はじめに こんにちは、2026年4月入社の新人エンジニア、yasunoriです。 9月10日（木）・11日（金）に開催されたSNOWFLAKE WORLD TOUR TOKYO 2026に参加してきました！ 私は現在、データパイプラインの開発を担当しており、主にデータの取り込みや加工を通じてSnowflakeを学んでいます。新入社員ということもあり、業務に携わるまではSnowflakeについて全く知りませんでしたが、今回のイベントはSnowflakeへの理解を広げるよい機会になりました。 参加前は「初心者の自分でも内容についていけるだろうか」と少し不安もありましたが、基礎から学べるセ

日本電気株式会社（以下、NEC）・Anthropic Japan 合同会社（以下、Anthropic）のご協力を得て、AWS がお届けします。本稿では、大規模な組織で生成 AI ツールの展開・定着化に課題や関心をお持ちの方に向けて、NEC の実践事例から組織展開の具体的な施策をご紹介します。 NEC は日本および海外の NEC グループへの Claude 展開を進めています。全社員（最大 12 万人）向けに Claude Desktop on Amazon Bedrock を展開しており、その詳細は こちらの記事 をご参照ください。そして開発の現場では、約 3 万人の AI ネイティブエンジニア体制の構築を目指し、Claude Code on Amazon Bedrock の活用拡大を進めています。その取り組みの一環として、いち早く現場で実践する人材を増やすため、2026 年 7 月 16 日と 8 月 25 日の 2 回にわたり、NEC と AWS の共催で「Claude Code ワークショップ」を開催しました。8 月 25 日の応用編には Anthropic もゲストとして登壇しています。延べ 158 名が参加し、座学だけでなく、実際に手を動かしながら業務適用のアイデアを練り、チーム間で共有する機会となりました。 この 2 回のワークショップを含め、NEC の Claude Code 全社展開を支える SI サービス CoE（Center of Excellence）の取り組みとイベント当日の様子を、NEC 金竹氏からの寄稿、Anthropic 服部氏のコメント、企画・運営を担当した AWS 西部の振り返りを通じてお伝えします。 寄稿：NEC 金竹氏 ― 参加者の反応から見えた、次の一手 開催背景：NEC が考える Claude Code 全社展開の成功要因 NEC エンジニアリング推進統括部 金竹です。NEC は、Amazon Bedrock 上で Claude Code の全社展開を進めています。Claude Code を約 3 万人規模へ展開するにあたり、以下の 3 つを重要な成功要因と考えています。 各事業部門における推進体制 (部門 CoE) の構築 チャンピオン制度 Skills ※1 による知見の標準化 ※1 Skills とは、AI エージェントの機能を拡張するモジュール式の仕組みで、業務の手順やノウハウ、スクリプトなどをまとめておくと、AI エージェントが関連するタスクで自動的に読み込んで使用します。 SI サービス CoE として全社規模のエンジニアに浸透させるには、自部門だけでは手の届く範囲に限界があります。そこで、各事業部門内に、連携する推進体制 (部門 CoE) を構築し、実際に活動をリードするチャンピオンを育成することで、現場の業務特性に即した活用拡大を進めています。 今回のワークショップは、AWS 様と NEC が企画・運営した全社的なイベントで、各事業部門の中でチャンピオン候補となるメンバーの実践スキルを底上げする機会として位置づけていました。8 月 25 日の応用編では Anthropic 様にも参加いただき、三社協働での体制を構築しました。ワークショップは、基本操作の習得と業務適用のアイデア出しを行う「入門編」と、実践的な開発プロセスへの組み込み方を体感する「応用編」の 2 段構成です。特に応用編は、前述の各事業部門の推進体制から推薦された中級者に限定して実施し、今後チャンピオンとして現場をリードしていく人材の実践力を高めることを狙いました。 7 月 16 日：入門編 – Claude Code の基本操作と業務適用アイデア発見 初級・中級者を対象に、基本操作と業務適用のアイデア出しをテーマとしました。