【IVS CTO Night & Day】AWSにおけるビッグデータ活用

1. AWSにおけるビッグデータ活⽤

2. ⾃⼰紹介桑野章弘(くわのあきひろ) ソリューションアーキテクト主にメディア系のお客様を担当しております。元渋⾕のインフラエンジニア好きなAWSのサービス：ElastiCache, Route53 好きなデータストア：MongoDB

3. Agenda ビッグデータの特性と活⽤の⼼構え AWSを使ったビッグデータ活⽤事例 AWS を活⽤した技術課題の解決 • ログ収集のベストプラクティス • どのように ETL を⾏うか • アジャイルな分析クエリの実⾏ 3

5. あらゆるものからデータが取れるように IoTデバイスやスマートフォン等から⼤量のログデータが得られるようになってきた⼤量データを扱うソフトウェア技術も⾶躍的に発展してきている今後も扱うデータ量は増え続けていき，分析できることの幅も広がっていく 5

6. 6 今あるデータだけをみるのではなく新しいデータも活⽤していけるように広がりを持った仕組みづくり

7. データ活⽤サイクルの特徴活⽤して初めてみえてくることがたくさんある試⾏錯誤を前提として，仮説検証サイクルを⾼速に回せる環境づくりときには新しいデータを取得したり，前処理したり，というところまでさかのぼる必要もある活⽤法に合わせた適切な⼿法が選択できる必要性 7 最初から分析内容がすべてわかっていることはありえない

8. データ活⽤は継続的な改善サイクルいろいろな試⾏錯誤してどんどん新しいものを作っていく

9. AWSを使ったビッグデータ活⽤ 9

10. ビッグデータ活⽤に適したAWSの特徴 10

11. Amazon S3 Data Lake Amazon Kinesis Streams & Firehose Hadoop / Spark Amazon Redshift Data Warehouse Amazon DynamoDB & ElastiCache NoSQL DB & Redis Relational Database Amazon EMR Amazon Aurora Amazon Machine Learning Machine Learning Any Open Source Tool of Choice on EC2 DataSources Amazon S3を中⼼としたデータレイク Clusterless SQL Query Amazon Athena TransactionalData

12. Amazon S3 Data Lake Amazon Kinesis Streams & Firehose Hadoop / Spark Amazon Redshift Data Warehouse Amazon DynamoDB & ElastiCache NoSQL DB & Redis Relational Database Amazon EMR Amazon Aurora Amazon Machine Learning Machine Learning Any Open Source Tool of Choice on EC2 DataSources Clusterless SQL Query Amazon Athena TransactionalData Amazon S3を中⼼としたデータレイクすべてのデータを1ヶ所に集めて保存データストアとデータ処理の分離⽤途に応じた適切な処理⽅法の選択

13. AWSのビッグデータサービス群収集前処理分析活用 Kinesis S3 EMR Glue EMR Redshift Amazon ML Athena QuickSight Amazon ESIoT

14. AWSのアナリティクスサービス群収集前処理分析活用 Kinesis EMR Glue EMR Redshift Amazon ML Athena QuickSight Amazon ESS3 IoT

15. Amazon S3 ⾼い耐久性と可⽤性を持つスケーラブルなオブジェクトストレージ • 99.999999999%の耐久性と，99.99%の可⽤性を持つ設計 • 暗号化技術（SSE, CSE）にも対応し，安全にデータを保存 • 利⽤したデータのぶんだけ従量課⾦ • 多くのAWSにとって仮想的なデータレイヤ

16. Amazon Kinesis Amazon Kinesis Streams ストリームデータを処理・分析するためのデータを格納 Amazon Kinesis Firehose ストリームデータを S3, Redshift, ESに簡単にロード Amazon Kinesis Analytics ストリーミングデータを標準的なSQLクエリで簡単に分析ストリームデータを収集・処理・配信するためのマネージドサービス群

17. AWS IoT • 特徴 (https://aws.amazon.com/jp/iot/) • デバイスとクラウドの双⽅向コミュニケーション • HTTP、MQTT、Websocketに対応 • SQLベースのルールとアクション定義 • AWSサービスとのシームレスな連携 • デバイス向けのSDK • 価格体系 (https://aws.amazon.com/jp/iot/pricing/) • 100万メッセージあたり$8(⽇本リージョン) • 無料利⽤枠利⽤は25万メッセージ/⽉を(1年間) 簡単で安全なクラウドへのデバイス接続サービス様々な産業での利⽤アーキテクチャ図

