PowerPoint Presentation

Similar documents
김기남_ATDC2016_160620_[키노트].key

Data Industry White Paper


2017 1

001지식백서_4도

HTML5* Web Development to the next level HTML5 ~= HTML + CSS + JS API

Service-Oriented Architecture Copyright Tmax Soft 2005

DIY 챗봇 - LangCon

Ch 1 머신러닝 개요.pptx


Portal_9iAS.ppt [읽기 전용]

클라우드컴퓨팅확산에따른국내경제시사점 클라우드컴퓨팅확산에따른국내경제시사점 * 1) IT,,,, Salesforce.com SaaS (, ), PaaS ( ), IaaS (, IT ), IT, SW ICT, ICT IT ICT,, ICT, *, (TEL)

슬라이드 1

슬라이드 제목 없음

08SW

Web Application Hosting in the AWS Cloud Contents 개요 가용성과 확장성이 높은 웹 호스팅은 복잡하고 비용이 많이 드는 사업이 될 수 있습니다. 전통적인 웹 확장 아키텍처는 높은 수준의 안정성을 보장하기 위해 복잡한 솔루션으로 구현

untitled

istay

DW 개요.PDF

ecorp-프로젝트제안서작성실무(양식3)

歯목차45호.PDF

1.장인석-ITIL 소개.ppt

aws

제1강 인공지능 개념과 역사

이도경, 최덕재 Dokyeong Lee, Deokjai Choi 1. 서론

PowerPoint 프레젠테이션

20(53?)_???_O2O(Online to Offline)??? ???? ??.hwp

이제는 쓸모없는 질문들 1. 스마트폰 열기가 과연 계속될까? 2. 언제 스마트폰이 일반 휴대폰을 앞지를까? (2010년 10%, 2012년 33% 예상) 3. 삼성의 스마트폰 OS 바다는 과연 성공할 수 있을까? 지금부터 기업들이 관심 가져야 할 질문들 1. 스마트폰은

±èÇö¿í Ãâ·Â

00내지1번2번

Voice Portal using Oracle 9i AS Wireless

, N-. N- DLNA(Digital Living Network Alliance).,. DLNA DLNA. DLNA,, UPnP, IPv4, HTTP DLNA. DLNA, DLNA [1]. DLNA DLNA DLNA., [2]. DLNA UPnP. DLNA DLNA.

SchoolNet튜토리얼.PDF

PowerPoint 프레젠테이션

untitled

03.Agile.key

OP_Journalism

SW¹é¼Ł-³¯°³Æ÷ÇÔÇ¥Áö2013

0125_ 워크샵 발표자료_완성.key

강의지침서 작성 양식

15_3oracle

Intro to Servlet, EJB, JSP, WS

PowerPoint Presentation

SECTION TITLE A PURE PRIMER (AI), // 1

정보기술응용학회 발표

삼성SDI_SR국문_최종

04-다시_고속철도61~80p

ETL_project_best_practice1.ppt

歯김한석.PDF

LG-LU6200_ICS_UG_V1.0_ indd

S Special Report ORACLE이 주도하는 MODERN MARKETING의 세계 각하게 고민하게 되었다. 유통채널인 Place 요소의 혁신적 변화는 최근 O2O(Online To Offline)나 Omni - Channel 혁신이라는 Keyword로 많이 회

AGENDA 모바일 산업의 환경변화 모바일 클라우드 서비스의 등장 모바일 클라우드 서비스 융합사례

<BCBCBBF3C0BB20B9D9B2D9B4C220C5ACB6F3BFECB5E520C4C4C7BBC6C3C0C720B9CCB7A128BCF6C1A4295F687770>

歯I-3_무선통신기반차세대망-조동호.PDF

歯CRM개괄_허순영.PDF

160322_ADOP 상품 소개서_1.0

KDTÁ¾ÇÕ-2-07/03

김경재 안현철 지능정보연구제 17 권제 4 호 2011 년 12 월

Agenda POS Market Trends RSS Product Line-Up Reference & Value Propositions Summary 2