座学とハンズオンで Claude Code の基本を学んだ後、グループワークで「自分たちの業務にどう活かせるか」を議論し、その場で Claude Code を使ってプレゼン資料やモックを作成、チーム間で発表・質疑を行いました。 ハンズオンコンテンツは AWS での Claude Code 入門 を活用しました。Workshop Studio で公開されているので、ご興味のある方はぜひお試しください。 8 月 25 日：応用編 – 個人の活用からチームの活用へ、ハーネスエンジニアリング実践 各事業部門の推進体制から推薦された中級者に対象を限定し、「ハーネスエンジニアリング」 ※2 の実践をテーマとしました。座学や NEC 社内標準の Skills の紹介に加えて、SI 事業に関する業務を題材としたゲーム形式のハンズオンを通じて、ハーネスエンジニアリングの考え方を実践していただきました。この回には Anthropic 様からゲストが登壇し、AWS 様と Anthropic 様のパートナーシップの概要や Claude Code を中心とした最新動向を紹介いただくとともに、相談会にも参加いただきました。 ※2 ハーネスエンジニアリングとは、AI モデルの周辺に用意する指示・知識・ツールなどの仕組み（ハーネス）を業務プロセスに応じて設計する考え方です。 参考：NEC と各社の戦略的協業 NEC、米国AWSと日本で初めてコーポレートレベルの戦略的協業を締結 (2020年11月13日): プレスリリース | NEC NEC、Anthropic とエンタープライズAI分野を中心に戦略的協業を開始 (2026年4月23日): プレスリリース | NEC ワークショップを通じて得た手応え 入門編は、定員 100 名に対して募集開始から即満席になるなど想定を超える反響がありました。参加後のアンケートでは、Claude Code を開発業務で活用したいと回答したメンバーが 93%、満足度は 88% に達し、参加者の当事者意識の高さを改めて実感しました。「Claude Code の機能や使い方など、まだまだ使いこなせていないことを実感した」「業務への活用イメージが持てた」という声が多く、チャットでの利用が中心だった参加者にも、アプリケーション作成までの体験を通じて具体的な活用イメージを持ってもらえたと感じています。 応用編では、SI 事業の実務そのものを題材にしたゲーム形式のハンズオンにより、単発のプロンプトでは終わらない、業務プロセスを分解してハーネスを組み込む考え方を体感できました。「すぐにでも実業務に実践可能と感じた」「個人単位でなくグループ単位で活用するための学びと気づきがあった」という声が寄せられており、個人の Claude Code 活用から、チーム・部門単位での活用へ発想を切り替えるきっかけになったと考えています。 現場で見えてきた学びと課題 社内では、人材育成と並行して、開発現場のユースケースをよりクイックにカバーするため、標準的な Skills を展開する取り組みも進めています。要件定義から設計、製造、テストまでの各工程に対応した専門 Skills を整備することで、個々のエンジニアが試行錯誤するコストを抑え、NEC が長年にわたり有識者やベテランエンジニアが蓄積してきた知見・ノウハウを、AI が活用可能な形で現場に展開していくことを目指しています。 今回のワークショップで扱ったハーネスエンジニアリングは、そのための重要な考え方の一つです。イベントで得た学びをその場限りにせず、参加者が実際の開発現場で活用し、得られた知見や改善点を Skills に反映する。そして、その Skills を他のチームやプロジェクトにも展開し、さらに磨き上げていく。この継続的なサイクルを通じて、個人の経験を組織の資産へ変え、AI ネイティブ開発を全社的に加速していくことを期待しています。 一方で、イベント後の相談会では、AI をどこまで信頼し、どう向き合うか、など現場ならではの悩みも多く寄せられました。参加者が実業務での Claude Code 活用に向けて、本格的に動き出したことを示しています。 また、ハンズオン中には、実行環境に起因するトラブルも複数発生しました。展開を広げていくうえでは、環境面を改善し利用者体験を向上していくことも、今後の展開を左右する重要な要素です。 