Amazon Fraud Detector がAWS re:Invent 2019で発表されました!

この記事は株式会社ナレッジコミュニケーションが運営するAmazon AI by ナレコム Advent Calendar 2019の13日目にあたる記事になります。

image.png

はじめに

AWS re:Invent 2019にてオンライン詐欺を検出するサービスが発表されたのでまとめていきたいと思います。
Amazon Fraud Detectorは、Amazon Fraud Detectorはフルマネージドサービスで、オンライン支払い詐欺や偽のアカウントの作成など、潜在的に不正なオンラインアクティビティを簡単に特定できます。機械学習(ML)とAWSおよびAmazon.comの20年にわたる不正検出の専門知識を使用して、不正行為の可能性を自動的に特定し、より多くの不正行為を迅速に発見できるようにします。Amazon Fraud Detectorを使用すると、不正な検出のすべてを機械学習(ML)で処理するため、数回クリックするだけで、機械学習(ML)の経験がなくとも不正検出モデルを簡単に作成することができます。

2019/12/06 現在はプレビューの為、米国東部(バージニア北部)リージョンでのみ利用可能です。

 

 

検出できるアクティビティ

2019-12-06_20h30_18.png

 

  • New account

正当な顧客アカウント登録とリスクの高い顧客アカウント登録を区別して、リスクに基づいて追加の手順またはチェックを選択的に導入できるようにします。たとえば、顧客アカウント登録ワークフローを設定して、リスクの高い特性を示すアカウント登録に対してのみ追加の電子メールと電話の確認手順を要求できます

 

  • Guest checkout

取引履歴のない顧客間でも潜在的な不正行為を検出します。通常、定期的に取引を行うお客様は、登録済みアカウントを使用します。その結果、取引の履歴があるため、潜在的な不正行為を簡単に特定できます。一方、ゲストチェックアウトには、過去のアカウント使用状況やユーザーの行動データがないため、不正行為の検出がはるかに困難になります。Amazon Fraud Detectorを使用すると、潜在的な不正リスクを評価するために、ゲストのチェックアウト注文からEメールとIPアドレスを送信することができるため、それを受け入れるか、確認するか、顧客の詳細を収集するかを決定できます。

 

  • ‘Try Before You Buy’ service abuse

支払いを送信する前に調査のために衣類やアクセサリーを発送するファッションサービスなど、「購入する前に試してください」プログラムを悪用する可能性が高いアカウントを特定します。Amazon Fraud Detectorを使用すると、オンラインビジネスは顧客がサービス条件に違反するリスクを評価し、サービス条件に違反する状態で商品が盗まれたり返品されたりしないように、提供される商品またはサービスの価値に制限を設定できます。

 

 

- Online payment ※近日公開予定

支払いを処理して注文を履行する前に、疑わしいオンライン支払いトランザクションにフラグを立てることにより、オンライン支払い詐欺を減らします。Amazon Fraud Detectorを使用すると、チェックアウトフローを設定して、新しい注文を評価し、疑わしい注文にフラグを付けて、支払いを処理する前に確認して、クレジットカードのチャージバックを減らすことができます。

 

使い方

プレビューの為、申込みが必要となります。
以下、Amazon Fraud Detector 機能で公開されている使用方法になります。

  • 5つのステップでAmazon Fraud Detectorの使用を開始する
[crayon-5f35e1fd0ac76857888071/]
[crayon-5f35e1fd0ac87257705776/]
[crayon-5f35e1fd0ac91344689237/]
[crayon-5f35e1fd0ac9a740399873/]
[crayon-5f35e1fd0aca3976368014/]

価格

Amazon Fraud Detector 価格が公開されております。
※無料試用枠があります。
2019-12-06_20h26_07.png

おわりに

現在プレビュー中の為、参考ドキュメント等少ないですがアップデートがあればご紹介したいと思います。

関連URL


Media2Cloud 2.0 now live 和訳してみた

はじめに

2019年12月11日に Jack Wenzinger 氏が掲載された「[Updated 11-December] Media2Cloud 2.0 now live: Increased control, SageMaker Ground Truth integration, and more partner support」を和訳し、まとめました。
本記事は下記リンク参照。

■リンク
[Updated 11-December] Media2Cloud 2.0 now live: Increased control, SageMaker Ground Truth integration, and more partner support

 

