Amazon Web Services ブログ

時間の経過とともに展開していくイベントを予測することは、オプション価格決定や、病気の進行、音声認識、サプライチェーン管理などを扱う多くのアプリケーションにとって不可欠な機能です。と同時に、こうした予測は難しいことでも知られています。 全体的な結果を予測するのではなく、特定の時刻に発生するイベントの一連の動き ( シーケンス ) を正確に予測することを目指します。物理学のノーベル賞受賞者である Niels Bohr 氏は、「予測は非常に難しいもので、未来については特にそうです。」と述べています。 このブログ記事では、AWS での深層学習アプローチを使用した時系列予測の高度なテクニックについて見ていきます。この投稿では、任意の時系列値予測に注目します。ですので、時系列を研究している読者にとって興味深い内容になるでしょう。またこの投稿では、読者が機械学習の分野で基礎的な技術知識をすでに持っていることを仮定しています。  Amazon SageMaker (Bring-Your-Own-Algorithm を使用 ) を活用して、複数の要因の過去の傾向に基づく時系列を予測する、独自の RNN ( リカレントニューラルネットワーク ) 深層学習アルゴリズムを開発していきます。Amazon SageMaker は完全マネージド型の機械学習プラットフォームで、データサイエンティストや開発者が機械学習モデルを素早くかつ簡単に構築し、大規模な実稼動アプリケーションとなるようにトレーニングするのををサポートします。これにより、ビルトインアルゴリズムとビルトインフレームワークの両方を使用できるようになり、Docker コンテナを使ったカスタムコードをインポートすることも可能になります。

2010 年にt1.microインスタンスタイプを開始し、それに続き、2014 年には初の T2 インスタンス (マイクロ、スモール、 ミディアム)、その後は 2015 年 (ナノ)、2016 年 (Xラージおよび2Xラージ)、さらに昨年は無制限バースティングと多くのサイズを開始してきました。 本日は 12 か所のリージョンで T3 インスタンスをリリースします。今回リリースされる多目的インスタンスは T2 インスタンスよりさらにコスト効率に優れており、1 時間あたり $0.0052 ($3.796/月) から始まるオンデマンド料金体系となっています。現在、M4 または M5 インスタンスをご利用のお客様で、持続的な処理能力を必要とされない方は、T3 インスタンスへの移行をご検討ください。極めて低価格でワークロードをホストしながら、依然として必要なときには一貫した高パフォーマンスを利用できます (無制限バースティングはデフォルトで有効になっているため、先行サービスよりさらに使いやすいインスタンスです)。 T1 および T2 のケースでは豊富で信頼できる処理能力のベースラインと、さらに処理能力が必要になったときに、フルコアパフォーマンスまで透過的にスケールする能力が、必要な期間だけ利用できます。このインスタンスを支えるのは 2.5 GHz Intel® Xeon® スケーラブル・プロセッサー (Skylake) で最新の Intel® AVX-512 命令を搭載。次の 7 つのサイズで本日すぐにご利用いただけます。 名前 vCPUs ベースラインパフォーマンス/vCPU メモリ 価格/1 時間あたり (Linux) 価格/1 時間あたり (Windows) t3.nano […]

数週間前に、当社は2つの重要なパフォーマンス改善機能をAmazon Kinesis Data Streams (KDS):に追加しました。拡張ファンアウトと HTTP/2 データ取得 API です。拡張ファンアウトは、開発者が各ストリームコンシューマーにそれぞれの読み取り処理量を提供することにより、ストリームコンシューマー (リアルタイムでのストリームからのアプリケーションの読み取りデータ) の数を増加させることができます。HTTP/2データ取得APIは、一般的なシナリオでデータをプロデューサーからコンシューマーに70ミリ秒以内に配信できるようになります (65%の向上)。これらの新しい機能により、開発者は Amazon Kinesis Data Streams 上でより高速で、より反応性、並列性に優れ、レイテンシに敏感なアプリケーションを構築できるようになります。 Kinesis は実際に、次のストリーミングサービスのファミリを指します。 Kinesis Video Streams、Kinesis Data Firehose、Kinesis Data Analytics、および本日のブログ投稿のトピックである、 Kinesis Data Streams (KDS)。Kinesis Data Streams では、完全に管理され、大規模にスケーラブルなサービスを利用して、開発者は容易に、かつ継続的にストリーミングデータをリアルタイムで収集、処理、および分析できるようになります。KDS は何十万にも上るソースから 1 秒当たりの数ギガバイトのデータを取り込むことができます。ウェブサイトのクリックストリームやソーシャルメディアのフィードから財務取引や位置情報データに至るまであらゆるものを対象としています。 Kinesis Data Streams は、シャード (shard) の概念を使用してスケールされます。1 個のシャードは、1MB / 秒または 1000 レコード / 秒のインジェスト容量と 2MB / 秒の出力容量を提供します。顧客が数千から数万個のシャードを持ち、毎秒数十ギガバイトの入出力をサポートすることは珍しいことではありません。ファンアウト機能を強化する前に、2MB / 秒 / […]