今後の展望 今回のワークショップで高まった熱量を維持して活動を加速するために、NEC では次のような取り組みを進めていきます。 継続的な人材育成施策 — 基本的なトレーニングコンテンツに加えて、各事業部門のチャンピオン向けにはより高度な内容を準備するなど、AWS 様・Anthropic 様とも連携しながら、対象者層別に適切な育成施策を継続していきます。 コミュニティの活性化 — 各現場で良い取り組みを横展開できるように、SI サービス CoE メンバーや各事業部門のチャンピオンを中心とした、事例共有・相互学習の場の形成を支援します。現場発の知見が自然に広がっていく構造を目指します。 ユースケースの拡充と業務プロセスの標準化 — SI サービス CoE や、各事業部門のチャンピオンを起点に、各現場でのユースケースを拡充・蓄積していくとともに、ハーネスエンジニアリングや Skills 整備といった取り組みを通じて、業務プロセスの標準化を進めていきます。個別の活用にとどまらず、組織として再現性のある開発プロセスを確立することを目指します。 これらの取り組みは、NEC だけで完結するものではありません。AWS 様や Anthropic 様にお力添えいただきながら連携して進めていきます。本取り組みを一過性のイベントで終わらせず、全社展開を支える継続的な枠組みに育てていきたいと考えています。 おわりに (AWS 西部) 本ワークショップの企画・運営を担当した AWS カスタマーソリューションマネージャー 西部がワークショップを振り返ります。 まず印象的だったのは、参加者の熱量の高さです。当日は大変盛況で、最後まで議論が絶えませんでした。この熱量の背景には、SI サービス CoE を中心として、現場の関心を日頃から育ててきた素地があります。ツールの導入とあわせて「使いたい人を増やす」土台をどれだけ築けているかが、全社展開の速度を左右することを実感しました。 また、参加者の反応からは、生成 AI 活用の焦点が「個人の生産性向上」から「開発プロセスへの組み込み」へ移りつつあることを確信しました。単発のプロンプトの工夫よりも、業務プロセスにどう組み込むかという議論に参加者の関心が集まっていたのが印象的です。NEC が進める Skills 整備や業務プロセスの標準化は、この転換を組織として先取りする取り組みです。 NEC の強力なリーダーシップのもと、AWS の Amazon Bedrock 構成の知見と業務理解、Anthropic のモデル・プロダクトの知見がこの取り組みを支えています。三社が協力することで単独では得られない価値を生み出せると感じています。この三社の協働について、Anthropic の服部氏は次のように語っています。 「NEC 様とは戦略的協業以降、SI サービス CoE の皆さまと継続的に連携しながら Claude の全社展開をご一緒してきました。今回の Claude Code ワークショップは、NEC 様が築いてこられた推進体制と、AWS 様のご支援があってこそ実現できた取り組みです。相談会では、AI とどう向き合うかといった現場ならではのお悩みを直接伺うことができ、今後の支援のあり方を考えるうえで大きなヒントをいただきました」 ― Anthropic Japan 合同会社 服部 佑樹 氏 2 回のワークショップを通じて、NEC の SI サービス CoE を中心とした Claude Code 活用の裾野を広げることができました。参加者からは全社展開や継続開催を望む声も多く寄せられており、AWS は今後も NEC・Anthropic とともに、各事業部門の推進体制とチャンピオンを軸とした Claude Code 活用の定着化を支援していきます。 日本電気株式会社について NEC は、125 年以上の歴史を有する、AI やサイバーセキュリティ、通信などの技術を強みとするグローバルテクノロジー企業です。社会と産業の AI トランスフォーメーションを推進する IT サービス事業と、日本をはじめ世界の安全保障に貢献する社会インフラ事業を展開しています。業種横断の先進的な知見と最先端技術を結集し体系化した価値創造モデル「BluStellar (ブルーステラ)」を中核に、世界に革新と安心を届け、誰もが人間性を十分に発揮できる社会の実現を目指します。 