aws-recipe-user

Amazon Cloudwatch Anomaly Detection を使用したアラーム設定

こんにちは。
ナレッジコミュニケーション　繁松です。

最近、Amazon Web Services ブログで無人販売冷蔵庫プログラムの記事を拝見したのですが
処理のほとんどをLambdaで行い、何を購入したかの判断には機械学習の技術でカメラで撮影した画像から検出させ、機械学習のモデル作成にはAmazon SageMakerを使用しており、
冷蔵庫×クラウド&機械学習 というとても面白い内容となっていました。

■記事URL
https://aws.amazon.com/jp/blogs/news/smart-cooler/

本日は前回の続きで「Amazon Cloudwatch Anomaly Detection」を使ったアラームの設定と、実際に設定したアラームの発報状況について書きます。
ナレコムAIサイトを運用しているインスタンスに対し、CPU使用率のアラームの設定を行いました。

ほとんど通常のCloudWatchアラームの設定手順と同じで簡単に設定できます。

1.アラームの作成

CloudWatchから[アラームの作成]をクリック

2.メトリクスの選択

対象のメトリクスを選択し、[グラフ化したメトリクス]タブに移動
数式>異常検出>バンドの計算　を選択

するとAnomaly Detectionが設定されたメトリクスが表示されるので[メトリクスの設定]をクリック

3.メトリクスと条件の指定

しきい値の種類：異常検出

アラートの条件：バンドより大きい

今回はCPU使用率が異常検出の値よりも大きくなったときに発報させます。

異常検出のしきい値：10

様子見で異常検出のしきい値は10で設定します。
数字が大きくなれば、異常とみなす値の幅も広がります。

4.アクションの設定

アラーム状態とOK状態に通知が来るよう設定を行います。

5.アラーム名

アラーム名を入力したら、[アラームの作成]をクリックして完了です。

アラームの発報状況とメトリクス

7月14日6時0分 ～ 7月17日11時0分　の発報件数は12回。
異常検出のしきい値の幅が小さすぎたのか、思ったよりも多い発報だったので、しきい値の調整を行います。
青丸をつけているところが異常検出のしきい値の範囲内に収まるように調整してみます。
実際のグラフです。

異常検出のしきい値：10→15
変更後のグラフを確認すると、通知の必要のなさそうなアラーム発報の対象箇所が減りました。

アラームの発報を確認しながら異常検出しきい値の目安をきめていくのが良さそうですね。
メールを確認したところ、急なCPU上昇の場合は事前に通知が来ていることがわかりました。

AutoScalingと組み合わせるとより安定した運用が可能になりそうですね。

by aws-recipe-user

Amazon Cloudwatch Anomaly Detectionとは

こんにちは。
ナレッジコミュニケーション　繁松です。

本日は機械学習初心者でも簡単に導入、設定ができるAmazon Cloudwatchの異常値検知機能
「Amazon Cloudwatch Anomaly Detection」とはなにか、料金は、設定方法などについて書きます。

CloudWatch Anomaly Detectionとは

Cloudwatchメトリクス上の異常値を自動検出ができる機能です。

Cloudwatchアラームの閾値を設定する際に、どの閾値で設定するのが適正か悩ましいですよね。
平日と休日、日中と深夜、セール時期など閾値の設定は動的に行う必要があります。
そんな時にアラームをより効果的に使用するのに役立つ機能がCloudWatch Anomaly Detectionとなります。
CloudWatchの12000以上の内部モデルを持ち、機械学習により異常値（アノマリー）を自動検出できます。

実際のグラフです。

異常検出を設定したグラフでは、予期される値の範囲が予想値としてグレーで表示され、
グレーの範囲を超える場合は異常値として赤線で表示されます。

料金

標準解像度異常検出 アラームあたり 0.30USD

となっています。
標準解像度メトリクスで Amazon CloudWatch Anomaly Detectionを有効にし、5つのメトリクスにアラームを設定した場合の月額料金は、以下のように計算されます。

5つの標準解像度の異常検出アラーム = 標準解像度異常検出アラームあたり 0.30 USD * 5 つのアラーム = 月あたり 1.50 USD
CloudWatch の月額料金 = 1.50 USD/1 か月

