AmazonPayを聞いてきた！

５月３１日　AWS　Summit Tokyo 2017に行ってきた！

次は

amazon pay【ライブコーディングも実施】Amazon Payの仕組みと実装方法

をメモメモ

---

・自己紹介
・あじゃんだ
　特徴
　日本赤十字社
　ベストプラクティス
　ライブコーディング

・Amazon Payの特徴
　まずビデオ
　３つの特徴
　利便性：Amazon IDひとつでＯＫ
　スピード：最短２クリック
　安心感：マケブレ保証の対象

　導入実績：大人気・伸びている・出遅れないために覚えていってね！

　導入実績いちぶ：ぞぞたうん、日本赤十字

・ＡｍａｚｏｎＰａｙと日本赤十字
　エンジニア：アイデアを実現させることができる
　平成２８年熊本地震
　　被災地の状況：物資支援はありがたいのだけど・・・
　　Ａｍａｚｏｎカスタマー：寄付したいんだけど
　　日赤：より多くの人にネット経由で寄付

　エンジニアとはなんですか：社会貢献

　課題
　　１．信頼できるページ
　　２．管理を楽にしたい
　　３．すぐに開始したい

・ＡｍａｚｏｎＰａｙの仕組み
　フロントエンド
　　ログインボタン
　　ログイン画面（ウィジェット）
　　ＪＳだけで実装できる
　→オーダーリファレンスＩＤをバックエンドへ送る
　バックエンド
　　ＡｍａｚｏｎＰａｙのＡＰＩコール

　どっちがいいか
　　ＥＣ２
　　らむだ○こっちえらんだ

・Ａｍａｚｏｎ　Ｐａｙで寄付するための課題
　１．信頼できるぺージ
　　ＡｍａｚｏｎＣｏＪｐの中に入れた
　２．管理楽　らむだ＋ＡＰＩゲートウェイ
　３．すぐに開始
　　プログラム１週間、
　困っている人を早く助けたいＡＷＳならそれができた

　グローバルで利用

・購入画面ＢｅｓｔＰｒａｃｔｉｃｅ
　ＥＣサイトのゴールってなんですか？
　　商品購入：多くの人にたくさん商品を購入してほしい

　かご落ち：カートに入れてもサイト離脱
　　合計金額が高い・・・
　　多い理由は・・面倒だから
　　　３８個も入力、会員登録とか

　商品購入の機会最大化
　　ゴールデンルール：１４個
　３つの開発ポイント
　　１ページで購入
　　項目は最小限（アンケートは買った後）
　　ゲスト購入ＯＫ（オプトイン形式の会員登録）

・ライブコーディング
１．amazon payのjsを読み込む
　ログインのクライアントＩＤ（契約するともらえる）
　amazonPaymentReadyに関数をかく
　ボタン表示sellerID,オプション(JSONで）
　クリックされたら呼び出される関数を定義
　レスポンシブルに対応

・AmazonPayのサイトでドキュメントがある

NECが進めるエンタープライズ向けクラウド活用の実践

５月３１日　AWS　Summit Tokyo 2017に行ってきた！

次は

NECが進めるエンタープライズ向けクラウド活用の実践

をメモメモ

---

ＮＥＣ：orchestrating a（かけなかった・・・）
　Ｂ２Ｂ

「エンタープライズ向けクラウド」

エンタープライズ
　歴史
　既存ビジネスで成功
　組織
　新規参入の脅威：デジタルディストラクション
→官公庁もはいるかも

ＮＥＣもエンタープライズ
→新規参入の脅威：ＡＷＳもデジタルディストラクタ
→古いＮＥＣだったら脅威
→共創のパートナー

Enterprise CX Digital
→顧客体験価値が変わっている
銀行：ネット事業
→圧倒的なＣＸ　デジタルトランスフォーメーション

なぜ、エンタープライズのデジタルビジネスがなかなか加速しないのか
・効果検証に止まってしまう
・意思決定できない
スモールスタート

→社会的責任
１年、２年は無限に近い差がつく

エンタープライズ向けクラウドの４つの条件
　ガバナンス：セキュリティと耐監査性
　リアルタイム：距離を超え、場所・状況に応じたスピーディーな判断と制御
　スケーラビリティ：成長に正比例したリソースの拡張
　デジタル　ツイン：実世界でのあらゆる物事をデジタル化