著者について 金竹 香織 日本電気株式会社 SI サービス CoE 部門 エンジニアリング推進統括部 プロフェッショナル 生成 AI 活用に向けた人材育成に従事。生成 AI 活用人材の育成体系、研修・ワークショップの企画運営等を通じ、社内における開発業務活用の定着化を推進しています。 服部 佑樹 Anthropic Japan 合同会社 Strategic Customer Success Manager 日本のエンタープライズのお客様を担当し、Claude Code や Claude Cowork を活用した AI 導入の計画から、全社での定着、業務成果の創出までを一貫して支援しています。 西部 信博 アマゾンウェブサービスジャパン合同会社 エンタープライズ CSM 部 カスタマーソリューションマネージャー エンタープライズのお客様を中心に、AI・クラウドジャーニーにおける課題特定から解決までをご支援しています。

本記事は 2026 年 10 月 7 日に公開された “ Introducing AWS Physical AI Toolchain ” を翻訳したものです。 フィジカル AI ポリシーのトレーニングとデプロイを AWS 上で大規模に行うための、エンドツーエンドのソリューション フィジカル AI はロボット、自動運転車、スマートファクトリーなどを通して現実世界で稼働する人工知能です。 Capgemini Research Institute の調査によると、79% の組織がすでにフィジカル AI を活用しており、経営幹部の 60% が、フィジカル AI により、これまでロボットの採用が不可能または現実的ではなかった分野での活用が可能になると考えています。テクノロジーはまさに転換期を迎えています。 しかし、ロボットを実用可能な実験用プロトタイプから信頼性の高い生産システムへと発展させるには、単一のモデルだけでは不十分です。これには、データ収集、合成データ生成、モデルトレーニング、シミュレーションに基づく検証、エッジデプロイを統合するパイプラインが必要です。各段階では、それぞれ異なる計算リソース、異なるツールが求められ、運用上の制約も異なります。このような工程間の引き継ぎにおいて、多くのチームが何か月分ものエンジニアリングの時間を浪費しています。 本日、発表する Physical AI Toolchain on AWS は、AWS 上でフィジカル AI の開発ライフサイクル全体を運用するためのリファレンスアーキテクチャ、Infrastructure as Code、デプロイの自動化機能を 1 つにまとめ、NVIDIA Physical AI スタックと統合したものです。このツールチェーンは特定のロボットやタスクの種類に依存しません。自身の URDF、テレオペレーションデータ、タスク定義を用意するだけで、残りの処理はインフラストラクチャが行います。 フィジカル AI 開発ライフサイクル フィジカル AI は、閉ループで稼働し、現実世界に対し、感知、判断、実行を継続的なサイクルで行います。これは、モデルがデータを処理し、予測値を画面に返す、従来の ML-Ops とは根本的に異なります。オフラインの評価では高い精度を出せるモデルも、雑然とした倉庫で 6 軸アームを 200 Hz で制御しなければならないとなると、うまく機能しないかもしれません。開発プロセスでは、物理的な力学特性、リアルタイムの制約、センサーノイズ、安全上の境界、遅延、そして現実世界でのテストではハードウェアの破損の可能性がありコストがかかるという現実を考慮する必要があります。 図 1：フィジカル AI 開発ライフサイクル フィジカル AI のライフサイクルは、直線的なパイプラインではなく、フライホイール（循環構造）です。デプロイされたロボットが新たなデータを生成し、エッジケースを明らかにします。このようなエッジケースは、新たなシミュレーションシナリオの手がかりとなります。シミュレーションにより合成トレーニングデータが生成されます。より向上したモデルは、徐々に難易度を上げたテストによって検証されます。このサイクルを繰り返し、反復のたびにシミュレーションと現実世界のギャップを縮めていきます。 フィジカル AI に専用のツールチェーンが必要な理由 フィジカル AI には汎用的な ML-Ops の前提が通用しません。