CloudWatch Anomaly Detectionの設定方法

設定方法はとても簡単です！！！

1. Cloudwatchメトリクスから設定したいメトリクスを選択します。
2. Anomaly Detectionをオン！！

これだけです。

実際に弊社が運営する技術ブログサイト(本サイトです)で確認してみたいと思います。
今回はCPU使用率に設定してみます。

メトリクスを選択し、波線の箇所をクリック。

これだけで、機械学習で予測した予想値と異常値が確認できます！

トレーニングから取り除きたい期間がある場合は、モデルの編集から除外する期間を指定します。

次回、アラートの設定手順と、実際のアラート発報状況について記載していきます。

by aws-recipe-user

Amazon Transcribe Medicalについて調べてみた

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6日目にあたる記事になります。

はじめに

今回のメインテーマについて触れる前にAmazon Transcriveについておさらいします。

Amazon Transcribeは自動音声認識 (ASR) サービスです。
Amazon Transcribe APIを使用すればS3に保存されたオーディオファイルから音声を文字起こしし、テキストファイルを返したりといったことも実装できます。
またAmazon Transcribeを使用すれば文字起こしのストリーミングをリアルタイムで受け取ることも可能です。
そして2019年11月には日本語も対応しました！待ち望んでいた方も多いのではないでしょうか。

料金体系も非常にシンプルで秒単位の課金になります。
例えば東京リージョンの価格は1 秒あたり 0.0004USD のレートで月ごとに課金されます。
30分のビデオを文字起こししたとしても100円かからない程度です。お得ですね。
※15 秒未満のリクエストについては 15 秒分の料金が発生します。

Amazon Transcrive Medical リリース！

Amazon Transcrive MedicalはAmazon Transcribeの新しい認識機能で医療分野で活躍するサービスです。
電子医療記録 (EHR) システム(※1)の標準化が進んできたこともあり、医者と患者の会話などを記録することが重要になってきました。
Amazon Transcrive Medicalはそういったニーズに応えた臨床メモなどを記録することに特化したサービスです。
※1　
異なる医療機関・健康関連組織で別々に管理されている個々人の健康・医療情報を地域／国レベルで集約・統合して共同利用する仕組みのこと。

特長

医療業界ではあまり一般的ではない専門用語が数多くありますが、Amazon Transcrive Medicalはそういった単語もカバーします。
また従来の文字起こしサービスの課題であった「点」「丸」「カンマ」「ピリオド」などを言う必要もないのも特徴です。
さらにAmazon Transcrive MedicalはHIPPA(※2)適格の対象です。
MT Samples から匿名化された実際の医療記録をサンプルとして使用できるのでぜひ試してみてください。
※2　
1996 年に制定された米国における医療保険の相互運用性と説明責任に関する法令

提供リージョン

2019年12月現在Amazon Transcribe Medical は米国東部 (バージニア北部) と米国西部 (オレゴン)リージョンで利用できます。

最後に

AWSが提供するAIサービスはAmazon Transcrive Medicalのように業界に特化したサービスもちらほら提供され始めましたね。
cloudは使えないといった業界は今後どんどん縮小していくのでは、と感じさせる興味深いアップデートでした。

by aws-recipe-user

AIが自動的にコードレビューする「Amazon CodeGuru」

AWS re:invent 2019の基調講演にて、新サービス「Amazon CodeGuru」が発表されました。

Amazon CodeGuruとは

機械学習で自動的にコードレビューを行うことができる、プログラミングに関わるほぼすべての企業やデベロッパーにとって嬉しいサービスです。Amazonが自社プロダクトのために行ってきた数十万の開発プロジェクトとGitHubの10,000を超えるオープンソースソフトプロジェクトをもとにして開発されました。

AWSのベストプラクティスに則っていない部分やリソースリーク、潜在的な同時実行の競合状態、CPUサイクルの浪費などのコードの問題、脆弱性などの「問題がある（ありそうな）」ソースの場所を教えてくれます。
CodeGuruには、CodeGuru Review」と「CodeGuru Profiler」の2つの機能があります。

