■Amazonではどんなサービスがあるのか？
| サービス名 | 詳細 |
|---|---|
| Amazon Robotics | 倉庫の物流を自動化し改善する |
| Amazon Go | レジのないコンビニを機械学習の力で実現 |
| Amazon PrimeAir | 無人でドローンで物を配達する |
| Amazon Echo | 音声型インタフェース |
■AWSが提供する機械学習サービススタック
| サービス名 | 詳細 |
|---|---|
| Services | 既にAWSが学習済みの機械学習サービスをAPIで提供 |
| Platform | 機械学習のマネージドサービスもしくはデータ分析のマネージドサービス |
| Frameworks&Infrastructure | 機械学習その物を一から構築 |
Services
| サービス名 | 詳細 |
|---|---|
| Amazon Rekognition | 静止画、動画の認識サービス |
| Amazon Polly | テキストを音声に変えるサービス |
| Amazon Translate | 多言語翻訳サービス |
Platform
Amazon SageMaker: 開発者が、容易に機械学習モデルを構築・学習・活用
＊現在米国のみ
AWS DeepLens:より人間の脳に近い深層学習（ディープラーニング）の開発を加速するためのカメラデバイス
**Frameworks&Infrastructure **
・NADIA Tesia V100 GPUs
・AWS Deep Learning AMI
■機械学習の一歩
自社が保有するデータアセットは、AWSの機械学習のサービスを活用することで、ビジネス上の新しい価値を生み出すかもしれません。まずは、営まれているビジネスからデータアセットの整理を！
■機械学習における4つのプロセス
問題定義→データ整備→モデリング→アプリ実装 を繰り返していく。
参考：アマゾンの事例に学ぶ機械学習の活用とプロジェクト成功のポイント
問題定義
・課題認識→解決策の仮説→成果の明確化
機械学習で何かできないかではなく、あくまでビジネス課題の視点から導入を考える。
そして、機械学習を利用した方がいいのかという点で見極めていく。
データ整備
・データの確認→サンプル検証→データの分割
データが本当に揃っているかは専門家と検証する。（データは多いほうがいい。）
モデリング
・モデルの評価→特徴量の設計
適合率と再現率はトレードオフになる。（A→B B→A どちらを減らしていくのか？どちらかを犠牲にし、精度をあげる。）
必要な項目と必要でない項目を見直し、補正していく。
アプリケーション実装
A/Bテスト→実装とモニタリング
結果次第では機械学習だけの実装にせず、ルールベースを追加することで効果が上がることもある。
モニタリングを元に改善していく。