ふさわしいクラウドは
　ＡＷＳ＋ＮＥＣ

事例
・ガバナンス：消費財メーカー業務効率化
　ＥＲＰをクラウドへ
　ＩｏＴで

・リアルタイム：輸送業
　車・荷物の動態管理
　　ＮＥＣクラウド　ＡＩエンジン→マルチクラウド管理

・スケーラビリティ・デジタルツイン　アグリテック
　カゴメ様　アグリテック
　ほとんど：植物工場　ハウス→環境コントロールできる
　この事例：路地：コントロールできない
　　→収穫時期をコントロールできる
　　　食品廃棄ロス
　過去データが限定されていても高精度の予測が出せるＡＩ技術
　最初が４件
　ＰｏＣで確立した営農アドバイスノウハウを展開
　　スペイン・ポルトガル
　センサーコストで見合わない：人工衛星でスペクトラム
　コンピューティング負荷分散
　　計算重たすぎた：６００倍
　過去データがそんなにない→理論モデルをつくる・過去のビッグデータに依存しない

・新たな価値
ガバナンス：デジタルでビジネスの展開を加速
リアルタイム：距離の制約を受けない革新的なＣＸ
スケーラビリティ：ＲＯＩを最適化しながら自社の業務変革を柔軟化・迅速化
　温暖化：適作地がずれている
デジタルツイン：シミュレーションすることでビジネス変革を加速

ＮＥＣはエンタープライズのＤＸを支援
ＡＷＳ＋ＮＥＣ

ドコモが考える地道なデジタル化とその先にあるＡＩ

５月３１日　AWS　Summit Tokyo 2017に行ってきた！

次は

ドコモが考える地道なデジタル化とその先にあるＡＩ

をメモメモ

---

・社内説明をあいまいな定義のワードだけで行うこと

バズ和０度の関係性

　　　　　　　ＡＩ
ＩｏＴ
　　　　　　クラウド
サービス

・ＡＩって
　多くのメディアのみかた：ヒューマノイド
　技術者の味方：データ整理→最適化
→期待が大きすぎ

・ＡＩってどのレベル
　霊長類：人間
　げっ歯類・爬虫類：ＡＩ　
　　→構造が理解できない

・ろうそくを壁に取り付けてください
　→シンボル　グランディング
　　人間はできる：強いＡＩ

　記号設置問題

・しゃべってコンシェル
　　デモ（音なしで音声のデモ）
　→SiriもGoogleもおなじ
　　パターンマッチングしているだけ
　最近できる：辞書が整理された
　足りない情報：ひきなおす
　ＡＩにみえる
　役に立ってる

・共通技術はこんなもの＝ＡＩ技術のできること
　枯れている、ＧｉｔＨｕｂにころがっている
　→ベストプラクティスをとってくる：スタートアップでやっていること

・今日の話
　枯れた技術をちゃんと使う
　データをちゃんと整理する
　クラウド使う


・何がここ数年のＡＩブームを作ったのか
　ＤｅｅｐＬｅａｒｎｉｎｇを作ったブラックボックス技術の進化
　非ＩＣＴ産業におけるＩＣＴ化によるデータの表出

・ＩｏＴ
　にぎやかし系
　今、起きていること
　ＩｏＴ＝ＩＣＴ＋ＯＴ（運用技術＝現場の技術）
　ＩｏＴ＋ＡＩ＝これまでコンピューターと無縁だった産業の自動化・自律最適
　　ＧＥ：ＩＣＴとＯＴのＤｕａｌｉｔｙを持つＧＥの例
　→クラウドを注目

　道具立てがそろいつつある

・話を１０年前に
　２００６年に予測した１０年間の技術イベント
　　顧客データとマイニング
　　Ｗｅｂ２．０ Data is the Next Intel Inside.