「CodeGuru Review」とは

「CodeGuru Review」はベストプラクティスから逸脱している部分やページングの欠落、バッチ操作のエラー処理など、本番に影響がある可能性のある部分を検出する手助けをしてくれます。
公式ウェブサイトには「夜に目を覚ましてしまう様なコードを見つける」とあります (プログラミングをしている人なら経験があると思います)。プルリクエストしてコードレビューを依頼するなどの対策をしても、ちょっとしたミスでサービスに大きな影響があるバグが発生してしまわないかという恐れは常に抱えているものです。コードレビューをいつでも24時間365日利用できるというのは、開発者にとってこの上ないほど心強いサービスです。

「CodeGuru Profiler」とは

「CodeGuru Review」が本番運用に影響があるコードを見つけるサービスであるのに対して、「CodeGuru Profiler」はコスト削減を目的としたサービスです。

CPUを大量に使う処理や再実行などによる過剰なコンピューティングリソースの使用を検出し、AWS上でコスト効率よく稼働するプログラムを作成するサポートをしてくれます。ゲーム会社などアプリケーション開発の経験値が高い企業であればこれを十分に考慮したうえでコーディングするノウハウが蓄積されていますが、そのような知識を持っている技術者がいなくてもコスト削減のためのコードチェックを行うことができます。「コストが下がる」ケースの多くは同時に処理速度も早くなる可能性が十分にあり、多くの開発現場で役立つサービスです。

早速「CodeGuru Review」を使ってみた

CodeCommitで Source > Repositories > Settings > Amazon CodeGuru Reviewer で設定を有効にするだけで利用可能です。

以後、Pull Requestを実行すると自動的に CodeGuru Review も実行され、特に何もなかった場合は Pull requests > Activity に以下のように表示されます。なお、あえてバグを作ってチェックしてみましたがバグ自体のチェックは行われないようです。(IDEでチェックできるので、あえてチェックしていないのかもしれません)

逆に本番に影響ある可能性があるコードについては以下のように表示されます。どのプログラムのどの行でどんな問題があるかを教えてくれます。

「利用料金」は

「CodeGuru Review」は1か月にスキャンされるコード100行あたり0.75ドル
「CodeGuru Profiler」はサンプリング時間あたり0.005ドル/月（ただし、1アプリケーションプロファイルで36,000サンプル時間は無料）
となっています。

例えば、200行のプルリクエストに対して「CodeGuru Review」を利用すれば 20.75ドル=1.5ドルとなります。1つのプロジェクトで1ヶ月10プルリクエストあり、プルリクエストあたり平均300行だとすると、10回3(00行)*0.75=22.5ドルとなります。
プルリクエストとコードレビューに要する時間を考慮すると、この金額は驚異的です。

「CodeGuru Profiler」はプログラムを実行するEC2、ECS、EKS、Fargate上のCPU使用率とレイテンシー特性をサンプリングしてくれます。1インスタンスで利用した場合は1アプリケーション1インスタンス24時間*30日=720サンプル時間となり、3.6ドルとなります。台数及びアプリケーションが増えるとコストも増えますが、過剰な処理が行われている部分を見つけてくれるので、安定稼働するまでは有効するといった利用方法も可能と思われます。

どんな言語が使えるの

2019年12月現在、Javaのみ対応となっています。「より多くの言語をサポートする予定」となっているので、機械学習と相性が良いPythonの対応が楽しみです。

by aws-recipe-user

Amazon Comprehend を利用した口コミの感情分析

はじめに

今回は AWS の提供する自然言語処理(NLP)サービス Amazon Comprehend を利用して文章の感情分析を行います。
弊社の運営する スクール検索口コミサイト の口コミを利用して感情分析を行い、弊社の口コミサイトの現状を確認してみようと思います。