AT_GraduateProgram.key


감각형 증강현실을 이용한

solution map_....

untitled

국내 디지털콘텐츠산업의 Global화 전략

2016_Company Brief

13 Who am I? R&D, Product Development Manager / Smart Worker Visualization SW SW KAIST Software Engineering Computer Engineering 3

IT & Future Strategy 보고서 는 21세기 한국사회의 주요 패러다임 변화를 분석하고 이를 토대로 미래 초연결 사회의 주요 이슈를 전망, IT를 통한 해결 방안을 모색하기 위해 한국정보화진흥원 (NIA) 에서 기획, 발간하는 보고서입니 다. NIA 의 승인

서현수

06_ÀÌÀçÈÆ¿Ü0926

¹Ìµå¹Ì3Â÷Àμâ

Mstage.PDF

삼국통일시나리오.indd

Microsoft Word - 조병호

IoT / マシンデータの活用事例のご紹介


ÀÌÀç¿ë Ãâ·Â

<32382DC3BBB0A2C0E5BED6C0DA2E687770>

Windows Live Hotmail Custom Domains Korea

목순 차서 v KM의 현황 v Web2.0 의 개념 v Web2.0의 도입 사례 v Web2.0의 KM 적용방안 v 고려사항 1/29

F120S_(Rev1.0)_1130.indd

14 경영관리연구 제6권 제1호 ( ) Ⅰ. 서론 2013년 1월 11일 미국의 유명한 경영전문 월간지 패스트 컴퍼니 가 2013년 글로벌 혁신 기업 50 을 발표했다. 가장 눈에 띄는 것은 2년 연속 혁신기업 1위를 차지했던 애플의 추락 이었다. 음성 인식

-

Agenda I. What is SRM? II. Why SRM? Trend, III. Function / To-be - IV. V. Critical Success Factor 2

레이아웃 1

제 출 문 환경부장관 귀하 본 보고서를 습마트기기 활용 환경지킴이 및 교육 통합 서비스 개 발 과제의 최종보고서로 제출합니다. 주관연구기관 : 주관연구기관장 : 2015년 10월 주식회사 덕키즈 김 형 준 (주관)연구책임자 : 문종욱 (주관)참여연구원 : 김형준, 문병

Model Investor MANDO Portal Site People Customer BIS Supplier C R M PLM ERP MES HRIS S C M KMS Web -Based

Microsoft PowerPoint - XP Style

Agenda 오픈소스 트렌드 전망 Red Hat Enterprise Virtualization Red Hat Enterprise Linux OpenStack Platform Open Hybrid Cloud

I What is Syrup Store? 1. Syrup Store 2. Syrup Store Component 3.

Output file

°í¼®ÁÖ Ãâ·Â


High Resolution Disparity Map Generation Using TOF Depth Camera In this paper, we propose a high-resolution disparity map generation method using a lo

LG Electronics Inc. I 2002 I Based on its insight into the needs of the digital age and on its innovative technology, LG Electronics is aiming t


DBPIA-NURIMEDIA

[한반도]한국의 ICT 현주소(송부)

Microsoft PowerPoint - 3.공영DBM_최동욱_본부장-중소기업의_실용주의_CRM

PowerPoint 프레젠테이션

Transcription:

