Category: Industries

Media & Entertainment（M&E）におけるそれぞれの新しい技術進化は、業界をコンテンツの作成と消費について再考するよう推進しています。例えば、SDI（Serial Digital Interface）ファミリーのデジタルビデオインターフェースや、インターネットプロトコル（IP）を介したビデオ転送などのイノベーションは、テレビ放送やコンテンツ制作の仕組みに多大なる影響を与えました。クラウドの果たす役割の増大により、オーバーザトップ（OTT）やインターネットプロトコルテレビ（IPTV）の普及は促進され、これまでのテクノロジーにはなかったようなコスト効率と拡張性が実証されています。しかし、放送局やライブプロダクションの専門家たちは、主にオンプレミスワークフローに最適化されたアプリケーション間の低レイテンシーと高帯域幅の接続に依存しているため、クラウドの可能性を最大限に活用できていませんでした。なんとしてもこのギャップを埋めるため、Amazon Web Services（AWS）のチームはAWS Cloud Digital Interface（AWS CDI）を導入しました。

はじめに 今日使用されているオーバーザトップ(OTT) 配信形式の中で最も一般的なものは、ABR(アダプティブビットレート)技術を使用した、ビデオの提供に基づいています。ABRパッケージには、一定範囲のビットレートと解像度でエンコードされたコンテンツの、複数のレンディションが含まれています。 HTTPライブストリーミング（HLS）やHTTP上のダイナミックアダプティブストリーミング（DASH）などの形式は、同じビデオにおける、複数のレンディションを持つラダーの作成方法を定義します。それぞれ異なるフレームサイズまたはビットレートでエンコードされ、ウェブプレーヤー、モバイルデバイス、スマートテレビへと提供されます。各プレーヤーは、ディスプレイ設定と現在利用可能な帯域幅に合った、適切なレンディションを動的に選択できます。 その目的は、必要に応じてレンディションを切り替えることにより、コンテンツをスムーズに再生することです。

近年、多くの領域でObject DetectionやObject Trackingの活用が進んでいます。例えば、屋外での交通量調査や、店内での動線分析が挙げられます。研究領域でのニーズも高く、Amazon Rekognitionを利用した実装方法については「Amazon Rekognition Custom Labelsを利用した動物の特徴的な行動検出」にて紹介致しました。しかしながら、行動学習においては物体レベルでなく特定部位(例えば、手脚)といった、より細かいパーツレベルでのトラッキングが必要なケースもあります。研究領域で注目・活用されているのが、マーカーレス姿勢推定(markerless pose estimation)ベースのDeepLabCutです。DeepLabCutを利用する事で、動画内の特定行動だけでなく、特定部位の検出・トラッキング・分析が可能です。トレーニングの高速処理にはGPUが不可欠であり、DeepLabCutのセットアップにはNVIDIA driverやCUDAのインストールが必要ですが、オンプレミス環境で用意・設定するにはコストと時間がかかります。そこで、本ブログでは、AWSのAWS Deep Learning AMIとGPUリソースを利用した、クイックなDeepLabCut環境方法をご紹介します。

「Amazon Rekognition Custom Labelsを利用した動物の特徴的な行動検出」にて、行動検知モデル作成手順について紹介致しましたが、本ブログではモデル作成の重要なステップであるAmazon SageMaker Ground Truthを利用した動画のデータラベリングをご紹介します。合わせて、2021年1月時点ではAmazon SageMaker Ground Truthでラベリングした動画データをAmazon Rekognition Custom Labelsのデータセットとしてそのままインポートできません。そのため、ここではインポートするためのマニフェストファイルの記述方法をご紹介します。 ラベリングデータを利用した一般的な機械学習のワークフローは以下になります。このフローでモデルの精度向上に重要なのはラベリングデータの準備になります。もちろん、モデル開発やモデル学習に時間はかかると思います。しかし多くの場合、モデル開発に関しては既存もしくは機械学習のスペシャリストが作成したアルゴリズムやモデルを選定する事で開発の短縮化が行えますし、モデル学習についてもクラウドリソース(例えばGPUインスタンス)を利用することで学習時間の短縮化を行えます。そうすると、時間がかかるのがラベリングデータの準備であり、ラベリングの効率化・質の高いデータ数を増やす事が重要なポイントになります。このラベリングデータの準備を簡素化するツールとして、Amazon SageMaker Ground Truthがあります。