・人々とデータ：サブトランザクションデータの解析
　５人で始めた
　　検索エンジン
　　メディア理解
　　自然言語処理
　　ＡＷＳの大量使用
　　オペレーション最適化
　→全員、コードが書ける

・ドコモにおけるビッグデータ活用
　ぺたバイト級のデータ＋機械学習＋並列

・機械
　　ねてぃーざ：Postgres２００８
　　Greenplum:Redshiftとそっくりみたいなの２０１０
　　オンプレミスからRedShiftへの移行
　　　ただごとではなかった：セキュリティ２８０項目　２０１４
　　→デプロイ簡単
　　→Docomo クラウドパッケージになっている。１００社以上にライセンス
　　　企業間連携

・２０１７　ＡＩブームは続く
　ポエム：ロマンティックなふんわりした新庄の吐露
　チャーリーＡＩを導入したらなんとかなるさ
　こまったら、神様ＡＩをよぼう
　→でじらるトランスフォーメーションがなされていない
　　オフィス見ればわかる：袖机をなくす→ドキュメント整理
　　米国：袖机ない

　ポエムを唱える前にデジタル変革が必要

　こんなギャップを埋めるキーワードはクラウド
　　データベースしか知らないエンジニア
　　アルゴリズムしか知らない研究者

　ＡＷＳにできている→一通りそろっている安心感
　　この上にマシンラーニング
　　データ解析基盤はドコモのナイセイ
　　　ユーザー企業であるドコモがデータ解析基盤をナイセイできたのは
　　　コード書きのこだわりとクラウドの生産性

・社会問題の解決策としてのＡＩ
　われわれは何で社会貢献
　　レガシー
　　非ＩＣＴにＩＣＴ
　　＋Ｄ　ユーザー企業同士でできること
　→クラウドでユーザー企業同士が直接話ができるようになった

今起きている大変化
　ＩＣＴ＋ＯＴ　　＋　ＡＩ　　　　　→産業・社会の最適化
データとれる　　　　　最適化ツール　　ＩＣＴは経営の中心
プラットフォーム

　　クラウドでフルスタックサポート

・モバイル空間統計：社会問題解決のためのＡＩ

・ＡＩタクシー実証；５００メーターメッシュ
　　タクシーのりたい期待値
　　機械学習つかって４９％向上
　神戸市ドコモ見守りサービス

・しゃべってコンシェル　２０１２～
　https://youtu.be/g-VghIDAHBg

　日本人得意：デザイン→寄り添いがた

・クラウドは市民革命
　自由にＩＴシステムを使える
　機械学習は産業革命
　　　データを整理して、枯れた技術を使えば
　→この２つを同時に

・きゅうり仕分け機（半分しか認識していない）
　ソフトウェア化の力
　ＡＩの民主化

　ともかく、袖机をなくしましょう

・ＣＭ

・まとめ
　ナイセイでやっている→クラウドのおかげ
　クラウド→ＡＩの民主化
　ＩＣＴ化とＡＩレイヤーの実現：クラウド
　クラウドによるデジタル変革なくして明日はない

下着か水着かも判断できるんだって！－Amazon Rekognition

今、基調講演をオンラインで聞いていて、言っていた
（今日は、他の用事があって、部分部分しか聞けない。
　ほかにいろんなことやっていて、今、表題のことだけ聞けた）


Amazon Rekognition
https://aws.amazon.com/jp/rekognition/

画像の分析をアプリケーションに簡単に追加できるようにするサービスです。 Rekognition では、画像内の物体、シーン、顔の検出、顔の検索と比較、および不適切なコンテンツの識別ができます。 Rekognition の API を使えば、深層学習に基づく高度な視覚検索やイメージ分析をアプリケーションにすばやく組み込むことができます。