MEDIA2CLOUD VERSION 2.0 RELEASED

MEDIA2CLOUD

Media2Cloud は、ビデオコンテンツ管理に必要なデータや画像の確立、そしてクラウド移行のためのワークフローの設定サポートを行うサービスです。コンテンツの取り込み・保存・処理・配信・管理などを、クラウド上で簡単に行うことができます。

image.png

Media2Cloud はビデオコンテンツを取り組むために必要な項目を網羅したサービスとなっており、以下の特徴があります。
■ Media2Cloud の特徴

 

  • フレームワークに AWS Machine Learning でビデオ資産のベースラインメタデータを増強するトリガーを含む
  • ビデオアセットには、以下の3つの AWS サービスを利用
    • 物体検知や顔認識には Amazon Rekognition
    • 音声テキストの作成には Amazon Transcribe
    • コンテキストメタデータの作成には Amazon Comprehend

 

Media2Cloud はとてもエラスティックなサービスであるため、同じ要件であれば、同じワークフローを使用して日々の運用とアーカイブの移行をサポートすることができます。そのため、異なるワークフローを作り、キャパシティの対応をする必要がありません。

 

WHAT’S NEW

そして、この度 Media2Cloud 2.0 が正式にリリースされました。これによりユーザはより簡単に、そしてより迅速にワークフローを AWS に取り込めるようになりました.

image.png

Media2Cloud に関する新たな追加情報は以下となります。

 

  • 使用する機械学習サービスと、ソースコンテンツに含まれる言語の選択するための構成パネルをサポート
    • 用途に合わせた的確なサービスを選択可能
  • Amazon Rekognition の構成には不適切なビデオ検出機能を追加
  • SageMaker GroundTruth を追加し、カスタムフェイスキュレーショントレーニングをサポートするクラウドソーシングツールが提供可能

まとめ

アップデート情報は以上となります。
名前の通り、メディア関連に特化した新サービスとなっておりますので、メディア業界で AWS の利用を考えている方は、この機会に是非こちらのサービスを利用してみては如何でしょうか。


Amazon Rekognition Custom Labels でアーモンドとピーナッツの判別モデルを作ってみた。

はじめに

今回は AWSの 画像、動画分析サービスである Amazon Rekognition の Custom Labels 利用が開始となったため、アーモンドとピーナッツが判別できるか、検証いたします。

 

 

Amazon Rekognition Custom Labels とは

Amazon Rekognition とは AWS の提供する 画像、動画分析サービスです。シーン検出や顔認識、テキスト認識や動線検出など多くのAPI が存在します。
今回この Rekognition が Custom Labels に対応しました。
今までは AWS の用意した学習済みモデルを利用した物体検出しか利用できませんでしたが、自前で用意した画像で画像検出モデルを作成し、利用できるようになりました。

 

 

今回の目的

Amazon Rekognition Custom Labels で、ちょうど家にあったピーナッツとアーモンドの判別モデルを作ってみます。
今回はデータ準備、ラベリング、モデル作成、推論API利用までやってみます。

 

 

データ準備

今回は画像をピーナッツとアーモンドでそれぞれ21枚ずつ用意しました。

画像はこんな感じ。

 

image.png

 

データの準備は完了です。
早速 AWS コンソールから、ラベリングに進みましょう。

 

 

ラベリング

作成したデータのラベリングは、AWSのコンソール上で行います。

現在(2019年12月10日時点)は、Amazon Rekognition Custom Labels は以下のリージョンでのみ利用可能です。

  • バージニア北部
  • オハイオ
  • オレゴン
  • アイルランド

AWS コンソール上でリージョンを変更してから以降の手順を行ってください。

まず、AWS コンソールから Amazon Rekognition を開きます。

001.png

次に、サイドバー上部から Use Custom Labels を開きます。
002.png

 

※2019年12月10日時点では、表示言語を日本語にしていると、Custom Labels の項目が表示されません。
左下の言語欄から英語を選択し、次に進んでください。

003.png

 

Get Started をクリックします。

004.png

 

 

作成するデータセットや、モデルの保存先 S3 を作成します。
Create S3 bucket をクリックします。

005.png

 

 

次にプロジェクトを作成します。
任意のプロジェクト名を入力し、Create project をクリックします。

007.png

 

プロジェクトを作成したら、データセットを作成します。
Create datasetをクリックします。

008.png

 

任意のデータセット名を入力します。

009.png

 

