搭載したインスタンスを提供しています。本イベントでは Graviton2、Inferentia をご活用頂いたお客様の事例として、株式会社サイバーエージェント様、株式会社 NTTPC コミュニケーションズ様にそれぞれご登壇いただきました。

この記事は、“Cluster time series data for use with Amazon Forecast” を翻訳したものです。 ビッグデータの時代には、企業は大量な時系列データに直面しています。時系列データは大量なだけでなく、微妙な違いもあります。DeepAR+ や CNN-QR などの Amazon Forecast 深層学習アルゴリズムは、この大量の時系列データの共通傾向とパターンをキャプチャし、可視化できます。これらのアルゴリズムは、従来の予測方法より優れたパフォーマンスで予測を生成できます。