Amazon Web Services ブログ

Tag: AWS for Industrial

EDA フローを変更することなく、結果を得るまでの時間を短縮

チップ形状の微細化が進むにつれ、先端ノード技術を使用してチップ製造を成功させることは難しくなっています。電子設計自動化 (EDA) は、より多くのコンピュート、ストレージ、時間を消費します。設計と検証の段階で、エンジニアが反復してバグを発見する時間を増やすことは、何百万もの不具合による再設計や収益の損失を防ぐことにつながります。チップ設計プロセスをさらに複雑にしているのは、半導体市場が人材不足に陥っていることです。既存エンジニアの生産性を向上させることで、この人材不足を解消し、市場投入までの時間を改善することができます。このブログでは、柔軟なコンピュートオプションを使用して最大 40% のパフォーマンス向上を示す 2 つの環境について説明します。これらの環境は、Cadence 社と Synopsys 社のバッチツールとインタラクティブツールにまたがり、結果が出るまでの時間とジョブコストを比較しています。

産業用データプラットフォームの成功に必要なこと

データはデジタルトランスフォーメーションを実現する鍵です。そして、産業用データプラットフォームを構築する技術的側面はよく理解されています。 しかし、うまく設計された産業用データプラットフォームでも失敗する可能性があります。 本記事では、産業用データプラットフォームの成功を促進する 3 つのビジネス関連のメンタルモデルについて解説します。

日本の製造業が「日本流 DX」を成し遂げるために必要なこと

日本の製造業が「日本流 DX」を成し遂げるために必要なこと

日本の製造業がかつての「ものづくり大国」としての良さを保ちつつ、日本流の DX （デジタルトランスフォーメーション）を成し遂げて再び強くなるために必要なことについての記事となります。製造業の皆さんが、DX を成し遂げていくためのヒントになれば幸いです。日本の製造業がおかれている現状を、「ものづくり白書 2023」から読み解きつつ、ものづくり大国とはなんだったのか、これからどうしていけば良いのかなどを考察していきます。

製造業のニーズに最適な機械学習サービスの選択

機械学習 (ML) は製造業で欠かせない技術となりましたが、どの機械学習サービスやツールが自分の業務に最適かを判断するのは難しい場合があります。そこで、アマゾンウェブサービス (AWS)の 各ML サービスの使い方を、ユースケースを交えて説明します。

← Older posts