データのアップロード方法を選択します。
今回はローカルからアップロードを選択します。

010.png

 

画像をアップロードします。
下にスクロールし、Add images をクリックします。

012.png

 

以下のように表示されるので画像を、Drag&Drops します。
※この時画像は一度に30枚までしかアップロードできません。分けて、アップロードしましょう。

013-1.png

 

画像を Drag&Drops したら、Add images をクリックします。

013-3.png

 

画像をアップロードしたら、画像に割り当てるラベルを登録します。
Filter by labels の Add をクリックします。

014-2.png

 

ラベルを追加し、Save をクリックします。
私の場合は、almond と peanuts を追加しました。

015-1.png

 

ラベリングしたい画像を選択して、Draw Bounding Box をクリックします。

 

image.png

 

ラベリングを行います。

  • まず、右側の Labels から対象のラベルを選択します。
  • 次に、画像の対象物を Box で囲みます。
  • 囲んだら、右上のNextをクリックします。
  • 全ての画像に対してラベリングができたら右上の Done をクリックします。

017-2.png

 

ラベリングが終わったら、右上の Save changes をクリックしてください。

018-1.png

モデル作成

データセットのラベリングが完了したら、ついにモデルトレーニングです。
Train model をクリックします。

020-1.png

 

各項目を設定します。

  • Choose project : 最初に作成したプロジェクトを選択します。
  • Choose training set : 作成したデータセットを選択します。
  • Create test set : テストデータの作成方法を選択します。今回は、学習データの中から20%を自動でテストデータとして抽出する Split training dataset を選択します。

全て設定したら、右下の Train をクリックします。

021-1.png

 

これでモデルトレーニングが始まります。
Status が TRAINING_COMPLETED になるまで待ちます。
学習画像32枚、テスト画像10枚で1時間弱ぐらいかかりました。

 

image.png

 

モデルトレーニングが完了しました。
ジョブ名をクリックして、トレーニングの詳細を見てみましょう。

image.png

 

モデルのスコアが載っています、精度90%、再現率80%となかなかいい感じですね。

034.png

推論 API の利用

実際に作成したモデルをデプロイして、推論してみましょう。
下にスクロールすると、モデルデプロイ、推論、デプロイ終了の API 利用コマンドがあるので順に実行してみましょう。
※古いバージョンの AWS CLI にはコマンドが存在しないため、以下から、AWS CLI のアップデート方法を確認し、実行してから次に進んでください。
https://docs.aws.amazon.com/ja_jp/cli/latest/userguide/install-cliv1.html#post-install-upgrade

image.png

 

まず、Start APIを実行すると、以下の様にレスポンスがあります。

 

[crayon-5f35e1fd0b887364853122/]

 

実行後コンソールを確認してみると、対象のモデルステータスが STARTING となります。

 

035.png

 

Status が RUNNING になったのを確認したら、Detect API を実行しましょう。
推論に利用する画像は、あらかじめ S3 にアップロードしておきましょう。

 

036.png

 

今回は以下の画像を推論してみます。

almond.JPG

 

Detect API を実行すると、以下のように推論結果が返されます。

 

[crayon-5f35e1fd0b898391260312/]

 

実際に可視化するとこんな感じです。
うまく推論できているようです。

037.png

 

推論を終えたら、Stop API でデプロイしているモデルを停止します。
以下のようにレスポンスがあります。

 

[crayon-5f35e1fd0b8a4741862917/]

 

コンソールを確認してみると既に Status が STOPPED になっていました。

image.png

おわりに

今回は Amazon Rekognition Custom Labels を検証しました。
画像を用意するだけで簡単に画像検出ができてしまい、感動しております。
今回はピーナッツとアーモンドの2種類でしたが、もう少し似通ったカシューナッツとか入れてもやってみたいと思います。

※料金は2019年12月10日現在、確認中です。わかり次第追記いたしますので、お待ちください。


AWS re:Invent 2019 - Keynote with Andy Jassy Amazon SageMaker サービスまとめ

はじめに

AWS re:Invent 2019 - Keynote with Andy Jassy 動画にて紹介されました Amazon SageMaker に関する新サービスの情報をまとめました。

■本動画のリンクはこちらから
AWS re:Invent 2019 - Keynote with Andy Jassy

 