Cloud Playout 導入の背景 放送/配信業務において映像を送出する Playout システムは LIVE 映像が配信されている LIVE フィードと事前に準備済みの映像ファイルである Asset の切替、番組進行 / 編成管理、緊急切替といった様々な処理を行います。そして LIVE フィード / Asset の切替や映像の “フタ被せ” ( 権利の関係から映像配信できない場合に別映像を被せる ) は該当の映像区間のみに対して処理をするため、フレーム精度 ( 後述 ) での対応が求められます。そのため Playout システムの構築には専用ハードウェアの組み込みや数年単位での検討/構築期間、多くのコストが掛かる事が従来は一般的でした。 日本テレビ放送網株式会社 ( 日本テレビ ) は2020 年 10 月より始めた地上波プライムタイムのライブ配信トライアル （ 日テレ系ライブ配信トライアル ） において、これらの課題を解決し、迅速にサービスを実現するために株式会社 PLAY ( PLAY ) の Cloud Playout サービス “ PLAY KRONOS ( KRONOS […]

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。 ライフサイエンス・化学・素材関連領域のスマートファクトリーでのクラウド活用にご興味をお持ちのエンドユーザーの皆様を主な対象として2020年12月10日に「ライフサイエンス・化学・素材関連業界のスマートファクトリー最新動向」をウェビナーで開催しました。 本記事ではAWSパートナーネットワーク（APN）パートナーである三井情報様の登壇内容を含む当日の資料・動画と、参加者の方々とのQ&Aを皆様にご紹介します。 本ウェビナー開催の背景 政府の報告によれば、コロナウイルス等の影響で、製造業を取り巻く環境の不確実性が増す中で、設計から生産、販売にまで至るバリューチェーンの再構築や強靭化など、いわゆるデジタルトランスフォーメーション（DX）の推進がより重要になると言われています。しかし、従来日本の強みとされてきた製造の現場では、人手不足や属人的改善による部分最適、データ未収集・未活用など、様々な問題を抱えており、製造業のデジタル化やデータ活用は十分に進んでいないと問題提起されています。 本ウェビナーでは、各企業がデジタルトランスフォーメーションを推進するにあたり、課題となっているデータ管理や利活用について、クラウド利用のメリットを踏まえながら、AWSとパートナー、それぞれの観点で発表頂きました。

アマゾン ウェブ サービス ジャパン株式会社 デジタルトランスフォーメーションアーキテクトの國田です。2020年8月24日にAWSはリテールビジネスにおけるオンラインセミナー「AWS リテールセミナーシリーズ」の第二回を開催いたしました。本Blogでは、今回のテーマである「ニューノーマル時代の小売業、DXへの取り組み」について、セミナーの配信会場の様子を含めながらレポートしたいと思います。 AWSではこれまで、「Born from Retail, Built for Retailers」というメッセージを掲げ、Amazon での経験をもとにした様々なソリューションを小売業のお客様にご提案してきました。しかし、世の中がかつてない変容を遂げようとしている中、小売業のお客様においても、消費者の新たな購買行動に対応していくために変革を行っていくことが喫緊の課題となっています。そのようなお客様に対し、AWSが持つ知見や技術を広くお伝えするために、このセミナーシリーズが企画されました。 8月24日の第二回では、筑波大学の立本博文氏を迎え、ニューノーマル時代の流通DXに関する提言からスタートしました。そして、この度基幹システムのクラウド移行を完了されたミニストップ株式会社の齊藤様、吉田様に登壇いただき、移行プロジェクトのご経験に加え内製化の推進と今後の展開についてご講演をいただきました。AWSからは海外などの動向に加え、リテールテクノロジーソリューションの概要をご紹介しました。ここから、簡単にではありますが、それぞれのセッションの内容ついて振り返っていきたいと思います。

みなさま、はじめまして。ソリューションアーキテクトの柏村です。2020年7月7日にAWSは新しいオンラインセミナーとして「AWS リテールセミナーシリーズ」をスタートいたしました。本Blogでは、記念すべき第一回である「リテールテクノロジーの新潮流 ～ニューノーマル時代の店舗、ECサイト、接客～」について、セミナーの配信会場の様子を含めながらレポートしたいと思います。   AWSではこれまで、「Born from Retail, Built for Retailers」というメッセージを掲げ、Amazon での経験をもとにした様々なソリューションを小売業のお客様にご提案してきました。しかし、世の中がかつてない変容を遂げようとしている中、小売業のお客様においても、消費者の新たな購買行動に対応していくために変革を行っていくことが喫緊の課題となっています。そのようなお客様に対し、AWSが持つ知見や技術を広くお伝えするために、このセミナーシリーズが企画されました。 7月7日の第一回では、実店舗やECサイトをテーマに、これからのニューノーマル時代を見据えた新たな購買体験を提供する仕組みについて、3つのソリューションをAWSのソリューションアーキテクトからご紹介させて頂きました。ここから、簡単にではありますが、それぞれのセッションの内容ついて振り返っていきたいと思います。なお、下記では動画が公開されていますので、お時間がある方はぜひそちらもご覧ください！