Amazon Lex
https://aws.amazon.com/jp/lex/

音声やテキストを使用して、任意のアプリケーションに対話型インターフェイスを構築するサービスです。

Dockerコンテナへの継続的デプロイメント on AWS

５月３１日

ＡＷＳ　Ｓｕｍｍｉｔ　Ｔｏｋｙｏ　２０１７

に行ってきた！ので、内容をメモメモ

まずは

■Ｃ＃開発者必見、Dockerコンテナへの継続的デプロイメント on AWS
～CodeCommit,CodeBuild,CodePipeline,CloudFormation,ECR.ECSを活用したＣＩ／ＣＤ～

から

---

今年から新しい試み：Ｄｅｖｅｌｏｐｅｒ向け
本セッションのフィードバックお願い！
・自己紹介
・アジェンダ
　エンタープライズにもクラウド
　エンタープライズのうち、ｃ＃
　前半：エンタープライズでなぜｃ＃
　後半：どんなサービスが使える？
→後半細かいので、公開したのをみてね！

・エンタープライズを取り巻く環境
　１５年：企業の平均寿命（１９２０年代は６７年）
　３分の２：ＩＴ維持に使われるお金
　７７％のＣＥＯ：セキュリティリスク感じてる（６５％はおくれとってるとおもってる）
→限られたリソースを価値あるところへ
　アジリティにかけている
　セキュリティ・コンプラ・可用性

・新しいモデル
　差別化にフォーカス
　革新する
　リスク低減

・差別化にフォーカスする
　コアミッションにフォーカスする
　　新しいビジネスに集中

・かつてないほど早く革新
　ソフトウェアの動きは加速
　　資金調達なしに、大企業に対抗できる
　　混乱を抑制するには機敏性重要
　ソフトウェアの配布モデル
　　昔パッケージ
　　今オンラインでアップデート
　→エンタープライズにも：自動化、ＣＩ／ＣＤ

・早く動く／せきゅあにたもつ
　→今は両方
　なぜＣＤ
　　ビジネスアプリケーションもサービス思考に
　　　保守にコスト
　　　ＡＰＩ，マイクロサービス化
　あじゃいるな開発ツール
　　ソフトウェア駆動
　リリースプロセスの流れ
　　継続的インテグレーション

・継続的デプロイメントのメリット
　リリースプロセス自動化
　開発者の生産性改善
　バグを素早く検出
　アップデートの配信高速化

・Ｃ＃と.NetCore
　Ｃ＃とは
　　いいとこどり、マルチパラダイム
　　プロパティ
　　パーシャル型
　　非同期
　これまではWindows→.NetCore Linux Dockerでも動く
・.NetCore
　クロスプラットフォーム
　軽量：Dockerイメージのビルドも高速
　オープンソース：

・.NetCoreの便利なライブラリ
　.NetStanderd Library
　ASP.NET Core MVC
　ASP.Net Core Web API→Ｃ＃のコードを書くと、ＪＳＯＮでやりとりできる
　Entity Framework：ＯＲマッパー

・Ｃ＃と.Net Coreとプラットフォーム
・C#でスタンダードライブラリで書けば、.NetCoreで動作する

・ＡＷＳと.Net Core
　　Ａｍａｚｏｎ　ＥＣ２　Windows
　　Ａｍａｚｏｎ　ＥＣ２　Linux
　　Ａｍａｚｏｎ　ＥＣＳ
　　ＡＷＳ　Ｌａｍｂｄａ

・Dockerコンテナの活用
　去年のＡＷＳサミット
　「DockerとＡｍａｚｏｎＥＣＳでDevOpsを進化させる」
　を見てね！

　デプロイメントの課題
　　メンテナンス：やらないといけないこと大井
　　Ｄｏｃｋｅｒを入れると、イメージ動けば動作する

・コンテナとともにＣＩ／ＣＤ
　AWS Codeシリーズ
　ＣｏｄｅＳｔａｒ
　　　CodeCommit,CodeBuild,CodePipeline,CodeDeployの４つを全部束ねる
　　　４つは東京リージョンで使える（CodeStarは来ていない）
　Amazon Cloud Formation
　　設定管理＆クラウドのオーケストレーション
　ＥＣＳ：Dockerをあらゆるスケールで→簡単に管理
　ECR：レジストリとしてイメージ管理