18. AWSのアナリティクスサービス群収集前処理分析活用 18 Kinesis EMR Glue EMR Redshift Amazon ML Athena QuickSight Amazon ESS3 IoT

19. Amazon EMR • 低い運⽤コストでHadoopを使⽤ • ジョブに応じてクラスタのリサイズが可能 • S3上のデータを直接読み込んでジョブを実⾏し，結果をS3に吐き出せる • Spark, Hive, Presto, HbaseなどさまざまなHadoopエコシステムを利⽤可能 • ⼤規模データのETLや機械学習処理などのワークロードに適しているフルマネージドでスケーラブルなHadoopクラスタ

20. AWS Glue • フルマネージドのデータカタログ + ETL サービス • さまざまなデータソースをカタログとして管理して，バージョン管理やスキーマ更新を実施 • GUI 上で作成した ETL 処理フローから PySpark コードが⽣成され，必要に応じて加⼯編集することも可能 • S3 に取り込んだログおよび RDS に格納された顧客データに対して，前処理を⾏なって Redshift に格納するようなワークロードに最適データソースの把握・準備・データ格納を簡単で確実に

22. Amazon Redshift • MPPアーキテクチャとカラムナのデータ格納により，スケーラブルで⾼速なクエリが実⾏可能 • データストアを最⼤2PBまで拡張 • JDBC/ODBC経由でさまざまなBI ツールと連携 • Spectrum を使うことで，S3 上のデータに対して直接クエリ可能に • BIツールと連携して，データウェアハウスとして分析の中⼼にフルマネージドでスケーラブルなデータウェアハウスサービス Leader node Compute nodes SQL Client / BI Tools JDBC / ODBC Driver

23. Amazon Athena 23 • フルマネージドで運⽤コストがかからない • Prestoベースで標準SQLが実⾏可能 • ⾛らせたクエリのぶんだけ従量課⾦ • S3に貯めたWebサーバのログに対してクエリを投げてサービス障害の原因を探ったり，⼿軽にアドホック分析をおこなうフルマネージドでS3上のデータに対してSQLクエリを実⾏

24. Amazon Machine Learning フルマネージドの予測モデル & API を提供 24 • 線形回帰，2項ロジスティック回帰，多項ロジスティック回帰の3種類のアルゴリズムをサポート • Cross Validation や正則化，精度評価まで含んでおり，簡単にモデル構築が可能 • 構築したモデルを使って，新しいデータを API経由で予測可能 • お⼿軽にシンプルな予測モデルをシステムに組み込んで利⽤できる

26. Amazon QuickSight フルマネージドで使いやすいBIサービス • ハイパフォーマンスなデータ処理エンジン SPICEを持ち，⾼速に分析が可能 • Redshift, RDS, S3, Athena, Salesforce, ローカルファイルなどさまざまなソースに接続できる • フルマネージドでサーバの運⽤作業が不要 • AWSのデータソースをすばやく可視化して，組織で共有

27. Amazon Elasticsearch Service 27 フルマネージドで信頼性の⾼いスケーラブルなElasticsearchサービス • Elasticsearch クラスタを数分で⽴ち上げられ，APIコール1回で簡単にスケール • Logstash と Kibana が統合されており， Kinesis などから受け取った時系列データを即座に可視化 • ストリームデータをお⼿軽にモニタリングする⽤途に最適

29. Amazon Redshiftの概要 • クラウド上のDWH • 数クリックで起動 • 使った分だけの⽀払い • ⾼いパフォーマンス • ハイ・スケーラビリティ • ⾼い汎⽤性 • PostgreSQL互換のSQL • 多くのBIツールがサポート

30. MPPとシェアードナッシングがスケールアウトの鍵 MPP : Massive Parallel Processing • １つのタスクを複数のノードで分散して実⾏する仕組み • Redshiftではリーダーノードがタスクをコンピュートノードに分散して実⾏する • ノードを追加する（スケールアウト）でパフォーマンス向上可能シェアードナッシング • ディスクをノードで共有しない構成 • ディスクを共有するとノード数が増えた時にボトルネックになるため、それを回避 • ノードとディスクがセットで増えていく

31. Redshiftの構成① SELECT * FROM lineitem; リーダーノードがクライアントからSQLを受け取る CPU CPU CPU CPU CPU CPU Leaderノード Computeノード１つの表を各ノードのストレージに分散して保存（シェアードナッシング）