これまで本連載では、ビッグデータを活用した感染防止プロジェクトの目的や、主に慶應義塾大学の研究室において、どのような課題を解決しながらデータ分析をしてきたかなど、実際の担当者の方々にお聞かせいただきました。シリーズ最後の第4回では、今一度プロジェクトを発案された宮田裕章教授にご登場いただき、プロジェクト全体の成果、そして教授が描く今後のデータ駆動型社会のビジョンについてお話いただきます。今回も前回に引き続き、当社執行役員の宇佐見 潮がお話を伺いました。 ビッグデータ活用が新型コロナ第二波の抑制に貢献 神奈川県が開設する「新型コロナ対策パーソナルサポート（行政）」は、県民が自らの体調や症状に応じ感染症に関わる情報を入手するサービスとして、現在も広く活用されています。その上で、同県では得られた情報分析の結果を、県内の感染状況の把握や対策の立案に活かしました。そもそも「EBPM（証拠に基づく政策立案）」を目指してスタートしたプロジェクトです。当然、宮田教授は集めたデータがどれだけ判断の基となることができたかにこだわりました。 「実際、PCR検査で陽性判定を受けた人の情報と、パーソナルサポートにより得られた情報の分析結果を突き合わせてみると、データの精度は一定のレベルに達しており、感染者の現状を推計できることが確認できました」と宮田教授は一定の評価を下しています。

医療機関が日々必要とする患者情報には、臨床的な所見や家族の病歴から、診断内容と処方箋にいたるまで、膨大な量が含まれます。これらすべてのデータは、患者に関する医療情報の全体像を把握し、より優れた医療サービスを提供できるようにするために使用されます。現在のところ、こういったデータは、さまざまなシステム (電子カルテ、検査システム、医療画像リポジトリなど) の間で、数十種類の互換性のないフォーマットで保存されています。 FHIR (高速医療情報相互運用リソース) などの新しい規格は、このような課題に対処しようとしたものです。この規格では、それらの医療システム間で構造化データを記述および変換に適応した形式が提供されます。しかし、このデータの多くは非構造化情報であり、医療記録 (臨床記録) 、文書 (PDF 形式の検査結果) 、書式用紙 (保険請求) 、画像 (X線、MRI) 、音声 (会話記録) 、時系列データ (心電図) などの形で保存されているため、それらの形式から情報を抽出することは 1 つの課題となります。 医療機関が、これらのデータをすべて収集し、変換 (タグ付けやインデックス作成) 、構造化、分析などのための準備を完了するには、数週間、場合によっては数か月を要することがあります。さらに、そのすべての作業を行うためのコストと運用上の複雑さは、ほとんどの医療機関で許容しきれないものとなります。 この度、当社では、Amazon HealthLake を発表できる運びとなりました。これは、HIPAA 適合の完全マネージド型サービス (現在はプレビュー版) であり、医療関係およびライフサイエンスのお客様は、さまざまな形式でサイロ化された医療情報を、一元化された AWS データレイクに集約するためにご利用いただけます。HealthLake では、機械学習 (ML) モデルにより医療データの正規化が行われます。医療データ内の意味のある情報が自動的に理解され抽出されるので、すべての情報が簡単に検索できるようになります。その後、お客様はデータに対しクエリと分析を行い、関連性の把握や傾向を割り出したりしながら、それらを予測に利用することができます。 仕組み Amazon HealthLake を使用することで、オンプレミスのデータを AWS クラウドにコピーします。クラウドに保存された構造化データ (検査結果など) と非構造化データ (カルテなど) には、HealthLake により、FHIR に対応したタグ付けや構造化が行われます。すべてのデータは、標準的な医療用語を使用して完全にインデックス化されるため、患者の医療情報の照会や検索、分析、および更新が、すばやく簡単に実行できます。 HealthLake を使用する医療機関は、患者の医療情報の収集と変換を数分の内に完了し、その治療履歴を包括的に表示できるようになります。この情報は、業界標準の FHIR 形式で構造化されるので、検索とクエリのための強力な機能を利用できます。 AWS マネジメントコンソールから HealthLake API […]