Amazon SageMaker 関連のサービス紹介

本動画内で紹介された Amazon SageMaker 関連のサービスです。

  • Amazon SageMaker Studio
  • Amazon SageMaker Notebooks
  • Amazon SageMaker Experiments
  • Amazon SageMaker Debugger
  • Amazon SageMaker Model Monitor
  • Amazon SageMaker Autopilot

Amazon SageMaker Studio

 

image.png

 

  • ウェブベースの IDE で完全に統合された ML サービス
  • notebook、コード、データセットの管理・アクセス・サーチは全てこれ1つで完了
  • 機械学習プロジェクト管理のフォルダも作成可能
  • フォルダやうロジェクト、コンテンツの共有も可能

Amazon SageMaker Notebooks

 

image.png

 

  • 1クリックで notebook を立てることが可能
  • インスタンスのプロビジョニングも不要
  • CPUの増減も簡単に実行可能
  • 新しいインスタンスに自動でnotebook のコンテンツのコピーや移動が可能

Amazon SageMaker Experiments

 

image.png

 

  • 入力されたパラメータや構成、結果を自動的にキャプチャ
  • リアルタイムの実験をブラウザリングやモニタリング可能
  • 直近の実験を名前やパラメータで検索をかけることが可能

Amazon SageMaker Debugger

 

image.png

 

  • 機械学習モデルのデバッグサービス
  • 監視したいメトリクスを自動的に設定
  • モデルのトレーニングパフォーマンスをリアルタイムで提供

Amazon SageMaker Model Monitor

 

image.png

 

  • データを予測実行前後で違いが出てないかのチェックが可能
  • 1クリックでモデルのモニタリングを実行
  • SageMaker Studio でデータのビジュアル化が可能

Amazon SageMaker Autopilot

 

image.png

 

  • 自動的にデータの変換が可能
  • ベストなアルゴリズムを選択
  • 50種類の異なるモデルでトレーニングを自動的に実行
  • 50種類のモデルの結果を順位付けをして結果を出す

おわりに

AWS re:Invent 2019 - Keynote with Andy Jassy 動画にて紹介されました Amazon SageMaker に関する新サービスの情報は以上となります。本記事では紹介しませんでしたが、Amazon SageMaker 以外の新サービスや既存サービスのアップデート情報なども、本動画で紹介されております。そちらもぜひ、確認下さい。


Amazon Augmented AI(A2I) 機械学習/AI運用では避けられない有人確認業務をAWSが代替

はじめに

この記事は株式会社ナレッジコミュニケーションが運営する Amazon AI by ナレコム Advent Calendar 2019 の4日目にあたる記事になります。

 

概要

re:Invent2019 では多くの機械学習/AIに関する新サービスが発表されました。
機械学習/AIを運用する上で「ここが大変なんだよな」というポイントをサービスで埋めてくるものがピンポインで出てきた印象です。

そんな中でも本記事で紹介する Amazon Augmented AI (Amazon A2I) は非常に特徴的で強力なサービスです。

 

AIを運用する上での課題

例えば画像内にある記号を検出し判別するモデルを作り運用したと仮定します。
モデルが応答した際の値は数値として出るのですが実際に正しい結果だったかどうかはやはり人の目による目視確認が必要となってきます。

 

image.png

 

AIの技術を使って目視確認業務を減らしたはずが、AIの精度を確かめるための新たな目視確認業務が生まれるという状況です。
通常はモデルの応答値のモニタリングや一部結果を目視確認して精度を見るなどのワークフローが必要でした。

 

Amazon A2I による解決

Amazon A2I では AWS のサービスとして分析結果の目視確認と結果共有を行ってくれます。
これにより以下の図のように今までは人が介在することになってしまっていたフローもAWSの世界で完結ができます。

 

image.png

 

使い方

バージニア北部リージョン(N.Virginia)で利用することが可能です。
日本語では「拡張AI」という表記になっていますね。

 

image.png

 

ワークフローを選択し、Textracct、Rekognition、Custom の3種類のタスクのうち1つを選択することができます。

 

image.png

価格

価格はこちらでアナウンスがされております。
https://aws.amazon.com/jp/augmented-ai/pricing/

まとめ

今までは自動化のために機械学習/AI運用を行うための目視業務が発生することもあったのですが、こういったサービスを組み込むことで目視チェックもAWSのサービスの中に組み込めるというのはすごいこと感じています。
より一層、機械学習/AIが運用されていく世界観がAWSによって進んでいきそうですね!