클라우드에서사물인터넷, 머신러닝그리고인공지능까지, AWS 의혁신! 정우진이사 2017. 10

최근아마존혁신 음성인식가상비서 이미지인식코디서비스 음성인식 + 디스플레이 2014 년런칭이후지속적혁신현재 1 만개이상의서비스연계됨 머신러닝기반개인에게맞는코디의류추천서비스 이미지 / 텍스트 / 비디오고도화된음성인식서비스제공 온라인현금충전서비스 ( 오프라인매장사용가능 ) Meal Kit ( 즉석식사 ) 간편하게요리, 한끼식사분량손질된식재료배송 Stickers 가상환경기반제품배치 / 매칭서비스 ( 모바일카메라이미지앱을통해 ) Dash 의 Wand 버전. 음성 / 이미지인식으로주문및배송서비스 Package x-ray 주문한상품을포장상태에서내부의상품을확인해주는서비스 지속적혁신 / 진화 다양한서비스로확대 계속해서기존서비스개선 / 신규서비스런칭 MSA/DevOps 효과 Cash, Stickers 등커머스를중심으로다양한부문으로 고객중심및편의혁신 최신 AI 등기술적용 고객의요구 / 고객의입장에서새로운혁신발굴 외부혁신기술적극수용 AWS 를통한시간 / 비용절감 AWS 디지털혁신가속화

Learn From Amazon, Execute at AWS 아마존을통해혁신을배우고, 아마존웹서비스에서혁신을실행 Digital Business Digital Innovation Digital Transformation

클라우드컴퓨팅 을활용한비즈니스모델의혁신 파괴적혁신 (Disruption) 을통한비즈니스모델의증가 disrupted Hospitality Insurance Devices Trading Media

디지털트랜스포메이션 가속화 민첩성 Agility, Time to Market 유연성 flexibility 지속성 sustainability M a n y o f o u r c u s t o m e r s a r e t r a n s f o r m i n g t h e i r w o r l d s a s w e l l. W e r n e r Vo g e l s A m a z o n W e b S e r v i c e s, C T O

핵심비즈니스에역량집중 On-Premises Cloud 혁신시도에대한부담이큰환경 실패 $ Millions = 막대한비용손실 Nearly $0 잦은실험적시도불가 Vs. 혁신을촉진하는환경 실패하더라도적은비용 / 시간만손실 잦은실험적시도 기획및계획에서실험과테스트로비즈니스가능성과혁신적비즈니스실행력제고 인프라관리에드는부담감소 신규비즈니스구현에집중 실험및혁신에리소스투자가능

새로운 IT 프로젝트및운영 / 관리체계 전통적서비스 / 프로젝트라이프사이클 VS. 혁신기업의서비스 / 프로젝트라이프사이클 개발 (6 개월 ) 운영 (3 년 ) 개발 (6 개월 ) 개발 + 운영 (3 개월 ) 개발 + 운영 (3 개월 ) 개발 + 운영 (3 개월 ) DevOps + Idea Idea Idea Idea Idea Idea 프로젝트 1.0 운영이관 프로젝트 2.0 시스템구매 (renewal) + 프로젝트 1.0 프로젝트 2.0 MicroService CI/CD 프로젝트 X.0

IT 를바라보는시각의전환 과거 현재 느리고경직된인프라운영을위해거액투자 거액의투자가수반되는프로젝트를통해 IT 구축 관리및유지보수위주, 최신기술도입을위해지속적으로재투자 경쟁우위로서의민첩성확보를위한확장성있고, 유연한핵심자원 신규기능및최신기술이자동으로 Update 고품질의 Managed Service

클라우드컴퓨팅은플랫폼 AWS 마켓플레이스 기업용애플리케이션 IoT BigData ML 인프라에서애플리케이션, 마켓플레이스까지 End-to-End 서비스제공 모바일 데이터분석 서버리스 애플리케이션서비스 관리 / 보안 핵심서비스 인프라 API 개발 / 테스트 / 빌드 & 배포 Service, Solution, API, App, 공용기능 등이플랫폼을구성하는핵심요소 (Primitives) 핵심서비스를활용하여다양한응용서비스를가능하게하는플랫폼형인프라 (Building Block) Ready made service and platform

최근클라우드의진화방향 1 완전관리형서비스 2 서버없는서비스기반 3 혁신서비스플랫폼 Fully Managed Serverless Computing Innovative service platform 설치 / 구축 / 지원까지자동화된관리서비스 서버없이함수형서비스기반 API 를통한실행 IoT, BigData, Mobile 등플랫폼기반 Ready-made Built-in 서비스

