Amazon Web Services ブログ

Category: General

AI/ML サービス入門ハンズオンを公開しました!- AWS Hands-on for Beginners Update

こんにちは、テクニカルソリューションアーキテクトの金澤(@ketancho) です。少しずつ暖かい日も増えてきた今日この頃ですが皆様いかがお過ごしでしょうか?私の部屋にはエアコンがない(∵ 室外機置き場が子どもの自転車置き場になっている)ので冬場はとても辛かったのですが、やっと快適に過ごせるようになってきました。 さて、AWS Hands-on for Beginners シリーズの新コンテンツとして AI/ML サービス入門ハンズオン を追加しました。具体的には、 Amazon Personalize Amazon Forecast Amazon Transcribe Amazon Comprehend Amazon Rekognition の5つのサービスを試していただけるハンズオンです。AI や機械学習(ML)をビジネスに活かしたい、でも何から始めるのがいいだろうか?と思われている方に最初に取り組んでいただくコンテンツにしたい、という想いで作成しました。ぜひお試しいただければと思います! また、本記事ではこの新作ハンズオンの紹介に加え、AWS における AI/ML サービスを学ぶ他のリソースをあわせて紹介したいと思います。 AWS Hands-on for Beginners シリーズ一覧 前回の記事: Code シリーズ入門ハンズオンを公開しました!- Monthly AWS Hands-on for Beginners   AWS Hands-on for Beginners とは? AWS Hands-on for Beginners は、動画にそって実際に手を動かしながら AWS サービスについて学んでいただく無償のコンテンツです。名前の通り、初めて AWS サービスをご利用される方向けの内容ですので、学習の最初のステップとしてご活用いただけます。オンデマンド形式での配信となるので、移動時間などのスキマ時間での学習もできますし、分かりにくい部分を巻き戻して何度でもご覧いただくことができます。 […]

Read More

【開催報告】アップデート紹介とちょっぴりDiveDeepするAWSの時間 第二回 (02/24)

みなさんこんにちは!アマゾンウェブサービスジャパン株式会社 ソリューションアーキテクトの祖父江です。 02月24日に「第二回 アップデート紹介とちょっぴりDiveDeepするAWSの時間」をオンラインで開催しました。開始が18:00からであったため、お仕事終わりに多くの方にご参加頂くことができました。嬉しい限りです。ありがとうございます!!。“アップデート紹介とちょっぴりDiveDeepって?” と思われる方は第一回目のブログも合わせてご参照ください!

Read More

【開催報告】2020年 AWS re:Invent Recap ヘルスケア・ライフサイエンス

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・ライフサイエンス領域でクラウド活用を検討頂いているお客様を幅広く対象として、2021年1月28日に「2020年 AWS re:Invent Recapインダストリー編 ヘルスケア・ライフサイエンス」をウェビナーで開催しました。 本記事では、セッションの中でお伝えしました、最新事例や最新サービスを含む当日の資料・動画を皆様にご紹介します。