参考リンク

公式ドキュメント


re:Invent 2019 で発表された Amazon AI 関連のアップデート情報をマッピング

この記事は株式会社ナレッジコミュニケーションが運営する Amazon AI by ナレコム Advent Calendar 2019 の5日目にあたる記事になります。

はじめに

毎年11月下旬~12月上旬に開催されるAWSのカンファレンス re:Invent の中で、年々AI系のサービスのアップデートの数が増えてきています。
この記事では re:Invent2019 の中でAI/ML系のサービスのみに着目してAWSの成長を見ていければと思います。

昨年のre:Inventの発表と表の見方

去年も同様の記事を作成しております。
マッピングは以下の方針で行っています。

  • 上方向 : ビジョナリーなサービス
    • DeepRacerなどが代表的だと考えています
  • 下方向 : すぐに実践投入が可能なもの
    • 最新インスタンスタイプなど、すぐ変更や代替ができるもの
  • 右方向 : マネージドですぐに利用ができるサービス
    • Forecast などAPIで利用可能なもの
  • 左方向 : インフラやハードウェアよりのもの
    • EC2インスタンスやDeepLensなどのデバイス寄りの製品

なおサービスがGAされていない、東京リージョンでは提供されていないといったことは考慮していません。

 

image.png

 

これを見る限り昨年はAPI系のサービスの拡充並びにハードウェア系の領域のアップデートが多かった印象ですね。中にはDeepRacerといった、かなり攻めたものもあった印象です。

 

re:Innvent2019 のAmazon AI関連の情報のマッピング

SageMakerをプラットフォームの中心にAIの運用/最適化がよりマネージドな形でされていっている印象を受けますね!
ほぼSageMakerのアップデート祭りというのが今年のre:Inventだったのではないでしょうか。

 

image.png

マネージドサービス

プラットフォーム

ハードウェア/インフラ

まとめ

AIループやフライホイールデータといった構想がAmazon SageMakerを起点に一気に進めていきそうですね。
ますますこれらのサービスをどう使ってなにを実現していくかが、これからの時代の肝になっていきそうです。
マッピングについてはあくまで個人の感覚知なのでざくっとどんな傾向かだけでも把握してもらえれば嬉しいです!


【初心者でも使える】AWSが提供する文書解析サービス「Amazon Comprehend」が日本語対応したので触ってみた!

はじめに

Amazon Comprehendという機械学習のサービスの一つをご紹介致します!
プログラミングもいらず、機械学習の前提知識もいらない、直感的に自然言語処理ができます。
私JJも気軽に挑戦できますね!

 

Amazon Comprehendで何ができるの?

Entities(固有名詞抽出)

属性。データテーブルのようなものですね。
日付やイベント、特定の場所、企業や人、量やタイトル及びその他を抽出できます。

タイプ 説明
日付 曜日、月、時間
場所 国、都市、湖、建物
組織 政府、企業、宗教、チーム
個人、グループ、人物
通貨、パーセンテージ、数値、バイトなどの定量化された量
タイトル 映画、書籍、歌、作品に付けられた公式名

Key phrases(キーワード抽出)

重要なフレーズとなる特徴的な名詞を抽出できます。会話のポイントだったり特徴的なキーフレーズであることを裏付ける信頼性スコア(フレーズの検出がアプリケーションにとって十分に高い信頼性を持っているかどうか)を出してくれます。以下Amazonの資料から。

image.png

Sentiment(感情分析)

4種類で表した感情の分析ができます。肯定的、否定的、中立的(感情の振れ幅が一定)、または混在。
たとえば、センチメント分析を使用して、ブログ投稿に対するコメントのセンチメントを判断し、
読者が投稿を気に入ったかどうかを判断できます。

image.png

実際に触ってみました

小説「そして、バトンは渡された/瀬尾まいこ」さんのAmazonのレビューを分析してみました。

Amazon Comprehendのページに行ったらReal-time analysisを左メニューから選択。
Input textにテキストを貼り付けてAnalyzeのボタンを押すだけ。(本当に何も難しいことがない、、、!)

image.png

Entities

 

2019-12-04_11h39_08.png

 

赤線が引かれ、数値というよりはタイトルになりそうな言葉が抽出されています。

 

Key phrases

 

2019-12-04_11h38_50.png

 

こちらでは青線が引かれ、感情や叙情的フレーズ、特徴的な動詞が抽出されています。
エンティティよりキーフレーズの方が抽出量も多いです。

 

Sentiment

 

2019-12-04_11h38_32.png

 

個人的に一番気になっていたセンチメントも98%肯定的でポジティブなレビューであるという分析結果!

