はじめに

はじめまして、NATSUOです。
今回は、5月25日,26日に開催された AWS Summit Online のセッション「ビジネス課題を解決するための AWS AI サービスの始め方(AWS-40)」について記述していきます。

セッション概要

■ タイトル

ビジネス課題を解決するための AWS AI サービスの始め方(AWS-40)

■ スピーカー

アマゾン ウェブ サービス ジャパン合同会社
AWS 技術統括本部 ソリューションアーキテクト 辻 浩季 さん

■ 概要

昨今、機械学習の適用範囲は拡大し続けており、様々な分野で導入進んでいます。本セッションでは、解決したいビジネス課題に対してどのように機械学習の適用を考えていくのかを解説します。また、AWS の AI サービスである Amazon Personalize 、Amazon Forecast のデモや便利な使い方をご紹介しながら、レコメンデーション・需要予測といった具体例に沿ってAWSのAIサービスを用いた課題解決方法・既存システムへの導入方法をご紹介します。

■ 関連キーワード
AWS AI , AWS ML , Amazon Personalize , Amazon Forecast

■ 見てほしい人
–  ビジネス課題を抱えており、AWS の AI/ML サービスを導⼊することで解決できないかと、考えているIT部⾨の意思決定者や開発者の⽅
–  機械学習に少し興味があり、手順を知りたい方

レポート

発表内容

・ AWS の AI サービス概要
・ AWS の AI サービスの導入手順_ユースケースの特定
・ レコメンデーションのユースケースの場合
・ 需要予測のユースケースの場合

AWS の AI サービス概要

現在、機械学習の適用範囲は拡大し続けているそうです。
なので、今のうちに知っておくのがいいのかなと思いました。

[支出の増大]
– 2024年までに、AIに関する世界的支出は1100億ドルに達成する　 – IDU
[検討から運用へ]
– 2024年末までに、75%の企業が検討フェーズから運用フェーズへ移行する  　- Gartner
[AIによる変革]
– 3年以内に57%の組織がAIによる変革を実現させる　　- Deloitte

機械学習には様々な利点があります。
1. ビジネスの効率化・最適化
2. よりスマート より速い意思決定
3. 既存製品への新機能追加
4. 新製品の発明

世界中のあらゆる業界のほとんどの企業が、辞書のアプリケーションやプロセスにAIを
追加したいと考えています。
しかし、自社で機械学習モデルを開発するスキルがあるとは限りません。

機械学習活用の実現方法はいくつかあります。

1. AWS
・AWS Professional Services

AWS クラウドを使⽤して期待するビジネス上の成果を実現できるようお客様をサポートできる専⾨家からなるグローバルチーム

・Amazon ML Solutions Lab

チームと機械学習の専⾨家を組み合わせて組織の投資収益率が最も⾼い機械学習に対処する機械学習ソリューションを特定して構築するよう⽀援

2. AWS Partner
・Find an AWS Partner

お客様のクラウドジャーニーを加速しAWS が提供する全ての利点をお客様が最⼤限活⽤するように⽀援

3. Do it yourself
・AWS Artificial Intelligence Services

ML の知識不要で簡単にアプリケーションにインテリジェンスを追加できるサービス

・Amazon SageMaker

フルマネージドインフラストラクチャ、ツール、ワークフローを使⽤してあらゆるユースケース向けの機械学習（ML）モデルを構築、トレーニング、デプロイを用いる方法

このセッションでは、Do it yourself の AWS Artificial Intelligence Services に照準をあわせてお話していました。

AWS の AI サービスの導⼊⼿順_ユースケースの特定

機械学習を導入する際の手順として

• ニーズにあったユースケースを⾒極める
• AWS の AI サービスやリファレンスアーキテクチャを調査する
• ソリューションを開発する

以上の3つの手順が必要となります。

この中でも特に重要なものが、「ニーズにあったユースケースを⾒極める」です。
AI/ML を導⼊してビジネスが成功するかは、適切なユースケースを慎重に選択することに懸かっているからです。