32. Redshiftの構成② SELECT * FROM lineitem; SQLをC⾔語に変換後、コンパイル。コードをコンピュートノードへ配信 CPU CPU CPU CPU CPU CPU Leaderノード Computeノードスライス＝メモリとディスクをノード内で分割した論理的な処理単位コンピュートノードの追加でパフォーマンス向上（スケールアウト）

33. Redshiftの特徴と傾向ノード増加によるスケールアウト • スケールアウトのボトルネックはノード間通信 • 効率を上げる＝ノード間通信を減らす実⾏⽅法 • SQLはC＋＋に変換、コンパイル、配布して実⾏される • 実⾏済のコードはキャッシュされる＝＞SQL最初の実⾏には＋数秒余分に掛かる

34. ノードタイプ SSDベースのDCとHDDベースのDSから選択 • データは圧縮されて格納されるため、ストレージ総量より多くのデータが格納可能最⼤128ノード：2 PByteまで拡張可能 dc1.largeとds2.xlargeは、１ノード~32ノード構成が可能 • １ノード構成にした場合、LeaderノードとComputeノードが同じインスタンス上で稼働する構成になります dc1.8xlargeとds2.8xlargeは、2ノード~128ノード構成が可能 ※価格は東京リージョンにおいて 2017年8月時点のものです https://aws.amazon.com/jp/redshift/pricing/

35. フルマネージドサービス設計・構築・運⽤の⼿間を削減数クリックで起動１時間単位の費⽤ノード数やタイプは後から変更可能バックアップやモニタリング機能を内蔵 • GUI（マネジメントコンソール） • API経由で操作も可能パッチ適⽤も⾃動的 • メンテナンスウィンドウでパッチの時間帯を指定可能

36. Redshiftが向く⽤途特化型のデータベースのため、適した⽤途に使うことでパフォーマンスを発揮します Redshiftに向くワークロード • 巨⼤なデータ・セット（数百GB〜ペタバイト） • １つ１つのSQLが複雑だが、同時実⾏SQLは少ない • データの更新は⼀括導⼊ユースケース • データウェアハウス（DWH） • ユーザがクエリーを作成する（⾃由クエリー）（BI等）

37. Redshiftの特徴を⽣かせないユースケース SQLの並列実⾏数が多い（※同時接続数ではなく同時実⾏数） • RDS（MySQL ,PostgreSQL, Oracle, SQL Server)を検討極めて短いレーテンシが必要なケース • ElastiCache (インメモリDB)やRDSを検討ランダム、かつパラレルな更新アクセス • RDSもしくはDynamoDB (NoSQL)を検討巨⼤なデータを格納するが集計等はしない • DynamoDBや⼤きいインスタンスのRDSを検討

38. 1 2 ... N Amazon Redshift Spectrum •RedshiftからS3上に置いたファイルを外部テーブルとして定義し、クエリ可能に •ローカルディスク上のデータと組み合わせたSQL が実⾏可能 •多様なファイルフォーマットに対応 •バージニア北部、オレゴン、オハイオリージョンで利⽤可能 •価格は Redshift 料⾦に加えて，S3 データスキャン量に応じて $5/TB がかかる S3 各種データ（CSV，Parquet等） Spectrum層

39. Amazon S3上のデータに直接クエリできるメリット Amazon Redshiftのクエリがそのまま活⽤できるローディングにかかる⼿間や時間が不要。分析までの時間を最短にファイルフォーマットを変更せずクエリーを実⾏可能 Amazon Redshiftクラスター上のデータとS3上のデータをジョイン１つのS3データに複数のAmazon Redshiftクラスターから共有アクセス可能（可⽤性の向上、ワークロードの分散）

40. ユースケース (1) 定期的に追加されるFACTデータをS3に置く FACTをS3に置き、ディメンジョンを Redshiftローカルに置く FACTへの定期的な追加が発⽣してもロードせずにクエリ可能 VACUUM や UNLOAD，Deep Copy などが不要なため運⽤コストが⾮常に低くなる⽇付等で効果的なパーティショニングが実現可能 FACT ディメンジョンディメンジョンディメンジョンディメンジョンディメンジョンディメンジョン