目的特化型のインフラストラクチャが必要となる 5 つの課題を以下に示します。 様々な計算資源の混在：1 つのフィジカル AI のワークフローの中で、基盤モデルトレーニングのための高帯域の GPU クラスター、物理シミュレーションのための柔軟な中位クラスの GPU 容量、ロボット上のリアルタイム推論のためのエッジ GPU が使われます。1 つの計算サービスですべてをカバーすることはできません。 アーティファクトの乱立：各ロボットリリースには、データセット、シミュレーションシーン、ロボット URDF 記述、キャリブレーションデータ、トレーニングコンテナ、チェックポイント、評価結果、デプロイ可能なエッジパッケージが含まれます。それぞれのステップを横断し、アーティファクトの昇格が制御されていないと、数週間のうちに再現性が失われます。 検証の深さ：故障したロボットが再起動した時には、物理世界はすでに変化しています。フィジカル AI は、シミュレーション、監督下での実機テスト、管理された実環境での展開を経て、段階的に昇格させる必要があります。ロボットアームにはシンプルなブルーグリーンデプロイメントに相当するものはありません。 データの経済性：実機ロボットのデータの収集にはコストがかかります。実環境グレードのポリシーは何百もの異なる環境への対応が求められます。チームには、デモンストレーションデータを、合成データによる拡張や強化学習によって増幅していくループが必要です。 制御経路の配置：物理的な動きを決定する推論は、ロボット上の遅延、電力の予算、熱の制約に縛られます。クラウドはトレーニングやロボット群の管理を担いますが、安全に関わる物理タスクの制御ループとなることはできません。 5 つの課題はすべて相関しています。ツールチェーンの価値は、トレーニングスクリプトが 1 つ増えることではありません。データの取り込みからシミュレーション、エッジデプロイに至る整合性のある検証済みのプロセスであり、多くのチームが時間を費やす引き継ぎの部分を担うものです。 Physical AI Toolchain on AWS の発表 Physical AI Toolchain on AWS は、AWS 上でのフィジカル AI 開発ライフサイクル専用に設計された、リファレンスアーキテクチャ、Infrastructure as Code、デプロイ自動化機能を組み合わせた、一般公開されているコレクションです。NVIDIA のロボティクスソフトウェアスタック―視覚・言語・行動（VLA）トレーニング用「GR00T」、物理シミュレーション用「Isaac Sim」、大規模強化学習用「Isaac Lab」、合成データ生成用「Cosmos」、およびワークフローオーケストレーション用「OSMO」―を再現性のある単一のパイプラインに統合し、AWS マネージドサービス上で展開します。このツールチェーンはフィジカル AI の複雑さを捨象するものではありません。これにより、チームは引継ぎのたびに基盤を構築し直すことなく、再現性のある方法で、データ、モデル、シミュレーションジョブ、デプロイメントアーティファクトをステージ間で移行することができます。 オープンスタンダードに基づく構築 ツールチェーンは NVIDIA のコンポーネントに加えて、ロボティクスチームがすでに利用している公開ツールの上に構築されています。Zarr 形式の生データを読み込んでコミュニティ標準の LeRobot 形式に標準化し、PyTorch と Hugging Face で学習を行い、Gymnasium で強化学習タスクを定義し、URDF でロボットを記述し、移植性の高いエッジ推論のために ONNX 形式でエクスポートします。ロボット上の制御は、モデルから ROS 2 に引き継がれます。こうすることで、データやモデルを移植性の高いオープンなフォーマットで保持できます。 設計原則 ツールチェーンは 3 つの設計原則に基づいています。 モノリシックでなくモジュラー型 ：各コンポーネント（基盤、Isaac Sim、Isaac Lab、GR00T、OSMO）は独立した Terraform モジュールになっており、1 つずつ段階的に導入することも、パイプライン全体に展開することもできます。モジュールは SSM パラメータを通じてコンフィギュレーションを共有しますが、厳密な依存関係はありません。 