医療情報システム向け「Amazon Web Services」（以下「AWS」）利用リファレンスが AWS パートナーネットワーク のパートナー(以下、APN パートナー)各社のサイトを通じて公開されましたので、お知らせさせていただきます。医療情報を取り扱うお客様がこの文書を活用することにより、医療情報システムの安全で効率的な構築が AWS 環境で可能となることを目指し、AWS は APN パートナー各社の皆様を継続して支援させていただいています。   -医療情報システム向け「AWS」利用リファレンスとは 日本において医療情報システムの構築・運用を行う上で遵守すべき厚生労働省、総務省、経済産業省の 3 省が定めた各ガイドラインに AWS 環境上で対応するための考え方や関連する情報を APN パートナー各社で整理検討したリファレンス文書となります。   -医療情報に関連したガイドラインおよび背景 日本では全ての医療行為は医療法等で医療機関等の管理者の責任で行うことが求められており、クラウドサービスを利用する場合も、医療情報システムの構築や運用に関連して、安全かつ適切な技術的及び運用管理方法を確立し、安全管理や e-文書法の要件等への対応を行う必要があります。こうした医療情報システムのデータは、個人情報保護法における「要配慮個人情報」に該当し、医療情報の取扱いにおいても、「収集」「保管」「破棄」を通じて、諸法令をはじめ、通知や指針等に定められている要件を満たす適切な取扱いができる仕組み作りが必要です。     医療情報システムでは、2018 年の現在において、厚生労働省、総務省、経済産業省の 3 省が定めた医療情報システムに関する各ガイドラインの要求事項に対して、医療情報に係る関連事業者や責任者が必要に応じて各種対策を施す必要があります。クラウド環境の導入を検討する場合には、これらのガイドラインの要求事項を整理検討し、必要となる対策項目の洗い出しや対応する情報、実施策の検討等を行う必要があります。     -AWS と APN パートナー様の取り組み Amazon Web Services（以下「AWS」）は、AWS の環境において、医療情報を取り扱うシステムを構築する際に参照される各種ガイドラインに対応するための「医療情報システム向け AWS 利用リファレンス」の文書の作成にあたり、AWS パートナー各社様をHIPAA等実績に基づき支援してきました。AWS は米国における HIPAA に対応した医療情報システムのクラウド基盤として多くの事業者に利用された実績を有し、セキュアで柔軟かつ低コストのクラウドサービスを実現可能なAWS環境において、医療情報システムの様々な要件に対応するため各種サービスや関連情報を提供しています。AWS はお客様の医療情報システムにおける AWS 環境の活用を今後も支援していく予定です。     -「医療情報システム向け AWS 利用リファレンス」のダウンロード先 […]

このブログ記事でご紹介するのは、AWS CloudFormation テンプレートを使って Amazon Aurora のようなリレーショナルデータベースから Amazon Simple Storage Service (Amazon S3) にデータをレプリケートできるよう、設定を自動化する方法です。CloudFormation テンプレートのサンプルを使って説明していくので、ニーズに合わせて応用してください。 AWS Database Migration Service (AWS DMS) を使えば、データをあるデータソースから別のデータソースに移行できます。たとえば、Oracle から Aurora、NoSQL から SQL、オンプレミスからクラウドへの移行などがあります。顧客が DMS を利用するのは 1 回限りのデータ移行の場合だけではありません。ETL プロセスの一部として継続的な異種データレプリケーションを行う場合にもよく利用します。それこそがこのブログ記事のテーマです。 ソリューションの概要 アーキテクチャを図で示します。 この CloudFormation テンプレートのサンプルは、この例に必須のすべてのリソースを記述しプロビジョニングします。コードは GitHub で探すことができ、テンプレートをスタックとしてデプロイするには [Launch Stack] ボタンをクリックします。注意: us-east-1 リージョンでは、このテンプレートは RDS DB クラスタースナップショットを使用します。スタックを別のリージョンにデプロイしたい場合は、希望するリージョンにスナップショットをコピーして、CloudFormation テンプレート内の SnapshotIdentifier の値を置き換えます。 このプロセスの開始からスタックが作成されるまでには、約 50 分ほどかかります。このテンプレートは下記の処理を行います。 AWS DMS Sample Database […]