41. ユースケース (2) アクセス頻度が低いデータをS3に頻繁にアクセスされる直近のデータをローカルに置き、あまりアクセスされないデータはS3に置く直近データの保存に必要なだけのノード数を維持しながら、多くのデータを分析対象にできる ※Spectrum層への指⽰はスライス数に依存するため、データサイズと⽐較して極端に少ないノード数の構成は推奨されません Amazon Redshift ... 1 2 3 4 N 2012年直近データ 2016年～2017年 2013年 2014年 2015年

42. ユースケース (3) S3上のデータを複数Redshiftクラスターで共有 S3上のデータを複数のRedshift クラスターから共有１）ジョブ連携を容易に実現２）ワークロードが分散され、システム全体での同時実⾏性能を向上３）Redshiftクラスターを別AZ に配置して可⽤性の向上を実現共有データ

43. まとめ：Redshift概要 MPP型でDWH⽤途に特化したデータベーススケールアウトで拡張⾼速な読み取りを可能にする仕組み • カラムナ、圧縮、ゾーンマップ

44. 事例 44

45. dash：Connected Vehicle by dash device •Drive Smarter •Save Money •Take Control •Drive Green •Have Fun with it •Engine Light

46. Copyright(c)2016 PARCO CO.,LTD. All Rights Reserved 24 新しい取り組み IoT（Internet of Things）各種センサー、Wi-Fiデータの分析活用 ➢イベント来場者の属性を把握 ➢アプリユーザーの館内での行動を把握 ➢店舗屋上に温度・降雨検知センサー  設置し、気温・降雨データを取得来店時のお客様行動の分析・可視化による購買促進施策に活用パルコさま：「可視化」された事実からPDCA IoTを使った新しいデータの活⽤⽅法のチャレンジカメラを使った客層分析気温・降⾬センサーを使った売上分析チャレンジ

47. 事例 : 嘉穂無線株式会社(グッデイ本部)さまビーコンを使った⼈の動線把握お客様及び従業員の⽅の動線を「可視化」することにより、例えば、１⽇のうち平均約 1 - 2時間は、バックヤードでの作業（発注、倉庫作業など）についやしていたことがわかり、バックヤード作業を効率化することで、従業員が売り場に⽴つ時間を増やし、お客様対応に時間を使うことで売上増（5〜10%）に繋がった。 AWS Cloud Roadshow福岡 2015 基調講演資料抜粋

48. スシローさま: 回転寿司レストラン 380店舗の寿司⽫についたセンサーから送られるストリームデータを収集・分析し⾷材廃棄の削減、オペレーション改善収集加⼯分析蓄積デタインサイト 48

49. スシローさま: 回転寿司レストラン機械学習を活⽤した “待ち時間ほぼゼロ” の実現出所：⽇経ビジネスオンライン http://business.nikkeibp.co.jp/atcl/report/15/062600011/070100004/?P=1 “スマートフォン向けアプリ「スシローアプリ」を活⽤したチェックイン機能を、店頭の整理券発券システムに搭載。スシローの基幹システムとも連携しており、アプリ利⽤者が何⼈で利⽤したか（組⼈数）、利⽤⾦額はどれほどか、といったデータの分析が可能。スシローはこうしたデータを蓄積した上で、CRM（顧客関係管理）や広告配信に⽣かすことを⽬指す。” 課題：混雑に起因した待ち時間増加による顧客離反ソリューション：アプリ経由で来店予約による待ち時間ほぼゼロの実現 49

50. Kinesis を通じた機械学習機械学習により待ち時間を効率化（待ち時間の予測精度が60%向上）店舗端末レーン

51. NAVITIME さまのログ分析，可視化基盤 https://d0.awsstatic.com/events/jp/2017/summit/slide/D2T6-1.pdf

52. Here.com さま世界最⼤⼿の地図企業⾃動運転に必要なHD Live Mapの⽣成基盤にAWSを利⽤ • ⾞載センサーデータの収集 • 分析(道路状況の変化等) • ⾞へのLive データ配信 3PB以上のデータを収集・保存 • 5年以内に150PBを⾒込む https://www.youtube.com/watch?v=Jvg_SsNyR00&feature=youtu.be&t=3544 http://360.here.com/2016/04/20/the-role-of-amazon-web-services-in-autonomous-driving/

54. Amazon EMR • 低い運⽤コストでHadoopを使⽤ • ジョブに応じてクラスタのリサイズが可能 • S3上のデータを直接読み込んでジョブを実⾏し，結果をS3に吐き出せる • Spark, Hive, Presto, HbaseなどさまざまなHadoopエコシステムを利⽤可能 • ⼤規模データのETLや機械学習処理などのワークロードに適しているフルマネージドでスケーラブルなHadoopクラスタ