AWS インフラストラクチャ上の NVIDIA ネイティブ ：ツールチェーンは AWS のコンピュート、ストレージ、ネットワーキング、セキュリティサービス上で NVIDIA Physical AI スタックを実行します。直接 NVIDIA のドキュメンテーションをフォローしても、クラウドネイティブなデプロイ自動化のメリットを享受できます。 リニアなパイプラインではなくフライホイール・アウェア ：基盤によってフィジカル AI 開発の持つ反復的な特性をサポートします。デプロイからフィードバックされたデータが新たなシミュレーションシナリオに活用されます。生成された合成データが学習に活用されます。学習済みモデルが検証に活用されます。ツールチェーンは決まった順序を強制するのではなく、フライホイール内のあらゆる移行に対応する基盤を提供します。 アーキテクチャ Physical AI Toolchain on AWS は基盤にある複雑さを抽象化し、開発のフライホイールを AWS ソリューションに当てはめます。このアーキテクチャは意図的に垂直構造にして、各ピラーが独自に AWS のマネージドの基盤上で NVIDIA ドメインレイヤーを備える形になっています。アーキテクチャ全体のボトムレイヤーは Strands エージェントレイヤーで、インテリジェントなコーディネーションを可能にする Strands Agents SDK をもとに構築された AI ドリブンなオーケストレーションレイヤーです。チームは、個別に 1 つのピラーを採用することも、エージェントオーケストレーションで移行を管理し、ピラーを連携させてエンドツーエンドの完全なパイプライン全体を構築することも可能です。 図 2：Physical AI Toolchain on AWS のコンポーネント データは各ピラーを左から右へと流れます。遠隔操作装置の生データが Amazon Simple Storage Service (Amazon S3) に届き、 Amazon Elastic Kubernetes Service (Amazon EKS) や AWS Batch と NVIDIA Cosmos で合成世界の生成が行われ、AWS Batch と Amazon SageMaker で NVIDIA Isaac Lab および Isaac GR00T を使ってポリシー学習、 Amazon Elastic Compute Cloud (Amazon EC2) 上の NVIDIA Isaac Sim で検証を実行し、最終デプロイで、 AWS IoT Greengrass を使用して、最適化されたモデルを NVIDIA Jetson ハードウェアにプッシュします。Amazon SageMaker や AWS Batch で学習や微調整ジョブを実行することで、実装コストを最適化します。 Strands エージェントレイヤー は一般に公開されている Strands Agents SDK を基に構築され、ツールチェーン全体に AI ネイティブなインターフェースを提供します。チームは各パイプラインのバリエーション向けにカスタムのオーケストレーションスクリプトを書く代わりに、自然言語や構造化されたプロンプトで意図を記述するだけで済みます。あとはエージェントレイヤーが、呼び出すべきコンポーネントを判断し、必要なコンピューティングリソースを割り当て、データの受け渡しを管理し、結果を報告します。 NVIDIA Physical AI スタックの統合 ツールチェーンは NVIDIA Physical AI ソフトウェアスタックと緊密に統合し、AWS の基盤上で展開・運用されます。 NVIDIA はドメイン特化型レイヤーを提供します。 Isaac Sim ：シーン構成、物理的に正確なレンダリング、リアルタイムシミュレーション Isaac Lab ：数千の並列環境での大規模強化学習 Isaac GR00T ：デモンストレーションに基づく視覚・言語・行動（VLA）モデルの微調整 Cosmos ：世界生成と合成データセットの規模拡大のための視覚データの拡張 OSMO ：異種コンピューティング環境（クラウド、オンプレミス、エッジ）にわたるワークフローのオーケストレーション Jetson / RTX ：リアルタイム制約下におけるエッジ推論向けのターゲット実行環境ハードウェア AWS は実行環境を提供します。 