클라우드는 최근 혁신 기술의 기반 IoT Fintech Big Data OmniChannel

올해 2017 년은스마트폰, 모바일 10 년의해! 이미지출처 : https://www.telecomstechnews.com/news/2017/feb/27/orange-pushes-ahead-lte-m-strategy-iot-devices/

스마트폰은사실상의 IoT 의기본인센서의집합체 근접센서 기압계 온도 / 습도센서 조도센서 주변소리센서 M7 모션코프로세서 가속도계회전센서자력계

Mobile = IoT? No and Yes. Wearables Home Automation Apps Industrial Control Equipment Companion Apps Connect 연결

IoT 의가속화는 O2O 로 i O t 2 O 이미지출처 : http://blog.kt.com/12

New Computer Age 의도래 PC 컴퓨터에서스마트폰, 이제는 Mobile First 에서 Next Computing 시대로 PC-Computer Smart Phone Frictionless? Computing No Display! No Keyboard/Mouse! No Touch! Only Recognition! 출처 http://ben-evans.com/

AI 와 IoT 의결합과융합으로진화 AI + IoT = AIoT 이미지출처 : https://www.slideshare.net/muralidhar9s/what-if-things-start-to-think-artificial-intelligence-in-iot

Machine & Deep Learning 머신러닝으로모든것이재조명되고있는상황스마트폰이후에다음세대의디바이스서비스로예상되고있음 출처 http://ben-evans.com/

인공지능의단계 Level Level 1 Level 2 Level 3 Level 4 - 단순제어프로그램탑재된디바이스 / 장비 - 제어공학 / 시스템공학 -IoT 와머신러닝결합 - 자동작동 / 원격관리 - 사전예측 / 진단 - 퍼즐 / 진단프로그램 - 행동패턴인식 / 실행 - 다양한경우, 입출력경우의수가많은경우 - 적절한판단, 추론 / 탐색기존지식기반판단 - 자동적판단, 검색 / 빅데이터기반 - 추론구조 / 지식베이스데이터기반학습 - 기계학습, 표본데이터규칙 / 지식을스스로학습. 패턴인식 - 딥러닝적용 (DNN) - 이미지 / 음성인식, 자연어처리 - 질의 / 응답 / 서비스실행 - 지속적인학습으로진화하는러닝모델.

AI 가존재하고성공하기위해서는 IoT 의역할은? IoT : Data Collection through IoT Big Data : Capture, Storage, analysis of Data AI : Data-based Learning (Machine/Deep Learning)

AWS 의 Internet of Things 에대한생각 Various Sensors Device Mobile Device MQTT HTTPS Persistent Stream Archive Analysis Correlation 클라우드에제품을연결하여센서데이터를캡처하고장치에서위치데이터를업데이트하며명령을실행 클라우드에서제품의동작정의 제품이클라이언트애플리케이션 ( 스마트폰 / 태블릿앱포함 ) 과쉽게상호작용할수있도록함

IoT 의 3 가지중심축 IoT 재정의 : Intelligence, Cloud-Orchestration, Things 사물 Things Sense & Act 클라우드 Cloud Storage & Compute 지능화 Intelligence Insights & Logic Action

AWS IoT 의강점및기대효과 AWS IoT 플랫폼이가능하게하는것 : 대규모장치를 AWS 클라우드및기타장치에안전하게연결하려면 이러한장치의데이터를라우팅하고처리하고작동시키려면 응용프로그램이오프라인상태에서도장치와상호작용할수있게하려면 다른 AWS 서비스와완벽하게통합하여데이터를분석합니다 (Analytics, Databases, AI 등 ).