55. Hadoop とは⼤規模データを保持及び処理するためのクラスタミドルウェア，およびそのエコシステムマスターノードとスレーブノードに分かれており， • マスターノードはクラスタの管理を担当 • スレーブノードは • YARN によるジョブの実⾏ • HDFS によるデータの保持分散処理基盤として，さまざまなミドルウェアをその上で実⾏することが可能 55

56. Task Node Task Instance Group Amazon EMRのアーキテクチャ security group security group Master Node Master Instance Group Amazon S3 Amazon DynamoDB Amazon Kinesis Core Node Core Instance Group HDFS HDFS HDFS HDFS Task Node Task Instance Group スレーブ群を管理 HDFS アクセス AWSサービスアクセス

57. 既存の Hadoop クラスタの問題コンピュートとストレージが⼀体となっている 57 • どちらかが⾜りないときでも，必ずノードを増やさないといけない • HDFS のデータを消さないために，マスターノードを多重化しておかないといけない • データ利⽤のために，クラスタを常に起動しておく必要がある

58. EMRFS: Amazon S3 を HDFS のように扱う • 計算資源とストレージを分離できる • クラスタのシャットダウンが可能 • クラスタを消してもデータをロストしない • 複数クラスタ間でデータ共有が簡単 • クラスタのバージョンアップ検証が並⾏可能 • S3 によるデータの⾼い耐久性

59. Amazon EMR の機能: インスタンスフリートスポットインスタンスが，より便利に使えるようになる機能複数のインスタンスタイプを指定して起動することで，最適なスポットインスタンスの組み合わせを⾃動的に選択してクラスタを⽴ち上げるまた起動時に，1-6 時間の範囲で動作時間を指定することができるため，指定時間内でのジョブの実⾏を保証することができる 59 https://aws.amazon.com/jp/blogs/news/new-amazon-emr-instance-fleets/

61. AWS上のETL(Extract, Transform and Load)サービス巨⼤データへのETL処理を... 「スケールアウト」で対応「サーバレス」で提供 AWS Glue https://aws.amazon.com/jp/glue/

62. AWS Glue – 全体像データソースをクロールし、メタデータを取得メタデータはデータカタログで管理メタデータを元にジョブを作成（PySpark) ジョブはサーバレスな環境で実⾏される

63. Glueはスケールアウト処理を実現ベース技術にSparkを採⽤⼤規模データに対し⾃動的にスケールアウトスケールアウトのためのインフラ設計が不要 JOB

64. サーバレスのジョブ実⾏サーバレス：サーバ管理を意識しないで利⽤できるサービスプロビジョン、コンフィグ、パッチ等が不要に処理に掛かったリソースのみへの⽀払い

65. 分析データレイクビッグデータ処理もサーバレスで実現可能にサーバレスで、より分析に集中しやすい環境を実現 ※全ての分析がサーバレスで実現できるわけではありません。適材適所の配置が重要です可視化 Amazon QuickSight Amazon S3 プリプロセス全データ変形済 Amazon Athena AWS Glue 収集 AWS Glue

66. Amazon EMRとAWS Glue Amazon EMR AWS Glue 用途汎用Hadoop/Spark環境 ETL処理に特化（Sparkベース）スケールアウト可能（ユーザ設計）可能（パラメータ指定）サーバ管理数クリックで指定した環境が準備されるサーバ管理が不要（サーバレス）データレイク（S3）への透過的なアクセス可能可能プログラミング環境 Hadoopエコシステム上の多様なアプリケーション PySparkでETL処理をカスタマイズ

67. その他新サービス 67

68. エンドトゥエンドのフルマネージドMLサービス Amazon SageMakerを発表 • データサイエンティストや開発者が容易に機械学習モデルを構築・学習・活⽤できるように – オーサリング：IDEとしてJupyter notebookを即座に起動。通常のインスタンスに加えGPUインスタンスでも利⽤可能 – モデルの学習：モデルの構築・学習・確認機能を提供。組み込みの教師有り/無し学習アルゴリズムやフレームワークを利⽤し学習モデルを構築できる。学習データやモデルはS3を活⽤ – ホスティング：リアルタイムインタフェースを提供するため、モデルを利⽤するためのHTTPエンドポイントを提供。 • インスタンスの利⽤料(秒単位)、ストレージ利⽤料(GB単位)、データ転送料(GB単位)で利⽤可能。AWS無料利⽤枠の対象となる