Amazon EC2 （NVIDIA GPU インスタンス）：シミュレーションおよび合成データ生成 Amazon SageMaker / AWS Batch ：自動プロビジョニング機能を備え、アイドル時コストがゼロのマネージド型トレーニング Amazon EKS ：GPU スケジューリングを活用した、スケーラブルかつ分散型の OSMO およびクラスターワークロード向け Amazon S3、 Amazon Elastic Container Registry (Amazon ECR) 、 Amazon FSx for Lustre ：データセット、コンテナ、高スループットなトレーニングデータの配信 Amazon CloudWatch 、 AWS Secrets Manager 、 AWS Key Management Service (AWS KMS) 、AWS IoT Greengrass ：オブザーバビリティ、セキュリティ、エッジデプロイメント このツールチェーンはこれら 2 つのスタック間の境界における摩擦を軽減します。AWS はインフラストラクチャのプロビジョニング、デプロイの自動化、セキュリティ・プリミティブ、マネージドサービスの統合に対応します。NVIDIA は、フィジカル AI 担当チームがすでに使用しているシミュレーションエンジン、基盤モデル、オーケストレーションレイヤーを扱います。 対象ユーザー このツールチェーンは、スケーラブルなトレーニングやロボットポリシーの展開のためにクラウドベースのインフラストラクチャを必要とするロボティクスエンジニア、ML エンジニア、プラットフォームチーム、ソリューションアーキテクトなどを対象に開発されています。直接的にメリットが得られる業界としては、製造・産業オートメーション、倉庫・物流、エネルギー・公益事業、医療・ライフサイエンス、鉱業・建設、農業、航空宇宙・防衛などが挙げられます。ロボットが適応的行動を学習し、導入前にシミュレーションで検証を行い、エッジ環境のリアルタイム制約下で運用しなければならないあらゆるドメインに対応します。ツールチェーンが提供するのは完成したロボットの動作ではなく、インフラストラクチャのパターンやアーキテクチャに関する指針です。 利用について 利用開始を支援するため、AWS は以下のリポジトリでワークショップを提供しています。ご利用には以下が必要になります。 SageMaker と EC2 の両方で GPU クォータが承認されている AWS アカウント コンテナイメージ取得用 NVIDIA NGC API キー モデルの重みファイルダウンロードのための Hugging Face トークン 費用が発生しないよう、以下のリソース削除手順に従ってください。 ワークショップでは、段階ごとに順を追って、どのようなロボットデータにも対応可能な実例を用いて説明します。設定についての詳細な指示は、リポジトリ内の README ガイドを参照してください。 https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws 各段階における実践例 ツールチェーンのあらゆる段階に順を追った指示が付いており、具体的なコマンド、設定、予想されるアウトプットが示されています。各モジュールには、そのまま使える独自の実践例が付属しています。例えば GR00T トレーニングの場合、27 の UR3 ピック・アンド・プレイス遠隔操作シナリオが付属しており、モジュールを実行して正常に動作することを確認してから別のユースケースやデータセットに置き換えることができます。モジュールは単独でデプロイすることも、パイプライン全体をエンドツーエンドで構成することも可能です。チームは検証済みの Terraform Infrastructure as Code を基盤として、数時間で評価段階から移行して独自データ上でツールチェーンを実行できるようになり、カスタム統合に数週間もかかることはありません。AWS についてある程度の知識があることを想定していますが、フィジカル AI の専門知識は必須ではありません。指示書には段階が進むごとに関連用語や概念の解説がついており、参考資料としてフィジカル AI 用語集も添付されています。 