Amazon Comprehend とは

AWS の提供する自然言語処理(NLP)サービスです。文章を入力として与えることで、エンティティやキーフレーズ、主要言語の検出ができたり、感情分析や構文分析、トピックモデリングができます。
また、AutoMLを利用することで、自然言語処理の専門知識なしでカスタムモデルが作成でき、文章を独自のカテゴリに分類したり、特定の用語や名詞ベースでのエンティティ抽出が行えます。
https://aws.amazon.com/jp/comprehend/
こちらでは、AWS Comprehend の利用例が記述されています。
※英語のため、Google のページ翻訳を用いて読むことをお勧めします。
2019年11月7日に日本語対応となったためご紹介いたします。

今回やること

弊社の運営する、スクール検索口コミサイトの口コミ感情分析を行います。
運営する口コミサイトが現状どのような場として利用されているのか、口コミの感情から傾向を読み取ろうと考え、検証に至りました。

データの準備

解析したい文書を1行ごとにテキストファイルに追加します.
口コミサイトより、約4万6千件の口コミを入手し、各口コミを1行ごとに追加しました。
※1行当たり5120バイトまでという制限があります。

データを S3 にアップロード

Amazon Comprehend は日本語対応したものの、まだ東京リージョンでは扱えないため、連携する S3 バケットを　Amazon Comprehend で利用できるリージョンで作成する必要があります。
以下に Amazon Comprehend が対応しているリージョンを示します。
対応リージョン
欧州(ロンドン)
欧州(アイルランド)
アジアパシフィック(シンガポール)
アジアパシフィック(シドニー)
欧州(フランクフルト)
米国東部(バージニア北部)
米国東部(オハイオ)
カナダ(中部)
米国西部(オレゴン)
※2019/11/27時点
・s3 バケットを対応リージョンで作成します。

・作成したバケットの任意の場所に、文章データをアップロードします。

Amazon Comprehend で 感情分析

・s3 バケットを作成したリージョンにいることを確認し、Amazon Comprehend を開きます。

・Launch Amazon Comprehend クリックします。

・サイドバーから Analysis jobs を選択し、Create job をクリックします。

・Name : 任意のジョブ名を付けます。
・Analysis type : 分析に利用するタイプを選択します。今回は感情分析をおこなうため、Sentiment を選択します。
・Language : 解析する文章の言語を指定します。

・Data source : 利用するデータソースを選択します。
・S3 location : 入力データの保存先を指定します。
・Input format : 入力データのフォーマットを選択します。今回は1ファイルの各行に文章を保存したため、 One document per line を選択します。

・S3 location : 以下に出力先 s3 パスを入力します。

・作成した s3 バケットへの入力、出力を許可するロールを選択してください。

・Create job をクリックします。

・ジョブを作成したら、Status が Completed になるまで待ちます。
・6722465文字のデータに対して、7分ほどで解析は終了しました。

実行が完了したら、ジョブから解析結果の保存先パスが確認できます。

・解析結果は以下の形式で保存されています。
SentimentScore には文書がその感情である確度を示すスコアが入ります。

[crayon-60396e17e0ed8358149981/]

解析結果

口コミサイトの口コミ感情分析を行った結果は以下のようになりました。

まず一番、多いのが NEUTRAL でした。
次に多いのが、NEGATIVE でした。
この結果から、弊社の運営する口コミサイトでは基本中性的な口コミばかりだが、ネガティブな口コミも比較的多くみられることがわかりました。

料金

今回の検証にかかった料金を以下に示します。
・感情分析の利用料金

※1ユニット = 100文字
・今回利用したユニット数
6722465文字 / 100 = 約67224ユニット
・利用料金
67224 * 0.0001USD = 6.7724 USD

おわりに

今回は、Amazon Comprehend を利用して口コミの感情分析を行ってみました。
約4万6千件ものデータをたった7分、しかも700円ほどで解析できてしまいかなり驚きました。
会社やイベント等のアンケートやレビューを安く、早く、簡単に分析したい。
そんな場合は、ぜひ Amazon Comprehend を利用してみてはいかがでしょうか。

by aws-recipe-user

Amazon Braket 破壊的なフルマネージド型量子コンピュータサービス

量子コンピュータはガートナーの「2019年の戦略的テクノロジ・トレンドのトップ10」にも選定されているサービスで、
そう遠くない未来にビジネスでの実利用が可能になると言われています。
そんなサービスが、早くもAWSのフルマネージドサービスとしてリリースされました。