すべての Amazon SageMaker API 操作が AWS PrivateLink を介して完全にサポートされるようになりました。これにより、インターネットへのデータ暴露を減らすことで、クラウドベースのアプリケーションと共有されるデータセキュリティが向上します。ノートブックインスタンスへのアクセスは引き続き、TLSを介したインターネット経由となり、AWSマネージメントコンソールへのログインクレデンシャルで保護される形態となります。このブログでは、AWS PrivateLink を使用して Amazon SageMaker API コールを保護するための VPC エンドポイントの設定方法を説明します。 AWS PrivateLink トラフィックはインターネットを通過しないため、ブルートフォースや分散型サービス拒否攻撃などの脅威への露出を低減します。お使いのアプリケーションと Amazon SageMaker API 操作間のすべての通信は VPC の内部で行われるため、Amazon SageMaker と通信するためにインターネットゲートウェイ、NAT デバイス、VPN 接続、または AWS Direct Connect は必要ありません。代わりに、AWS PrivateLink では、インターフェイス VPC エンドポイントを使用して、スケーラブルな方法でお使いの VPC からすべての Amazon SageMaker API 操作にプライベートアクセスすることが可能です。VPC エンドポイントはすべての Amazon SageMaker API コールのエントリポイントとして機能するプライベート IP アドレスを使用したサブネット内の Elastic Network Interface です。 AWS […]

アマゾン ウェブ サービス (AWS) では、すべての開発者向けに、イメージ/ビデオ分析、自然言語処理、音声認識、テキスト読み上げ、機械翻訳を提供しています。AWS の Machine Learning (ML) サービスを使用することで、機械学習時のモデルを考慮することなく、あらかじめ用意された AI 機能をアプリケーションに組み込むことができます。 機械学習に関する専門知識を持っていない数多くの開発者が、Amazon の機械学習アプリケーションサービスを使用して、イノベーティブなソリューションを開発してきました。たとえば、あるユーザーはAmazon Polly と Amazon Translate を使用して双方向の翻訳アプリを開発し、別のユーザーは Amazon Polly と Amazon Lex で、コミュニケーションの際に特別な配慮が必要な人々の支援を行っています。また、あるユーザーは、Amazon Rekognition、Amazon Comprehend、Amazon Transcribe を使ってフルソーシャルビデオプラットフォームを強化し、画像のメタデータと感情データを抽出してこれまでにない水準のビデオ分析を行っています。 ただ、私たちはまだその可能性の一部にふれただけにすぎません。本日、私たちは AWS 人工知能 (AI) アプリケーションハッカソンの開催を発表します。みなさまのアイデアを披露するのに最適な機会です。高額な賞金をぜひ勝ち取ってください。 課題: 機械学習とサーバーレス API を使用したインテリジェントアプリケーションの開発 スキルを発揮するチャンスです。画像、音声、言語処理の人工知能で新しいアプリケーションを開発したり、既存アプリケーションを拡張しましょう。Amazon の機械学習アプリケーションサービスを使用すれば、顧客の分析情報の取得、コンテンツレコメンド機能のパーソナライズ、顧客の検索など、さまざまなことが可能になります。 AWS Lambda を使用すれば、サーバーレスコンピューティングを活用するアプリケーションのロジックを記述/実行できます。サーバーを管理しないでもコードを実行できます。 参加に際しては、要件が 2 つあります。 次の言語/画像処理 API サービスのうち、2 つ以上を使用してください。Amazon Comprehend、Amazon Transcribe、Amazon Polly、Amazon Lex、Amazon Translate、Amazon […]