69. Speech-to-Textのマネージドサービス Amazon Transcribeを発表 • テキスト起こしを実現するマネージドサービスにより、⾳声から得られる情報の利活⽤が容易になる • リアルタイム処理のみならずS3に格納された⾳声データの処理もサポート。⾳声とテキストの時刻同期情報も出⼒可能 • ローンチ時点では⽶国英語とスペイン語をサポート。他⾔語には順次対応予定

70. フルマネージドな⾃然⾔語理解サービス Amazon Comprehendを発表 • テキストを⼊⼒することで⾔語の識別やエンティティ、キーフレーズの抽出、センチメント分析などを実⾏できる • AWSが構築済みのモデルを利⽤するため、ユーザは解析対象のテキストを⽤意するだけですぐに利⽤を始められる

71. Amazon S3 Selectと Amazon Glacier Selectを発表 • S3 Select(プレビュー)：ファイル全体をダウンロードせず必要なデータのみをシンプルな SQLでクエリ可能に。最⼤400%の性能改善 – Lambdaファンクションから利⽤すると便利。Athenaや Redshift/EMRがS3 Selectをサポート予定 – プレビュー期間は無料で利⽤でき⾮圧縮のCSV/JSONをサポート。暗号化ファイルは現時点では⾮対応 • Glacier Select(⼀般利⽤開始)：GlacierにアーカイブされたデータにもS3 Selectと同様に直接クエリを発⾏可能に。AWS Glueとの連携も – スキャンしたデータ量(GB)、応答データ量(GB)、リクエスト数にで課⾦。データ取り出しスピードによって単価が異なる

72. 深層学習技術を利⽤した動画認識サービス Amazon Rekognition Videoを発表 • S3に蓄積された動画やライブストリーミング動画を解析し、物体や顔やコンテンツを検出し識別することができる • AWS CLI/AWS SDK/REST APIから利⽤でき、⼈物のトラッキングや顔検出など複数の処理APIが提供される • .mp4または.movの動画を処理可能。エンコード形式はH.264となる

73. 数多くの動画ストリームのインジェストを実現する Amazon Kinesis Video Streamsを発表 • 数百万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や、時系列データを容易に取り扱うことができるマネージドサービス • 送信側はProducer SDKを利⽤してKinesis Video Streamsにデータを送信する必要がある • 料⾦体系はデータ量依存。Streamに対する投⼊量と読出量、保存量に対して課⾦される • 東京、バージニア、オレゴン、アイルランド、フランクフルトのリージョンで利⽤可能

74. AWSマネージドなサービスを使った構成

75. AWSマネージドなサービスを使った構成 Web/API層： Serverlessや、コンテナ等を活⽤してマイクロサービスを構築 DBはAuroraや、 DynamoDBを必要に応じて活⽤

76. AWSマネージドなサービスを使った構成ログ層： Kinesis Data Firehose経由でログなどのデータをデータレイクであるS3へ。機械学習サービスである SageMaker、⾃然⾔語処理のサービスであるComprehendや、API Readyのデータを⽣成するための Glue、BIやバッチ系にAthnaを活⽤する事が可能

77. AWSマネージドなサービスを使った構成セキュリティ：権限管理はIAM、 CloudTrailでAPI等のリソースに対する監査ログを取得する。 DDoS等の対策には WAFやShieldを活⽤。その他： Route53は単純なDNS機能としてだけではなくGLBや、サービスディスカバリのサービスとしても使⽤可能。 Pinpointはセグメントプッシュ配信を⾏うためのマーケティング基盤。 TimeSyncといったNTPのサービスもリリースしたコールセンタ： Amazon Connectを使⽤することでスケールし、かつグローバル展開できるコールセンタを構築可能そこから録⾳データ等を SageMaker、Transcribe、 Comprehend等で DeepLearning も。

【IVS CTO Night & Day】AWSにおけるビッグデータ活用

【IVS CTO Night & Day】AWSにおけるビッグデータ活用

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados(20)

Similar a 【IVS CTO Night & Day】AWSにおけるビッグデータ活用

Similar a 【IVS CTO Night & Day】AWSにおけるビッグデータ活用(20)

Mais de Amazon Web Services Japan

Mais de Amazon Web Services Japan(20)

Último

Último(13)

【IVS CTO Night & Day】AWSにおけるビッグデータ活用