・（後半）継続的デプロイメント

・ＧｉｔＨｕｂで公開されている

・継続的デプロイメントの構成
　環境はcloudFormationで構築
　
・Ｔｉｐｓ：CodeCommitのHPPPS接続と認証
　CodeCommitはGit互換のリポジトリ（Git version１．７．９以上をサポート）

・パイプラインの設定
　　　ソース
　　　ビルド
　　　デプロイ
　に分かれる
（それぞれ、説明してくれたんだけど、おいつけないので、
　あとで資料を見てね！）

・デモ
(つぎのせっしょんがあるため、途中退席）

LSTMより成績いい、Differentiable Neural Computer（ＤＮＣ）とは

５月３１日
マルレク第一回「ニューラルコンピュータとは何か？」」
に行ってきたのでメモメモ

---

ニューラル・コンピューターとは何か？

Ｇｏｏｇｌｅのディープマインドのアレックスブレイブスのプロジェクト
小学校４年生程度の国語の問題
baBi Task：２０万くらいのデータセット

ディファレンシャル　ニューラル　コンピューター（ＤＮＣ）
メモリーネットワーク（Ｆａｃｅｂｏｏｋ）

ＡＩ研究のトレンド
画像、自然言語

ボイスアシスタント
　あれくさ、ぐーぐるほーむ、わとそん、しり・・・
　音声を文字にできた　２０１２年のヒントン
　文字が帰ったら、何を返すべき？
　文字を音声にするのもよくできている
→シナリオで埋めている：パターンマッチ
　会話のシナリオに引き込む
　自然言語ちゃんとできてない
　→人工無能、ぼっと

ＤＮＣ（Ｇｒａｖｅｓ）　去年末
　斬新な方法
　人工知能研究のパースペクティブ

・Differentiable Neural Computer
　コンピューター：０か１
　あいまいさはない
　ＤＮＣはちょっとかわっている
　ぼやっとした分布でアクセス、ぼんやりした値を書き込む
　メモリも、１０番地を注進したところ・・・
　→微分できる。分布が帰ってくる
　メモリの解放とかも：すべて確率分布

・ハイブリッド
　デジタルとアナログ
　効率悪いはず？
　行列全体にベクトル操作

・ＤＮＣの前身ＮＴＭ（ニューラルチューニングマシン）
　はロケーションベースもある
　ロケーションベースを止める

・シャープなベクターを作る
　シャープニング
　ぼやけちゃいけないけど
　→全部確立ベースでやっちゃった。
　　量子コンピューター？
・何が解けなかった：機能
　演繹、推論

・とけたもの
　地下鉄の経路探索　ダイクストラ
　最大パスが５つのとき
　メイを探す
　　→Prologの問題
　ひょうか：むずかしい→ちゃれんじだいじ！

・ニューラルネットに、メモリーを持たせよう
　ＤＮＣはＬＳＴＭより良い成績

・ニューラルネットの弱点
　計算とメモリーがごっちゃ
　メモリーの干渉を最小限に

・基本的モデル
　φ（Ｗ・ｘ＋ｂ）基本
　→メモリから構成されている

・ＣＮＮ
　フルコネクトの見直し
　　局所的な受容野
　めもりのかたまり：限られた使い方

・ＲＮＮ
　横につなぐ、パラメータ共有
　長くなるほど複雑になる

・ＬＳＴＭ
　横串２本

・自然に使えるわけではない

・ブレインランク

・ニューラルネット：アテンションメカニズム
　アテンションとは？
　ＣＮＮでもＲＮＮでも、モデルの構造は決まってしまう

・ニューラルチューリングマシン
　状来と命令の組
　ボトルネック：メモリのアクセス

・クロック頭打ち→めにーこあ、ＧＰＵ

・ＤＮＣの概観
　外部メモリをＲＡＭ
　ヘッドを持つ
　コンテンツルックアップ
　今の連想配列：探しているものを返してこないといけない
　これ：キーで探すが、かえってきたものは、もとと一緒じゃない