ビデオを制作したり、ビデオを見るのに時間を費やしたり、ビデオを共有したりする人々が急激に増えつつあります。今日制作されるビデオの大半はユーザーが作成したコンテンツですが、こうしたコンテンツをそのまま公開するとリスクが生じます。不適切なコンテンツや望ましくないコンテンツを削除して、顧客にとって肯定的なウェブサイト体験を確保するために、企業はスケーラブルなコンテンツモデレーションプロセスが必要です。 このブログ記事では、Amazon Rekognition Video を使用してコンプライアンスとモデレーションを強化するために、ビデオコンテンツを評価するためのサーバーレスアーキテクチャを構築する方法を説明します。顧客 (特にメディアやエンターテインメント企業) は、対象者の年齢に応じたコンテンツを構築したり、ビデオで不適切なコンテンツを識別したりするために、ビデオを分類するという課題に直面しています。Amazon Rekognition Video は、物体の経路を追跡し、アクティビティを検出し、物体、有名人、コンテンツのタイプを認識する、深層学習による動画分析サービスです。Amazon Rekognition Video は明示的で疑わしいコンテンツを検出できるため、アプリケーションやコンプライアンスの要件に基づいてビデオをフィルタリングできます。 従来、ビデオ内でのコンプライアンスは企業にとって手作業であり、ビデオを検証するには完全に視聴する必要がありました。このプロセスは時間がかかり、スケーラビリティがなく、間違いが発生する可能性がありました。私たちが提案するソリューションは、オペレータの手作業の効率を大幅に改善し、レビューされるビデオコンテンツの量を減らし、レビュー担当者はフラグが立てられたコンテンツにのみ集中することができます。このブログ記事で使用されているサーバレスソリューションは Amazon Rekognition であり、費用対効果に優れたスケーラブルなコンテンツモデレーションプロセスを顧客に提供します。これは、企業がビデオをモニターし公開するのに役立ちながら、肯定的な顧客体験を保証し、潜在的な評価に関するリスクを限定します。 ソリューションを起動するには、次の AWS CloudFormation スクリプトを使用します。   ソリューションのアーキテクチャ概要 この例では、不要なコンテンツのフラグが設定されているビデオのコンテンツ管理者に警告する、実際のユースケースに近い例を取り上げます。コンテンツのパイプラインに統合するために、Amazon S3 イベントを使用するワークフロートリガー (新しいアセットの到着)、Amazon DynamoDB を使用するコンテンツメタデータストレージ、および Amazon Glacier を使用するデジタルアセットアーカイブで表現します。この例では、最小限のコードベースによって、Amazon Simple Notification Service（SNS）、AWS Lambda、Amazon Rekognition を使用するサーバーレスワークフローのカップリングのシンプルさを示しています。 アセットを取り込む Amazon S3 バケットにメディアをアップロードした直後に処理が開始されます。Amazon S3 イベント通知が、ビデオファイルで StartContentModeration API アクションを開始するビデオプロセッサ Lambda 関数をトリガーします。Amazon Rekognition Video によるメディア処理の完了ステータスは、Amazon SNS を介して取得され、次にコンテンツ警告 Lambda […]

Aella Credit 社は、西アフリカに本拠を置く金融サービス会社で、生体的データおよび雇用主のデータを利用し、新興市場で証明できる収入源を持つ個人に即時融資を提供しています。 新興市場では、リテール銀行サービスに簡単にアクセスできない人々にとって、身元確認と検証は大きな課題の 1 つです。Aella Credit 社はこの問題を解決するため、深層学習を基礎とした画像およびビデオ解析サービスの Amazon Rekognition を使って、モバイルアプリケーション上で生体的身元確認を行っています。アプリケーションで Rekognition を使用することで、自身の身元確認を行い、問題を最小限に抑えて銀行サービスにアクセスすることが可能となります。 「新興市場にいる何十億人もの信用を構築する上で、ユーザーを正確に識別できないことは、とても大きな障害でした。」と、Aale Credit 社の最高技術責任者かつ共同創設者である Wale Akanbi 氏は言います。「当社のモバイルアプリケーション上で本人確認を行うのに Amazon Rekognition を使用することで、エラーが大幅に減り、ビジネスを拡大することが可能となりました。」 この機能を使って、政府発行の ID 写真をアップロードしてから、確認のために自分の写真をリアルタイムで撮影します。Aella Credit 社はまず政府発行の ID を政府のデータベースで検証した後、Amazon Rekognition を使用して、2 つの画像を比較し、一致しているかどうかを確認します。 「今では、人間が操作しなくても個人の身元をリアルタイムで検出および確認できるようになったので、当社のサービスにより早くアクセスできるようになりました。」と　Akanbi 氏は言います。「 Amazon Rekognition のおかげで、当社のお客様の顔を効果的に認識できるようになりました。また、KYC (Know Your Customer 、顧客確認 ) にも有効で、重複するプロファイルやデータセットを検出できます。」  そのしくみ プロフィール写真を撮影し、申請プロセスを完了します。 顔が検出され、アプリケーション処理が完了します。 「 Amazon Rekognition を選んだのは、使いやすさと一貫した正確性のためです。」と Akanbi 氏は説明します。「よく宣伝を見る様々なソリューションを試しました。でも、いろんな肌の色合いを正しく認識できるものはありませんでした。いろんな肌の色を持つ顔の検出するのに、他のソリューションだと 40％ の精度しかないのですが、ReKognition の精度は一貫して […]

2018年6月21日に、「Amazon Analytics （Data Lake）セミナー」というイベントが開催されました。本セミナーでは、ビッグデータの取り扱いとデータ分析を中心とした利活用、またデータレイクによる効率的なデータの運用を中心テーマにおき、AWS クラウド上での最適な実現方法について、AWS ソリューションアーキテクトおよび Amazon Redshift サービスチームからご紹介しました。また、データの可視化については Amazon QuickSight のデモをご覧いただき、あとでお客さまご自身で QuickSight をお試しいただけるよう、セッション終了後にデモのガイドとサンプルデータを配布しました。 この記事ではそのイベントの内容をご紹介します。また、最後に各発表資料へのリンクも掲載しています。