Read More

Amazon Redshift Data Sharing が一般提供開始となり、東京リージョンでもご利用可能

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。 2020年12月にプレビューとして発表されたAmazon Redshiftの新しい機能である、Data Sharing が東京リージョンでプレビューとして利用可能でしたが、一般提供開始となりましたのでお知らせいたします。 Amazon Redshift Data Sharing Amazon Redshiftは最も高速で最も広く使用されているクラウドデータウェアハウスです。2020年4月にはFederated Query の機能が一般提供開始となり、Redshift内部のデータだけではなく、運用データベース、およびデータレイクにあるペタバイト規模の構造化データと半構造化データを、標準的な SQL を使用して複数データソースを用いたデータ分析が可能となりました。さらに、Apache Parquet のようなオープンフォーマットでクエリの結果を S3 データレイクに保存することも可能で、Hadoopなどのビッグデータフレームワークを簡単に実行可能なAmazon EMR、Amazon S3などにクエリをサーバレスで発行可能なAmazon Athena、データサイエンティストとデベロッパーのための機械学習マネージドサービスであるAmazon SageMaker といった他の分析サービスを使ってさらに分析を実施することができます。2020年12月にはRedshift ML機能がプレビューとしてリリースされ、使い慣れた SQL コマンドを使用して機械学習 (ML) モデルを作成、トレーニング、デプロイすることができるようになりました。 本日一般提供開始となったRedshift Data Sharingは、Redshiftクラスター間でライブデータを共有するための安全で簡単な方法が提供されます。データの重要性が語れるようになって久しいですが、企業が既存ビジネスから送出するデータは、時にはユーザーの変わりゆく需要変動などの傾向を見出し、そして時には新しいビジネスを生み出す可能性がある重要なものとなりつつあります。各事業単位、各部門単位での個別に管理されるサイロ化されたデータ管理を廃止、統合したデータストアを構築し分析を行っていくことが、よりデータ分析の価値を高める可能性があります。 Redshiftを利用して単一のデータウェアハウスクラスターに複数部門から多くのアナリストがアクセスを行った場合、その処理優先度の調整やセキュリティ設定などが課題となるケースがあります。Data Sharing機能を使えば、データをコピーまたは移動することなく、AWSアカウント内のAmazon Redshiftクラスター間で瞬時にきめ細かく高性能なデータアクセスを実現させることが可能になります。データ共有はデータへのライブアクセスを提供するため、データウェアハウスで更新されるときに、アナリストは常に最新で一貫性のある情報を見ることができます。Data Sharing機能は、Amazon Redshift RA3ノードタイプで動作しているクラスターでご利用いただくことができます。 Data Sharingの機能により、データのコピーやデータ移動に関連する複雑さや遅延なしに、これらのクラスター間でRedshiftマネージドストレージを活用することで、トランザクション整合性のあるデータを共有しながら、異なるAmazonRedshiftクラスター間で多様なワークロードを分離できます。コンシューマークラスターのエンドポイントへアクセスするクエリは、コンシューマークラスターのコンピューティングリソースを使用して実行され、プロデューサークラスターのパフォーマンスに影響を与えません。データ共有により、新しい分析ワークロードを迅速にオンボーディングし、柔軟なコンピューティングリソースをプロビジョニングして、個々のワークロード固有のパフォーマンスSLAを満たすことができます。さらに、すべてのコンシューマー間でデータ共有のアクセス許可と使用状況を監視し、必要に応じてアクセスを即座に取り消すための詳細な監査機能が提供されます。 RA3 ノードタイプ RA3ノードタイプは従来のDC2などと異なり、ストレージコストを増やすことなく、コンピューティング容量を柔軟に拡張することができ、コンピューティング容量を過剰にプロビジョニングすることなく、ストレージを拡張できます。ホットなデータには高性能SSDを使用し、コールドデータにはAmazonS3を使用することで、費用効果の高いストレージ、および高いクエリパフォーマンスを提供します。RA3ノードタイプはAWS Nitro Systemをベースとして動作するため、高帯域幅ネットワークを使用して、AmazonS3へのデータのオフロードとAmazonS3からのデータの取得にかかる時間をさらに短縮させることも可能です。RedshiftクラスターをRA3ノードタイプへ変更させることを検討する場合、こちらの手順をご覧ください。 – シニアエバンジェリスト 亀田

Read More

新たに SaaS Journey Framework ホワイトペーパーを公開しました

AWS で SaaS Business Lead を務める Oded Rosenmann による記事です。 SaaS(Software as a Service)提供モデルは、多くの企業にとってますます魅力的になっています。 新規および既存のアプリケーション・プロバイダが、この提供モデルで成功を収めたいと望んでいる一方で、SaaS への移行はビジネスに大きな影響を与える可能性もあります。 多くの企業にとって、SaaS への移行は大きな変化をもたらす出来事であり、企業は自社のビジネスをあらゆる側面から検討する必要があります。サービスとしてのビジネスを定義、構築および運用するためには、製品の販売、マーケティング、開発、サポート、収益化の方法など、評価しなければいけない検討事項がたくさんあります。

Read More

「Resiliency in Japan-日本におけるAWSリージョンのレジリエンス-」ホワイトペーパーがAWS Artifactから入手できるようになりました。

AWSが高い耐障害性を確保しているか、また、マルチリージョンの活用により、お客様がどのように高いレジリエンスを確保できるかを解説したホワイトペーパーを、AWS Artifactにおいて公開しました。