・もうすこしくわしく
　リカレントニューラルネットワーク
　時系列で横に
　３つくらいＲＮＮが組み込まれている
　　アクセスモジュール
　　店舗ラルメモリリンケージ
　　Ｕｓａｇｅ調べる

　ＤＮＮの状態

　アクセスステート
　コントローラーのステート
　アクセスアウトプット

　３本横串がはいったＲＮＮ

　入力にある情報を出力にコピーする
　→長くする
　最初のデータをＮ個コピーする
　→コピーを機械がおぼえた

・ＤＮＣがとりくんだ３つの課題
　baBi
　グラフ実験
　ブロックパズル
　
　baBi
　　機能的質問：５５％
　　ベストリザルト：いい結果をあつめた
　　データ表現：ちょっとずるい
　　単語１５９個しかない→語彙的には狭い世界


　グラフ実験
　　ロンドン地下鉄
　　５ステップ以内
　　（全体ではない）

　家系図

　ブロックパズル
　　強化学習
　　デモ

・ディスカッション
　データが構造→推論
　グローバルな構造、ローカル
　型とインスタンス

　ロケーションを増やす必要がある
　外部メモリにたくさんの情報
　ワンショット学習とかに使える？

・ＤＮＣの実装の詳細：今自由に読める
　プログラムが短い
　ソネットを使ってＲＮＮ部分は任せている

　まんなかは
　　　入力２種類
　　　　　下からインプットＸと１つ前のread rを受ける
　　　　　　　　これをコントローラーが受けて
　　　　　　インターフェースとアウトプットへ
　　　　出力はメモリとアウトプットへ

　→赤、ブルー、グリーンの３つの状態

・ＤｅｅｐＬＳＴＭ
　ＬＳＴＭを多段にする

・アテンション
　コンテンツを探す：キーと同じものを探す
　書き出し・呼び出し：順番の保存する行列
　メモリ割り当てＵｓａｇｅ

・メモリのアクセスをどうしたらいいかを伝える
　一致しているものをさがす：コサイン類似度で

・read：１行分の情報がとれる
　→分布が帰ってくる

・ＮＴＭ
　コンテンツベースとロケーションベースの併用
　ロケーションベース：アドレスを指定して、そこが帰ってくる（ふつうのもの）
　分布が与えられたらシフトする：ロータリーシフト・・・やんない
　シャープさの重みづけ

・ＤＮＣとＮＴＭの違いをあとで読んでね
　アドレッシングが違う

・ＤＮＣのリード重みづけ
　　　ｗ＝π[1]b+π[2]c+π[3]f
　　　　　　（π[1],[2],[3]の強さにより、ｆ、ｂの強さがきまる）
　　　ｆ：フォワードのウェイト
　　　ｂ：バックワードのウェイト
　→かさねあわせで振る舞い決まる

・人工知能の
　ベストリザルト
　平均結果はボロボロ

　グラフタスク
　　総当たりしている
　　ダイクストラの方法を思いつくか？

　スケールできるか？

・確率であらわしているところがおもしろい
　形式的な法則性を取り出すことは難しい
　　→タブララサから

数学的な対象
文字による知識：
言語能力：人間：ＢＯＴ、初期的推論
感覚運動：目がある動物：画像処理

文字から数学的な認識　
上からの論理的能力→形式的照明能力

整備すべきICT機器とは

整備すべきICT機器とは 障害児童生徒への対応も
https://www.kyobun.co.jp/news/20170529_02/

時系列データベース

勉強しないと・・・ってことでメモ

時系列データベースに関する基礎知識と時系列データの符号化方式について
http://techlife.cookpad.com/entry/timeseries-database-001