ユースケースの選定方法は、以下の３つです。

1. ビジネス価値のある問題を解いているか　- ビジネスインパクト
2. データは入手しやすいか　　　　　　 　 – データの入手性
3. 機械学習が適用しやすいか　　 　 　　- 機械学習の適応性

レコメンデーションのユースケースの場合

ユースケースに適したAIサービスの探し方

AWS Machine Learning のトップページに列挙されている代表的なユースケースを見て、目的にあったものを選択します。
そこには、そのユースケースに適応したAIサービスとリファレンスアーキテクチャが表示されます。

レコメンデーションのユースケースの場合では、「Amazon Personalize」を選択、使用方法のデモが流れていました。
デモは、セッションの動画の13:20から見ることができます。

簡単な開始方法としましては、

1. ユースケースにあったドメインの選択
2. データの形式を設定してAmazon Personalize にデータをインポート
3. インポートしたデータを訓練データとし、ドメインベースまたはカスタム可能なレコメンデーションモデルを構築
4. プライベートなレコメンデーション API を使⽤して、リアルタイムのレコメンデーションを取得

Amazon Personalize を既存のアプリケーションに組み込む際には、Amazon Personalize API を使用した自動化が可能なので、Amazon S3 にデータを格納することをトリガーに AWS Step Functions を用いて自動化することができます。既存のシステムから Amazon S3　に必要なデータを吐き出すことで、既存のシステムに導入することが可能となるそうです。

□ Amazon Personalize のまとめ

AWS の AI サービスやリファレンスアーキテクチャを調査する
– Amazon Personalize は⾼品質なレコメンデーションを提供できる AI サービス
– 数クリックでレコメンデーションモデルを学習できる
– Amazon Personalize API を⽤いて⼀連の操作を⾃動化することが可能
– S3 にデータを格納、他サービスと連携し既存のシステムに組み込むことが可能

ソリューションを開発する
– リアルタイムなイベントデータを記録すると、最新の学習データでレコメンデーションを⾃動更新できる

需要予測のユースケースの場合

需要予測のユースケースの場合では、Amazon Forecast の使い方と説明がありました。
デモは、セッションの動画の22:05から見ることができます。

簡単な開始方法としましては、

1. データの形式を設定して、Amazon Forecast にデータをインポートします。
2. Predictor は時系列予測を⾏う機械学習モデルです。インポートしたデータを訓練データとし、モデル構築を⾏います。
3. 構築したモデルで予測を⾏います。予測結果はコンソールから確認できます。

さらに、Amazon Forecast では Predictor の再学習を行うことができます。
– AutoPredictor で作成されたPredictor※ は、更新したデータセットを⽤いて再学習可能
– 新規に Predictor を再作成する時と⽐べ最⼤50%の時間を削減できる

方法
1. データセットの更新
既存のデータに追加で学習させたいデータを含めたデータセットを作成し、データセットをインポート
2. Predictorの再学習
・ コンソール画⾯から実⾏
・ CreateAutoPredictor API を⽤いて実⾏

□ Amazon Forecast まとめ

AWS の AI サービスやリファレンスアーキテクチャを調査する
– Amazon Forecast は⾼精度の予測を提供できるAIサービス
– 独⾃のモデルを⾃動で学習することができる
– Amazon Forecast API を⽤いて⼀連の操作を⾃動化することが可能
– S3 にデータを格納、他サービスと連携し既存のシステムに組み込むことが可能

ソリューションを開発する
– 追加データを含めたデータを⽤意し Predictor の再学習を⾏うことが可能

まとめ

AWS の AI サービスは機械学習の専門知識がなくても、既存のソリューションに導入することができます。その需要や始め方などを、解説していただきました。ビジネス課題に対して AWS の AI サービスを導⼊するまでの⼀連の流れを学べたと思います。

感想

機械学習や AI といったものは、専門的知識が求められるのではないかと、少し始めることに躊躇してしまうようなイメージがあります。私だけかもしれませんが…。なので、今回のセッションはとても勉強になりました。まだまだ、知らないAWSサービスが沢山あるので、しっかり勉強していきたいです。また、初めて記事を書き分からないことだらけでとても読みにくくなってしまったのが、本当に悔しいです。次回はもっと読みやすい記事書きます。よろしくお願いいたします。