AWS IoT Analytics Kinesis Artificial Intelligence EMR AWS IoT Messages Messaging SQS SNS Database Redshift DynamoDB Manage CloudWatch Messages Messages Rules Engine AWS Services Device Gateway Message Broker Device Shadow Messages Registry Applications API

Problem To Solve: Consumer scale & service AWS IoT 로구동되는디바이스 원격제어및원격측정 스마트홈성장솔루션대체 알렉사스킬및모바일앱연계

IoT Customer Momentum FoxDen

Big Data Evolution Batch Real-time Prediction Reports Alerts Forecasts

Machine Learning Collect 수집 Training data 학습데이터 Validation data 확인 / 처리데이터 Test data 테스트데이터 모델학습 Model training 모델검증 Model validation Final predictions 최종예측

Machine Learning from AWS Amazon Machine Learning is a service that makes it easy for developers of all skill levels to use machine learning technology.

Deep Learning Advanced ML Where traditional machine learning focuses on feature engineering, deep learning focuses on end-to-end learning based on raw features Neural Networks : A collection of simple, trainable mathematical units that collectively learn complex functions

Deep Learning Use Cases 이미지 / 시각처리음성인식자연어처리

Deep Learning Flow Train Training dataset Solver Neural network Train Solver Network Dashboard Deploy Model Feedback Classification Detection Segmentation

When Jobs/Tasks will be taken over by Machines? AI 는인간을언제대체하는지? 옥스포드대와예일대에서 352 명의인공지능연구원에게설문조사 미래의기계가인간의다양한업무로대체할때는언제인지? - 언어번역은 2024 년이되어야완전히대체. - 에세이는 2026 년에고등학생수준작성. -2161 년까지모든인간작업을자동화. -2136 년이되어야완전히인간을대체. " 이결과는연구원과정책입안자들사이에서 AI 의경향을예측하고관리하는것에관한논의에도움을줄것임." AI 기술의정도와혁신의수준인식이중요

AI 인공지능의정의 지능 (intelligence) 이라는단어는무엇을의미하는가? 1. 인간의지능은무언가를이해하고배우는능력이다. 2. 지능은본능적혹은자동적으로무언가를하는대신생각하고이해하는능력이다. - Essential English Dictionary, Collins, London, 1990 생각 (thinking) 이라는단어는무엇을의미하는가? 생각 (thinking) 이란문제를고려하거나아이디어를만들기위해두뇌를사용하는행위다. - Essential English Dictionary, Collins, London, 1990 생각을하려면인간이나사물에두뇌, 즉문제를풀고결정을내리기위해무언가를배우고이해할수있게해주는기관이있어야한다. 따라서지능이란 문제를풀고결정을내리기위해배우고이해하는능력 으로정의할수있다. AI 이란, 인간의지능이필요한작업을기계도할수있게만드는것을목표로하는과학이다. 지능적인기계를만들기위해서는특정문제영역에서전문가지식을획득하고구성하며사용할수있어야한다.

암흑기 에서지식기반시스템에이르는 AI 의역사 1. 암흑기 : AI의탄생 (1943년 ~1956년 ) 2. AI의융성 : 큰기대의시대 (1956년 ~1960년대후반 ) 3. 이행되지않은약속 : 현실의직면 (1960년대후반 ~1970년대초반 ) 4. 전문가시스템의기술 : 성공의열쇠 (1970년대초반 ~1980년대중반 ) 5. 기계가학습하는법 : 신경망의재탄생 (1980년대중반 ~) 6. 진화연산 : 탐색하면서배우기 (1970년대초반 ~) 7. 지식공학의새로운시대 : 단어로계산하기 (1980년대후반 ~) 싱귤래리티 딥러닝 제 1 차 AI 붐 겨울의시대 제 2 차 AI 붐 겨울의시대 제 3 차 AI 붐 머신러닝 1960 년대 1970 년대 1980 년대 1990 년대 2000 년대 2010 년대

최근 AI 응용어플리케이션분야 A few AI application today 수많은처리및예측 A lot of number crunching Business Intelligence 컴퓨터비전 Vision Auto tech and drone Collision avoidance 자연어처리 Language Processing Chatbots IoT Predictive Maintenance E-Commerce Search News & Media Content Creation Search Recommendation Pick and Place robots Smart home voice interfaces Forecasting Models Healthcare Diagnostics Text Analytics