まとめ Physical AI Toolchain on AWS は、フィジカル AI を単一のトレーニングジョブとしてではなく、ライフサイクル全体にわたる課題として捉えています。本ツールチェーンは、データの取り込み、模倣学習、強化学習、合成データ生成、シミュレーション、オーケストレーション、そしてエッジへのデプロイに至るまで、AWS におけるリファレンスアーキテクチャのパターンを提供し、NVIDIA のロボティクススタックと初日から統合されています。推奨されるアプローチは、現在のボトルネックを解消する一つのコンポーネントから着手することです。ゼロから始める場合は、まず Foundation と OSMO をデプロイすることで、フライホイール全体を一元管理するコントロールプレーンを構築できます。ぜひツールチェーンをお試しいただき、issue の登録やコメント欄でのフィードバックをお寄せください。本プロジェクトにご貢献いただいたすべてのビルダーの皆さんに感謝いたします。 <!-- '"` --> Abhishek Srivastav Abhishek Srivastav は Amazon Web Services のプリンシパルソリューションアーキテクトで、クラウド導入の加速戦略を通じてお客様の成功を推進しています。AI/ML テクノロジー、ハイパフォーマンスコンピューティング、シミュレーション、フィジカル AI にわたる深い技術的専門知識を持ち、複雑なエンタープライズ課題に対するソリューションの設計を専門としています。現在の役割では、CIO、CTO をはじめとするテクノロジー担当役員と協働し、デジタルトランスフォーメーションおよび生成 AI の取り組みに向けた包括的なロードマップを策定しています。 Adam Weber Adam Weber は AWS のシニアソリューションアーキテクトで、AWS の専門知識と自動車業界に関する深い知見を組み合わせ、お客様の AI トランスフォーメーションの取り組みを支援しています。今日の自動車業界が直面する独自の課題に対応する、革新的でコスト効率が高く、スケーラブルなソリューションの開発に注力しています。 Ali Shahrokni Ali Shahrokni は NVIDIA のシニアデベロッパーリレーションズマネージャーで、Amazon および AWS チームとの戦略的な技術連携をリードし、高度なロボティクス、AI、コンピュータービジョンのソリューションを構築しています。スイスの EPFL でコンピュータービジョンの博士号を取得し、Amazon、eBay、Magic Leap、オックスフォード大学で主要なリーダーシップおよび技術的役割を歴任。AI、3D 再構成、シーン理解、拡張現実（AR）の分野で、最先端の研究をスケーラブルな産業用途へと展開する取り組みを推進してきました。 Steven DeVries Steven は AWS のプリンシパルソリューションアーキテクトで、自動車・製造業のお客様向けにデータおよび AI の取り組みをリードしています。エージェント型ワークフローのデプロイ、ML パイプラインの構築、生成 AI アプリケーションの設計を手がけ、新興テクノロジーをビジネス価値へと変えています。 Ignacio Sánchez Ignacio Sánchez は AWS のフィジカル AI 担当ワールドワイドスペシャリストソリューションアーキテクトで、スペイン・マドリードを拠点としています。世界中のお客様やパートナーと協働し、空間コンピューティング、ロボティクス、AWS 上のエッジ推論ワークロードにわたって、デジタル世界と物理世界をつなぐ AI ソリューションの設計・デプロイを行っています。新興テクノロジーとその実世界への応用に情熱を注いでおり、余暇には読書、ビデオゲーム、スポーツで体を動かすことを楽しんでいます。 Jathavan Sriram Jathavan Sriram は NVIDIA のシニアソリューションアーキテクトで、AI およびロボティクスソリューションを専門としています。クラウドインフラストラクチャ、Kubernetes、AI テクノロジーにわたる専門知識を持ち、World Foundation Model とフィジカル AI アプリケーションに注力しています。クラウドネイティブなプラットフォーム上で生成 AI を大規模にデプロイできるよう、お客様を支援することに情熱を注いでいます。