日本郵船では、本船運航データ収集装置を 2014 年から約 200 隻の運航船に搭載。陸上に衛星経由でデータを送信し、データの見える化や分析を行っています。更に運転データの異常監視ロジックを開発し、一極で集中監視する組織 (RDC：Remote Diagnostic Center) をマニラに開設しました。この異常監視システムは AWS の AI/機械学習ソリューションを有効利用しています。本セッションではデータドリブンな運航管理に向け、進化し続ける本船 IoT データ活用、運用基盤についてご紹介します。
日本郵船株式会社 海務グループ グループ長代理 山田 省吾 氏
アンケートに 回答して AWS クレジット 25 USD を取得
回答する
49:56機械学習 (ML) の民主化が進み、誰でも簡単に機械学習を使えるようになってきました。AWS をご利用のお客様の中にも、ビジネスを加速させたり、サービスを改善するために機械学習を利用するケースが増えています。機械学習は強力なツールではありますが、うまく活用するためにはいくつかのポイントをおさえておくことが重要です。 このセッションでは、機械学習をビジネスでうまく使うために知っておきたいポイントやよ
25:032017 年に登場した Amazon SageMaker は、皆さまのML ジャーニーをサポートする機能を毎年リリースしてきました。一方で、多くの機能がリリースされてきたために、「SageMaker は機能が多すぎてどう使えばいいのかわからない...」とお困りの方もいらっしゃるのではないでしょうか。本セッションでは、SageMaker の機能を俯瞰し、ML ジャーニーにおける PoC やビジネス活
31:10Amazon SageMaker Canvas は、コードの記述や機械学習の専門知識を必要とせずに正確な予測を生成する機械学習モデルを簡単に構築することができます。本セッションでは、SageMaker Canvas の概要とこれまでの主要なアップデート、対象とするユーザーや使いどころについて紹介し、デモを通じてデータの準備からモデル構築、他チームとのコラボレーションへの理解を深めます。 アマゾン
29:52データ準備、モデル構築、学習、チューニング、デプロイなど、機械学習 (ML) ライフサイクルの多数のステップを経てモデルを本番稼働させ、ビジネス価値を創出するまでに、多大な時間と労力がかかっていませんか？Amazon SageMaker は、ML ライフサイクルの各ステップにローコードツールを提供し、フルライフサイクルをサポートしています。本セッションでは、SageMaker のローコード機能 D
28:38あなたのチームのデータ分析者はどのような環境で分析を行っているでしょうか？データ分析者へ高機能で統制された分析環境を提供することはデータドリブンビジネスにおいて非常に重要ですが、これらの構築は容易ではありません。そこで、本セッションでは SageMaker Studio のノートブック機能にフォーカスして、どのように分析者に環境を提供することができるのか、どのような分析を便利にするツールがあるのか
26:19「自社のシステムがお客様にとって使いづらい」とお悩みになったことはないでしょうか。ただ改善しようにも、その策を練るビジネスサイドが手法や使うべき技術を思いつけないという問題があります。そこでこのセッションではサンプルの Web サイトをベースに課題を洗い出し、AWS の AI サービスで顧客体験を改善します。また技術者の方向けに、改善の際使ったサービスについて、サービスの概要、新機能、はじめ方もご
31:01現在、多くの企業が AI/ML を活用したビジネスの変革や新たな価値の創出に成功していますが、日本の企業における AI/ML の活用は未だ遅れをとっているのが現状です。本セッションでは、日本企業が ML プロジェクトのビジネス活用に苦労する要因について、AWS のグローバル顧客との比較を通じて解説します。その上で、ML プロジェクトの PoC から実用化までの壁を乗り越えるために、AWS の ML
28:45あなたの機械学習システムは持続可能ですか？組織内で機械学習の活用が広がっていくに従って、機械学習モデルの開発および運用に関わる人手の作業がボトルネックになる傾向にあります。本セッションでは、Amazon SageMaker の MLOps 機能を活用して自動化を行うことで、実験性の高い機械学習の開発における柔軟性を確保しつつ、再現性と再利用性が担保された持続可能な機械学習システムを構築する方法を解
31:51ML モデルに潜むリスクについて、きちんと考えていますか？組織での意思決定に ML システムが関われば関わるほど、モデルガバナンスの考え方がより重要になります。組織内での ML システムに関わるすべての人が ML モデル利用時のリスクやデータセットといった情報にアクセスできることで、監査やモデル運用プロセスの簡素化につながります。本セッションでは、モデルガバナンスの考え方と実装例を整理し、ML に
28:51組織のデータ活用を考えた時、それを阻む課題としてデータが分散して存在してしまっている、所謂「データサイロ」の他にも、ユーザーによって備えるスキルが異なる「ピープルサイロ」による問題もまた無視できない要素です。そして、AWS の強みは組織のデータを強力に統合しつつ、そのデータを活用する方法についても複数のツールを提供している点にあります。本セッションではデモを交えつつ AWS 上のデータについて具体
30:35機械学習、深層学習で用いられるモデルは驚異的なペースで進化を遂げています。大規模化、複雑化の一途を辿るモデルを性能とコスト、柔軟性のバランスを保ちながら、どのように学習し、また推論環境をデプロイするかは機械学習ワークロードを運用する上で重要なポイントです。本セッションでは、AWS が開発した機械学習ワークロード向け独自設計チップ、インスタンスを用いた、高性能かつコスト効率の良い分散学習、分散推論環
28:23AWS 活用のメリットのひとつは、たとえ少人数であっても最新のサービス・機能を初期投資なく試せて、新しいアイデアをすぐカタチにできることです。 このセッションでは中堅中小企業で DX に取り組む方、少ない人数で DX に取り組まれたい方を対象に、代表的な国内の最新事例とともに AI/機械学習 (ML) サービスをビジネスに活用する方法を紹介します。 セッション終了後に「自分たちにもできるのでは！？
38:10機械学習プロジェクトにおける投資対効果を高めることは重要です。そのためには、開発工数と運用コストを削減し、得られるビジネス価値を最大化する必要があります。本セッションでは Amazon Personalize を利用したレコメンデーション機能の導入を例に、グルメコミュニティアプリ SARAH と日本最大の部屋のインテリア実例共有サイト RoomClip を提供する 2 社のスタートアップのお客様を
21:52建物は経年とともに劣化や老化が進みます。建物の健全性維持のためには、状態を把握し、状況に合った適切な手入れを計画的に実施していくことが不可欠です。本講演ではそのような Facility Management の DX に役立つ、Amazon SageMaker Ground Truth Plus および Amazon SageMaker を用いた建物の劣化診断向けの AI アプリ開発について解説し