 

マイナスな文章はどうなる?

2019-12-04_16h15_32.png

 

しっかり辛口なレビューであることがわかりますね。「幸せな」あたりから微量なポジティブを抽出しているのでしょうか。
「期待しすぎた」「捻くれている」
こんな細かな混在した気持ちも分析してくれています。想像以上です。

企業公式アカウントのTwitterでSHARP株式会社「シャープさん(@SHARP_JP)」が「炊飯器発売のお知らせ」で呟いた友永構文のシュールなツイートも分析してもらいました。(個人的な興味で)

 

2019-12-04_11h13_49.png

 

感情が深すぎます。

 

価格

Amazonお馴染みの従量課金制です。初回一年は無料枠が使えます。
エンティティ認識、感情分析、構文解析、キーフレーズ抽出、言語検出のリクエストは
100 文字で 1 ユニットとして計算され、各リクエストにつき 3 ユニット (300 文字) が
最低料金となります。こちらもAmazonの料金説明から抜粋しています。

image.png
image.png

最後に

ここまで抽出や分析ができると、テキストから最善の回答を得る、トピック別にドキュメントを整理する
独自のデータでのモデルのトレーニング、業界に特化したテキストのサポートが簡単に実現できそうですね!
例えば、顧客が満足か不満足かに関して頻繁にコメントのある製品について
その特徴を特定することができます。

製品レビュー、ソーシャルメディアフィード、ニュース記事、ドキュメント、その他のソースからテキスト内の意味や関連性も検出できるのでこれから沢山活用できそうです!

公式サイトリンク

https://aws.amazon.com/jp/comprehend/


Amazon SageMaker で Python データサイエンス入門その1

今回は Udemy で Python のデータサイエンス入門をやったので、その内容を記事にまとめました。
受講した Udemy のコース
【ゼロから始めるデータ分析】 ビジネスケースで学ぶ Python データサイエンス入門

Udemy のコースの内容は、3つの記事に分けて投稿します(今回は、その1)。
・その1. Amazon SageMaker の環境構築、事前準備、基礎分析と可視化について ←【本稿】
・その2. 線形回帰を用いたお弁当の売り上げ予測
・その3. 決定木を用いた銀行の顧客ターゲティング
※ Udemy では Anaconda を使用してますが、自分は Amazon SageMaker を使用しました。
※環境構築についても Amazon SageMaker を使用した手順を記載します。Read more


How to Choose Your First AI Project 和訳してみた

今回は2019年2月6日に Harvard Business Review に掲載されていた記事を、簡単にまとめてみました。元記事の執筆者は、Coursera の Machine Learning でも有名な Andrew Ng 氏です。

■ How to Choose Your First AI Project
https://hbr.org/2019/02/how-to-choose-your-first-ai-project

Andrew Ng 氏と、彼が提供している Coursera のコースについては下記 URL を参照下さい。
■ Andrew Ng
https://www.coursera.org/instructor/andrewng
■ Machine Learning
https://www.coursera.org/learn/machine-learning

記事の内容

この How to Choose Your First AI Project は、最初に取り組むべき AI project についての記事となっております。
記事では、最初に取り組むべき AI project は pilot プロジェクト(簡単に言うと、検証実験レベルのもの)であることを前提として話しております。Pilot project から始めることで、企業側は AI 製品を作り出すためのノウハウや知識を得ることができるため、と筆者は述べています。

5 traits of a strong AI pilot project

ここでは、ステークホルダ達に投資してもらうために企業が取り組むべき AI pilot project として必要な5つの条件について紹介されています。その5つの条件は、以下となります。

・Does the project give you a quick win?(短期間で達成可能なプロジェクトか?)
6~12ヶ月で成功率の高いプロジェクトを、できれば複数行うのが理想

・Is the project either too trivial or too unwieldy in size?(プロジェクトの規模は適切な大きさか?)
少なくとも今後の AI project の投資に繋がるだけの価値のある内容かどうか

・Is your project specific to your industry?(project は業界のニーズに合っているか?)
同業に成果やメリットが伝わりやすい AI project を行うこと