Read More

Operating Lambda: イベント駆動型アーキテクチャの設計原則 – Part 2

Operating Lambda シリーズでは、AWS Lambda ベースのアプリケーションに関わる開発者、アーキテクト、システム管理者向けの重要なトピックについて説明します。この3部構成のシリーズではイベント駆動型アーキテクチャと、それがどのようにLambdaベースのアプリケーションと関係しているのかについて説明します。 Part 1 では、イベント駆動型パラダイムの利点と、スループット、スケール、拡張性をどのように改善できるかについて説明しました。この記事では開発者が Lambda ベースのアプリケーション構築におけるメリットを享受するための、設計原則とベストプラクティスについて説明します。   概要 ソフトウェア開発および分散システムに適用されるベストプラクティスの多くは、サーバーレスアプリケーション開発にも適用されます。幅広い原則は、Well-Architected Frameworkと一致しています。全体的な目標は次のようなワークロードを開発することです。 信頼性: エンドユーザーに高レベルの可用性を提供します。AWS サーバーレスサービスは障害に備えるように設計されているため、信頼性が高くなります。 耐久性: ワークロードの耐久性のニーズを満たすストレージオプションを提供します。 安全性: ベストプラクティスに従い、提供されたツールを使用してワークロードへのアクセスを保護し、問題が発生した場合にブラストラディウス(訳注:影響範囲)を制限します。 パフォーマンス: コンピューティングリソースを効率的に使用し、エンドユーザーのパフォーマンスニーズを満たします。 コスト効率: 不要なコストを抑え浪費することなく拡張可能であり、必要に応じて大幅なオーバーヘッドなしに廃棄可能なアーキテクチャを設計します。 Lambda ベースのアプリケーションを開発する際には、上記の目標を達成するワークロードの構築に役立つ、いくつかの重要な設計原則があります。すべてのアーキテクチャにすべての原則を適用するとは限りませんし、Lambda を使用して構築する方法はかなり柔軟性があります。しかし、これらは一般的なアーキテクチャに関する意思決定をガイドする役割を果たします。

Read More

Amazon Lookout for Vision 東京リージョンで一般提供開始のお知らせとオンデマンドウェビナーのご紹介

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。 コンピュータービジョンを使用した、視覚表現の欠陥や異常の発見を実現するAmazon Lookout for Visonが東京リージョンで一般提供が開始されました。また2021年2月25日現在、開催中のAWS Innovate AI/ML Editionで日本語によるオンデマンドウェビナーが視聴可能になっています。 Amazon Lookout for Visionの仕組み 2020年11月30日から3週間にわたって開催されたAWS re:Invent 2020で発表された新しいサービスで、コンピュータービジョン (CV) を使用して視覚表現の欠陥や異常を発見することを実現できる機械学習 (ML) サービスです。対象の画像の違いを大規模で速やかに特定することで、品質を向上させ、従来の目視による検査における運用コストなどを削減できます。たとえば、主な利用用途として、製品に不足しているコンポーネント、車両や構造物の損傷、生産ラインの不規則性、シリコンウェーハの微小な欠陥、その他の同様の問題を特定することができます。 従来AWSが提供していたAmazon Rekognition Custom Labelsでも同様のお客様独自ロジックを組み込んだ画像判別機能を構築することが可能でしたが、Lookout for Visionでは、異常検知に特化したモデルの学習機能や精度判別のインターフェースなどが提供されることで、より産業用途に適した利用が可能となっています。 視覚的に検査したいプロセスの画像をわずか 30 枚程度準備しサービスにアップロードすることで利用を開始することができ、機械学習の複雑な知識は不要です。モデルを自動的に作成し、ライブプロセスラインを監視するカメラからの画像を分析し、ベースライン画像と比較して違いを見つけます。画像による判断はクラウド側で行われるため、より安価なカメラ (時にはすでに設置済のカメラ) を ML 対応の目視検査カメラにすることができ、その導入コストを下げることが可能です。 例えば以下のカーペットなどの製造工程における異物混入のサンプルをみてください。右の正常品に対して、左は異物が混入しており異常と判断されていることがわかります。 モデルの学習は簡単です。あらかじめそれぞれ正常品、異常品の画像を数十枚ずつ準備し投入することでモデルが生成されます。生成される都度検証用画像を投入しその精度を以下のように確認し、求める精度を実現するまで、追加で学習を行わせることが簡単に可能です。 最終的には出力された異常は人間が手作業により目検を行う必要があるとしても、怪しいものは全て異常として出力を行うようなモデルを生成しておくことで、従来行っていた全数検査などの工数を短縮することができ、製造工程の短縮やコスト削減が期待できます。 詳しい利用イメージなどはAWS Innovateのセッションを是非ご覧ください。 – シニアエバンジェリスト 亀田;    

Read More