[レポート] Alexa and Machine Learning on AWS #alexaday2018 #jawsug

音声アシスタント特集

丸毛篤史

2018.02.12

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

はじめに

本記事は Alexa Day 2018 のセッション「Alexa and Machine Learning on AWS」のレポートです。

リビングに5台のEchoを置いてる、桶谷さん

桶谷拓也

Alexa and Machine Learning on AWS

[slideshare id=87768532&doc=20180211alexaday2018-180211050049]

クラウドベースの音声サービス
- 自動音声認識
- 自然言語理解
- 音声合成
2つの重要なフレームワーク
- Alexa Skills Kit(ASK)
- Alexa Voice Service(AVS)
５０年間でのUIの変遷
- CLI →　GUI → Web → Mobile → VUI（Voice User Interface)
Voice Interfaceは新しい標準
- 2014年ごろは音声検索のトラフィックはごくわずかだったが、現在では全トラフィックの10%を超えている（Alexa以外も含めて）

Alexaは家庭での主流インタフェースを「声」にした
- Alexaはビジネス環境でも家庭と同じことをする
企業で利用する場合の課題。Alexa for　Business はこれらの課題を解決する。
- デバイスのプロビジョニング（大量のセットアップは大変）
- 集中管理
- プライバシーとセキュリティ
  - 人の声を聞き分けられるようになってきている
  - プライベートスキルが作れる
    - UI上はまだない、ASK CLIコマンドでのみ作成することが可能
    - （プライベートスキルについては、弊社平内の記事がありますので参照ください）
Alexa for Business APIとツールを使用してスキルにコンテキスト（状況に応じた動作）を追加する
- Resolve Room
  - どこのEchoから実行されたか判別することができる
  - ラスベガスのホテル「ウィン・ラスベガス」では、各部屋にEcho Dotを設置し、ルームサービスに利用されている
- Skill Parameters
  - スキルに他システムへのインデックスを提供
その他
- ルームを作るのに住所が必要だが、現在登録できるのはアメリカの住所のみ
- セットアップは.exe形式のファイルで提供されるので、Windowsが必要

Amazon Rekognition
- 静止画だけでなく、動画も分析できる
- リアルタイムな分析
  - 監視カメラ
    - 予定外の入室者→シャッターおろす、といったユースケース
  - 動画にタグ付け
    - 動画データの検索性の向上
Amazon Polly
Amazon Lex
- 対話型インターフェース（ボット）
- 8kHzの電話音声サポート
  - 電話音声の認識精度向上によって、Amazon Connectとの連携が便利になった
Amazon Comprehend
- 自然言語理解のサービス
  - 文章を入力すると、重要な箇所を自動抽出
  - 文章から感情を読み取る
Amazon Translate
- 非辞書型の翻訳サービス
Amazon Transcribe
- speech-to-textサービス
- リアルタイム処理も可能
- 通常音声、電話音声どちらも対応
- ユースケース
  - コールセンターにかかってきた問い合わせを、テキストに起こす
- 句読点の補完
  - 文字起こしのサービスはよくあるが、句読点を補完してくれるものは少ない

Amazon Kinesis Video Streams
- 大量のカメラデバイスからアップロードされる、動画ストリームなどを容易に
- Amazon Rekognition Videoとの連携
- ユースケース
  - 監視カメラ。アメリカの警察では既につかっているところもある。
Amazon SageMaker
- フルマネージドな機械学習サービス。３つの構成要素
  - ノートブック
    - 必要なライブラリを含んだインスタンスの起動
  - 学習
    - Dockerイメージを起動して学習を実行
    - 複数インスタンスで分散隔週
  - 推論
    - モデルのデプロイ。エンドポイントから推論が可能
- すべてを使うだけでなく、個別に利用することも可能
- モデルを作るところには最もコストがかかる