初めて量子コンピュータを調べたときには、まず宇宙（量子）の話から始まり哲学の話にも進み・・・と非常に焦ったことを覚えています。
数年後に無料体験できるサービス上でマックスカット問題のシミュレーションを動かし、大きな可能性を感じました。

量子コンピュータとは

「量子力学の原理」を利用して計算する次世代コンピュータです。
スーパーコンピュータを超えるものだとする記事も見られますが、正確には特定の処理に特化したスペシャリストのようなコンピュータで、超並列処理が得意という特性を持っています。

n 量子ビットがあれば、2ⁿの状態を同時に計算出来るので、「組合せ最適化問題（様々な条件下での最適な組み合わせを選ぶ）」のような多くの組み合わせから、条件に合わせて最適なものを選ぶような演算に向いていると言われています。
量子コンピュータはハードウェアからして従来のコンピュータと異なります。

※画像は「Amazon Braket – Get Started with Quantum Computing」から引用

量子コンピュータは万能か

量子コンピュータは、前述の通り特定の処理に特化したコンピュータです。
そのため、量子コンピュータの活用に向いている処理であるかどうかを見極める必要があります。
今後、量子コンピュータの利用が一般的になるにつれて、Python等で利用できるライブラリが増え、現時点では不得手な処理に対しても適用できるようになる可能性が高いと思われます。

量子コンピュータでしか出来ないことはあるのか

YesでありNoです。量子コンピュータ以外のコンピューティングリソースのスペックが飛躍的に上がっています。
加えて、「総当り」から「当たりをつける」ような組み合わせ問題の解決方法の開発が進んでおり、
従来ではスーパーコンピュータでも難しく量子コンピュータでしか出来ないと言われていた演算も出来るようになってきています。

Amazon Braketの何がすごいのか

ハードウェアを所有する必要がないという点はもちろんですが、
プログラミングスキルや専用知識が必要だった量子コンピュータを、jupyter notebook 形式のインターフェースでフルマネージド型のサービスとして扱うことができる点が大きいです。
従来であれば、数ある量子プログラミング言語から目的にあった言語を覚え、量子コンピュータの実行環境を準備するという莫大なコスト と工数をかけなければ利用できなかった量子コンピュータを簡単に利用することが出来ます。
ハードルが高かった量子コンピュータを一般的に利用できるようになることで、利用できる範囲が飛躍的に増え、更に利用シーンが増えていくと思われます。

参考記事

「量子コンピューターの “よくある誤解” Top10」

by aws-recipe-user

Amazon Forecast を利用して、お店の商品の売り上げ予測をする。

はじめに

今回は、kaggle の Store Item Demand Forecasting Challenge のデータを使用して、お店の商品の売り上げ予測を Amazon Forecast で行います。

・Store Item Demand Forecasting Challenge
https://www.kaggle.com/c/demand-forecasting-kernels-only
このデータセットには2013/1/1~2017/12/31日までの毎日の売り上げが、各店の各商品ごとに用意されています。
店舗は10店、商品は50品用意されています。
以下、データの初め5行になります。

Amazon Forecast とは

Amazon Forecast とは、機械学習を使用して精度の高い予測を行うフルマネージド型のサービスで、履歴のあるデータセットであれば、どのような時系列データからでも予測結果を生成できます。

今回利用するデータ

今回はStore Item Demand Forecasting Challengeの train データから以下のデータを抽出し、学習テストデータとして利用します。

学習データ
・store 1 の item 1
・2013/1/1~2017/10/31 までの毎日の売り上げ

テストデータ
・store 1 の item 1
・2017/11/1~2017/12/31 までの毎日の売り上げ

実践

・awsコンソールから forecast を開きます。

データセットグループの作成

・Create dataset group をクリックし、データセットグループの作成をします。

・データセットグループの設定を行います。
-Dataset group name : 任意のデータセットグループ名を入力します。
-Forecasting domain : データセットドメインの設定。今回は小売り予測のため Retail を選択します。
データセットドメインの詳細はこちらを参照してください。

