[AWS Black Belt Online Seminar] Amazon AI 入門 レポート

こんにちは、菊池です。

2017年3月29日（水）のAWS Black Belt Online Seminarを受講しましたので、レポートします。

今回は Amazon AI 入門 ということで、昨年末のre:inventで発表された3つのAIサービスの紹介です。講師はAWSJソリューションアーキテクトの川村誠さんでした。

発表スライドは以下です。

レポート

アジェンダは以下の通りでした。

• Amazon AI
• Amazon Polly
• Amazon Rekognition
• Amazon Lex
• まとめ

Amazon AI

• AI Services
  • APIで簡単にAIが利用できるので、サービスの開発に集中できる
  • Amazon Polly
  • Amazon Rekognition
  • Amazon Lex
• AI Platforms
  • Amazon Machine Learning
  • Amazon EMR
• AI Engines

• GPUやFPGAを利用可能なインスタンスも

• Deep Learningを利用した3つの新サービス
  • Amazon Polly：文章を音声に変換するサービス
  • Amazon Rekognition：画像認識機能をアプリケーションに簡単に追加
  • Amazon Lex：声/テキストを使用した会話型インターフェース

Amazon Polly

概要

• テキストをリアルな音声に変換
• 24の言語、47の声優の音声を提供
• 低レイテンシで高速、リアルタイムシステムを構築する選択肢に
• 生成した音声の保存/リプレイ/配信が可能

• 日本語対応

• Pollyの品質
  • 3つの観点で品質を確保
  • 自然に聞こえる音声：どれくらい人間の声に近いか
  • 変換処理の正確さ：数字や略語、同じ綴りで発音が異なる語彙などを解釈する能力
  • 高度なわかりやすさ：どれくらいわかりやすいか（ex. 庭には二羽のニワトリがいる）

Text to Speech処理

1. テキスト処理
2. 単語を認識
3. 音素に変換
4. 発音記号割り当て
5. 韻律曲線
6. ユニットの選択と適用
7. ストリーミング

仕組み

• APIを呼び出しで指定
  • 声（TTS）
  • 出力形式（MP3/Ogg Vorbis形式/PCM）
• SSMLとレキシコンを使うことでより柔軟な合成音声を実現

• SSML（Speech Synthesis Markup Language）v1.1
  • タグを指定することで、発音、ボリューム、速度などをカスタマイズ

• レキシコン（Pronounciation Lexicon Specification (PLS)） v1.0
  • 単語とフレーズのパッピングや、一般的でない発音を定義しカスタマイズ
  • Ex. W3C -> World Wide Web Consortium

Pollyの制限事項

• 入力テキストサイズ：最大1500課金対象文字（SSMLタグは除く）、合計3000文字
• レキシコン：入力テキストに最大5個
• 出力オーディオストリーム：最大5分（超過時は切り取られる）

価格とリージョン

• $4.0/100万文字
• 生成した音声ファイルを保存しえおき、再利用する際は課金されない
• 無料枠あり：最初のリクエストから12ヶ月、1月あたり500万文字まで
• リージョン
  • US East（N. Virginia/Ohio）
  • US West（Oregon）
  • EU（Ireland）

Amazon Rekognition

• 深層学習（ディープラーニング）による画像認識
• 画像分析機能をアプリケーションに簡単に追加

機能

• 物体とシーンの検出
• 顔分析
• 顔照合
• 顔認識

• 物体とシーンの検出：DetectLabels API
  • 画像から認識した物体（車/ペット/家具など）にラベルを付け、信頼スコアを取得
  • ユースケース：不動産物件の検索
• 顔分析：DetectFaces API
  • 画像内の顔の位置を検出し顔属性（感情、ポーズ、瞳が開いているかなど）を分析
  • ユースケース：店舗内の顧客印象分析
• 顔照合（比較）：CompareFaces API
  • 2つの画像の顔が同一人物である可能性を測定
  • ユースケース：従業員の認証
• 顔認識：IndexFaces/SearchFacesByImage API
  • 大規模な顔コレクションの中から似た顔を見つけ、画像内にいる人物を識別
  • ユースケース：友人の顔を見つける

• Lambdaによるブループリントの提供

Rekognitionの制限事項

• S3に保存されている参照画像の最大サイズは15MB、最小は80ピクセル（高さ・幅）
• APIのパラメータとして引き渡し可能な素画像サイズの最大は5MB
• フォーマットはPNGとJPEG
• 1人の顔の画像コレクションの最大数は100万件
• 顔画像検索最大数は4096件

価格とリージョン

• 1ヶ月あたり画像処理100万枚まで：$1.00/1,000枚
• 1ヶ月あたり画像処理100万枚超1,000万枚まで：$0.80/1,000枚
• 1ヶ月あたり画像処理1,000万枚超1億枚まで：$0.60/1,000枚
• 1ヶ月あたり画像処理1億枚超：$0.40/1,000枚
• 顔メタストレージ：1ヶ月あたりに保存される顔メタデータ$0.01/1,000件

※　各APIで1枚以上の入力画像を受信した場合に画像処理1枚とカウント

• 無料枠：最初の12ヶ月、5,000枚/月の画像分析と1,000件/月の顔メタデータ保存
• リージョン
  • US East（N. Virginia/Ohio）
  • US West（Oregon）
  • EU（Ireland）

Amazon Lex

概要

• 音声やテキストを利用して任意のアプリケーションに対話型インターフェース（bot）を構築
• AWSプラットフォームのセキュリティ、モニタリング、ユーザー認証、ビジネスロジック、ストレージ、モバイルアプリケーション開発を実現するスイート
• 現時点ではlimited Previewのサービスなので、利用にはプレビュープログラムへのサインアップが必要

特徴

• 高度な深層学習に基づく、音声をテキストに変換するための自動音声認識（ASR）とテキストの意図を理解するための（NLU）を利用可能
• モバイル、ウェブアプリ、およびFacebook Messenger（SlackとTwilioとは近日中に統合予定）などのチャットサービスに簡単にパブリッシュ
• 開発者向けにデザインされており、効率的で直感的なツールを提供
• バージョン管理とバージョンに対するalias設定機能を提供
• エンタープライズシステムに接続可能なコネクタを統合

仕組み

• Intents：ユーザの入力に応答してfulfillmentを実行
• Utterances：intentを発動する入力フレーズ
• Slots：intentを満たすための入力データ
• Prompt：slotを引き出すためのフレーズ
• Fulfillment：intentを実現するビジネスロジック

ユースケース

• 情報ボット
  • 患者向け診察予約ボット

価格とリージョン

• $0.004/音声リクエスト
• $0.00075/テキストリクエスト
• サービス提供リージョン
  • US East（N. Virginia）　Limited Preview

まとめ

• DeepLearningを利用した3つのAIサービス
  • Polly
  • Rekognition
  • Lex
• 参考情報
  • Amazon AI
  • AWS AI Blog

今後のオンラインセミナー

• AWS オンラインセミナースケジュール

来月からは新年度ということで、EC2、VPC、S3といったAWSの基本サービスが主体となるようです。

最後に

以上です。

今回は昨年末のre:inventで発表された3つのAIサービスの紹介でした。これらのサービスを使うことで、DeepLearningやAIの専門知識がなくても、簡単にそれらを利用したアプリケーション/サービスを構築することができそうです。

Black Beltオンラインセミナーは、サービスの特徴や使い方を体系的に解説してくれますので、新しいサービスを素早く理解するのに非常に助かります。