AI/ML 분야의깊은경험은우리의서비스를차별화함 Our deep experience with AI/ML differentiates our services 1995 아마존은설립초기부터 AI / ML 에투자했으며우리는고객에게지식과역량을공유합니다. Amazon has invested in AI/ML since our inception, and we share our knowledge and capabilities with our customers 2017 Product recommendation engine Robot-enabled fulfillment centers New product categories ML-driven supply chain and capacity planning Natural language processingsupported contact centers Checkout-free shopping using deep learning 상품추천 물류센터로봇 신규제품영역 머신러닝기반 SCM 자연어처리기반콘택센터 딥러닝기반무결재쇼핑

Amazon 에서 AI Inside Amazon AI 전사적으로수천명의임직원들이 AI 를연구하고업무에적용및실행 상품검색추천 물류 / 배송 디바이스 & 미디어개선 새로운혁신제품 딥러닝머신러닝서비스 Consumer Product & Service Alexa, Video, Music, Audible Drone, Store, etc. Customer facing Commerce Intelligence Personalization and Recommend Fulfillment management Fast delivery and shipping Platform & Infrastructure Cloud Computing to Power AI algorithms. Provide full stack from AWS (AI service/platform/framework/infrastructure)

우리가 AI 를이용및활용하여앞으로나아갈수없는이유? What is preventing the industry from moving ahead? AI/ML expertise is rare 전문가부족 Building and scaling AI/ML technology is hard 기술 / 스케일링어려움 Deploying and operating models in production is time-consuming and expensive 운영시시간소모적 / 고비용 A lack of cost-effective, easy-to-use, and scalable AI/ML services 비용효율적쉽고단순한확장성있는서비스필요

AWS 는 AI / ML 을보다쉽게이용할수있도록다양한도구를제공 AWS offers a range of tools to make AI/ML more accessible Amazon AI/ML Services Machine Learning Platforms Deep Learning Frameworks Amazon ML Spark & EMR Kinesis Batch Lex Polly Rekognition ECS Usability/simplicity: leverages AWS AI/ML expertise 이러한솔루션은검증되고확장가능한 AWS 제품및서비스를기반으로합니다. These solutions are underpinned by proven, scalable AWS products and services Greater control: customer-specific models Amazon EC2 (P2 and G2 GPUs) Amazon EC2 (CPUs) Amazon EC2 (ENA) Amazon S3 Amazon DynamoDB Amazon Redshift AWS Lambda AWS IoT AWS Greengrass

이도구들이모여전체 AI / ML 스택을제공하게됩니다. 우리의접근방식은모든주요프레임워크를지원하고고객이업무에가장적합한도구를사용할수있게하는것입니다. Our approach is to support all major frameworks and enable our customers to use the best tool for the job. Services Lex (Language) Polly (Speech) Rekognition (Vision) Platforms Amazon ML Spark & EMR Kinesis Batch ECS AWS Deep Learning AMI Frameworks Apache MXNet TensorFlow Caffe2 & Caffe Theano Keras Cognitive Toolkit Torch Infrastructure GPU CPU IoT Mobile

오늘날여러산업분야의기업이 AWS 에서 AI/ML 을실행합니다. And today, enterprises across industries run AI/ML on AWS

Amazon AI/ML 서비스는사용이간편하도록설계되었습니다. Amazon AI/ML Services are designed for ease-of-use 광범위한 AI/ML 전문기술을필요로하지않는 Lex Polly Rekognition 확장가능하고, 훈련되고, 지속적으로최적화된서비스 Scalable, trained, and continuously optimized services that do not require extensive AI/ML expertise Amazon AI / ML 서비스의기본구성요소 Foundational components of Amazon AI/ML services Amazon data science expertise Amazon training data Amazon models and learning Accessibility via API