・Are you accelerating your pilot project with credible partners?(信用できるパートナと pilot project を行えているか)
project を早く完了するには、外部からの信頼できるパートナも重要である

・Is your project creating value?(project は価値を生んでいるか?)
AI project は主に以下の3つのどれかの価値を生むが、それが生まれているかどうか
コスト削減
収益アップ
新たなビジネス
以上が、AI pilot project として企業が取り組む際に必要な5つの条件です。

Setting up your AI project for success

5つの条件は分かったところで、AI project を成功させるには、実際にどの様な準備が必要になるのでしょうか。
その準備内容は、主に下記の4つとなります。

・Appoint a leader(リーダを選ぶ)
職場の部門や部署の垣根を越えて働くことができ、そして AI との橋渡しもできる人材(つまり万能な人)

・Conduct business value and technical diligence(ビジネス的価値と技術的成果)
ビジネス上の価値だけでなく、技術的にも可能かどうかは確認すること

・Build a small team(少人数チームを編成)
15人くらいの少人数チームで始められるものが望ましい

・Communicate(社内の人間に周知させるというPR的な活動)
自分たちの プロジェクト を社内の人間や CEO に周知させるといったアピールも重要

おわりに

How to Choose Your First AI Project の記事の簡単なまとめは、以上となります。
これから AI の実装や導入を行おう、または プロジェクト に取り組もうと考えている方は、ぜひ一度この記事を読んで見て下さい。


AWS Marketplace にある Amazon SageMaker についてまとめてみた

はじめに

AWS マーケットプレイスにて提供されている Amazon SageMaker について簡単にまとめてみました。
詳しい内容については、下記のリンクを参照して下さい。

■ AWS Marketplace の Amazon SageMaker リソース
https://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/sagemaker-marketplace.html

Amazon SageMakerとは

Amazon SageMakerの主な特徴は3つあります。

・フルマネージド型
・機械学習モデルの構築やトレーニングが簡単に可能
・既存の機械学習アルゴリズムも利用可能

ユーザ側で特に機械学習の準備をしなくても、SageMaker を使用することで簡単にモデルの構築やトレーニングができるサービスです。

AWS MarketPlace にある Amazon SageMaker

AWS MarketPlace では、ユーザや企業が提供しているプロダクトを閲覧できます。

コンソール画面で、SageMaker と入力


左下の AWS Marketplace を選択


写真の項目をそれぞれ選択することで、MarketPlace にて提供されている SageMaker のモデルパッケージを閲覧できます。

今回は、MarketPlace に SageMaker のモデルパッケージを提供している企業の中で、提供数が多かった企業とそのプロダクトについて、それぞれ簡単に紹介したいと思います。

〇AWS
・幅広いクラウドサービスを提供
・様々なプロダクトがあるので、まず最初に見るべき先

〇ThingLogix Inc
・IoT関連のサービスを提供
・プロダクトは主に Prediction 関連

〇Sensifai
・映像・画像・音声を対象としたサービスを提供
・プロダクトは主に画像・映像を対象とした Recognition 関連

〇Persistent Systems
・ソフトウェアを開発している
・プロダクトは主に Classification、Identification、Detection など

〇Perception Health
・医療やヘルス関連のサービスを提供
・プロダクトは主に Predicton 関連

〇Twinword Inc.
・テキスト解析の API などを提供
・プロダクトは主に Inference model など

〇Cloudwick
・オープンソースやビッグデータを対象としたプロダクトを提供
・プロダクトは主に Prediction 関連

〇Figure Eight
・MLをアシストする役割のプロダクトを提供
・主なプロダクトは classify 系(CPU, GPU)

〇RocketML
・複雑で巨大なデータセットに対応
・主なプロダクト は Analysis、Classification、Detectionなど

おわりに

AWS MarketPlace にある Amazon SageMaker についてまとめた内容は、以上です。今回紹介した企業とその機械学習サービス以外にも、様々な企業がサービスを提供しております。
SageMaker を利用したいけど、モデルをどうするかで悩んだ際は、ぜひ MarketPlace を利用してみて下さい。

 

SageMakerの導入ならナレコムにおまかせください。

日本のAPNコンサルティングパートナーとしては国内初である、Machine Learning コンピテンシー認定のナレコムが導入から活用方法までサポートします。お気軽にご相談ください。

ソリューションページはこちら