データセットの設定

・データセットの設定を行います。
-Dataset name : 任意のデータセット名を入力します。
-Frequency of your data : 時系列データの区切りを選択します。今回のデータは日にち区切りなので 1day を選択します。

・Data schema : データの保存形式に合わせてスキーマを設定。データドメインごとに必要な情報が変わるので、先ほどのドメインからデータセットタイプを参照してください。

データセットのインポート設定

・データセットのインポート設定を行います。
-Dataset import name : データセットインポート時の名前を入力します。
-Timestamp format : 入力データに合わせてタイムスタンプを設定します。
-IAM Role : 読み込みを行う、対象のs3バケットへの権限を付与したIAMロールを指定します。
-Data location : s3 に保存している、入力ファイル(csv)パスを入力します。

予測子の作成

・Target time series data のステータスが Activeになったら、Predictor training の Start をクリックし、予測子の作成をします。
※他にも、item metadata data や Related time series data といったデータをインポートできます。データセットドメインごとに、各データに推奨される項目があり、推奨項目を入力することで精度があがるとされています。今回はインポートしません。

・予測子の設定を行います。
-Predictor name : 予測に付ける名前を入力します。
-Forecast horizon : どれだけ先まで予測を行うか設定します。
-Forecast frequency : 予測の区切りを設定します。
-Algorithm selection :アルゴリズムの設定をします。今回は、最適な手法を自動で見つけてくれるAutomaticを選択します。
-Forecast dimentions : 通常予測はitem_id毎に行われますが、必須ではないパラメータを入力として与えていた場合、そちらを対象に予測を行えます。
-Country for holidays : 国ごとの祝日を考慮するように設定できます。
-Number of backtest windows: 学習時の検証用データをいくつ切り出すか設定します。
-Backtest window offset : 切り出す検証用データのデータ数を設定します。


・Predictor training が Active になったら、予測子の作成が完了です。

・サイドバーからPredictor をクリックし、予測子の詳細を確認できます。

・予測子を開くと、AutoMLで選ばれたアルゴリズムや、精度の指標となるwQLやRMSEなどを確認できます。

・結果を確認したら、右上の Create a forecast をクリックし、予測を行います。

予測

・予測の設定を行います。
-Forecast name : 予測の名前を入力します。
-Predictor : 利用する予測子を選択します。

予測結果の可視化

・予測が完了すたら、Dash board から Lookup forecast をクリックします。

・予測の表示設定を行います。
-Forecast : 利用する予測を指定します。
-Start date : 表示するデータの開始時間を設定します。
-End date : 表示するデータの終了時間を設定します。
-Choose the keys you want to use to filter your forecasts : 予測結果を表示する item を選択します。

・実行すると以下のように設定した範囲のデータが表示されます。
左側の黒いグラフが学習データ、右の色つきのグラフが予測結果になります。
予測が正確か確認するために、予測結果をダウンロードし、テストデータと比べます。

予測結果のエクスポート

・サイドバーから Forecasts を選択し、作成した予測をクリックします。

・右下の Create forecast export をクリックします。

・エクスポート設定を行います。
-Export name : エクスポートの名前を入力します。
-Generated forecast : エクスポートする予測を選択します。
-IAM Role : 対象のS3への書き込み権限のあるIAMロールを設定します。
-S3 forecast export location : 予測結果を保存する s3 パスを入力します。

・export が Active になったらエクスポート完了です。

・対象の s3 パスに無名のフォルダが作成され、フォルダ内に予測結果が csv 形式で保存されています。

予測結果の比較

p50 の予測結果をテストデータ と比べてみます。
青がテストデータ、オレンジが予測結果となります。
おおむね、特徴はとらえられているかと思います。

上記グラフにp10、p90 を追加したグラフが以下になります。

Amazon Forecast の料金

以下にAmazon forecast の費用を示します。

今回の検証にかかった金額

おわりに

今回は、Amazon forecast を利用して小売り予測をしてみました。
時間、商品番号、売り上げデータのみで、これだけ予測が得られるのには驚きました。
更にパラメータを追加することで精度が上がるようなので、もう少し複雑なデータセットで試してみてもいいかもしれないです。

by aws-recipe-user