혁신을가능하게하기위해설계된플랫폼 A platform designed to enable innovation Benefits: 초기모델을구축하고탐색할수있는직관적인서비스콘솔 Robust, Amazon 의내부시스템을기반으로한강력한머신러닝기술 이미 AWS 클라우드에저장된데이터를사용하여모델을생성하는기능 수초만에모델을운영서비스 (Production) 에배포 이용한만큼, 저렴한비용으로제공 기존데이터가있는개발자를위해제작된사용하기쉽고관리되는머신러닝서비스 Easy-to-use, managed machine learning service built for developers with existing data

지능형시스템구축을위한프레임워크 Frameworks to help build intelligent systems 정교한 AI/ML 모델을학습하기위한 딥러닝프레임워크가미리설치된 AMI AMI pre-installed with deep learning frameworks to train sophisticated AI/ML models Benefits: AWS Deep Learning AMI 는편리한 Amazon Machine Image 에사전설치및구성된머신러닝도구를제공합니다. Apache MXNet, TensorFlow, Microsoft Cognitive Toolkit (CNTK), Caffe, Caffe2, Theano, Torch 및 Keras 와같은프레임워크를자유롭게사용할수있습니다. 대규모학습을위해관리되는스케일이자동조정되는 GPU 클러스터를쉽게생성합니다.

고객경험향상및통찰력확보 Enhancing customer experience and uncovering insights Lex 대화형인터페이스자연어처리 / 이해 Polly Text to Speech 기반의음성서비스제작 Rekognition 이미지검색및탐색이미지인식및분석기반 Benefits for industrial Services Institutions 규모에따른서비스맞춤화 보다개인화된효율적인고객상호작용 운영및관리효율성제고 신규투자및새로운 비즈니스기회

LEX 와 POLLY 의 Chatbot 도입유형 정보봇서비스 - Informational Bots 모든고객의매일일상적질의에대한챗봇서비스 Chatbots for everyday consumer requests 어플리케이션봇 - Application Bots 모바일어플리케이션에강력한인터페이스연계 Build powerful interfaces to mobile applications 기업생산성봇 Enterprise Productivity Bots 기업의업무에서생산성향상과업무과정상에지원 Streamline enterprise work activities and improve efficiencies IoT 봇 Internet of Things (IoT) Bots 디바이스상호자굥에서인터페이스를통한대화 ( 컨트롤 ) 가능 Enable conversational interfaces for device interactions 뉴스업데이트 날씨정보 스포츠경기스코어 티켓예약 식사주문 은행계좌관리등 매출확인 마케팅상황 / 결과 실시간재고파악 웨어러블 원격어플리케이션 자동화

Amazon AI 사례. Pinterest/Netflix Pinterest Lens Netflix Recommendation Engine

AI 접근전략 - Approach Business Scenarios Learning Model Platform 1. Business before Technology Business Service Model 2. Scenarios to Pattern, Prototype Dialogue and Workflow 3. Learning Model & Algorithm Modeling and Data Learning. 4. Leverage Platform Data Lake, Learning Framework, P2 instances, Connect to IoT & Mobile, etc

2016 Letter to Shareholders Day1! 1. 고객중심사고 True Customer Obsession 2. 당연하다고믿는것에대한의심 Resist Proxies 3. 외부트렌드수용 Embrace External Trends 4. 신속한의사결정 High-Velocity Decision Making

2016 Letter to Shareholders 외부트렌드수용 Embrace External Trends 미래와싸우지말고미래를받아들여서나가야합니다. AWS 에서우리는머신러닝및 AI 에대한비용과장벽을낮춰 모든조직이이러한고급기술을활용할수있습니다. Learn and be Curious Invent and Simplify

2016 Letter to Shareholders 신속한의사결정 High-Velocity Decision Making " 정보의 70% 만주어져도과감하게시도하라. 정보가 90% 가될때까지기다리면이미늦다 " Bias for Action