【レポート】 製造業における IoT×AI/ML 基盤の構築とその運用事例 #AWSSummit

2020年9月8日から30日まで開催されるAWS Summit Onlineのレポートです。

本記事で取り上げるセッションは下記となります。

• CUS-85：製造業における IoT×AI/ML 基盤の構築とその運用事例

セッション情報

スピーカー

株式会社アイデミー 代表取締役 社長 石川 聡彦 氏

概要

作成した ML モデルを PoC として １ 工場で運用し、ある程度の成果が得られたにも関わらず、そこから先の実運用に進まないといったケースが多くの企業で散見されます。本講演では、主に製造業の方向けに、製造現場での AI 基盤を AWS を用いて構成した事例をもとに、海外拠点の管理、関係部署との責任問題、複数ステーションでの大規模運用など、製造業ならではのお悩みに対して、AWS を使ってどうのように対処したのかをご紹介します。

セッションレポート

1. MLOpsとは

機械学習モデルのフェーズは、4つに分かれる

• AI人材の育成
• AI課題の特定
• AIモデルの作成
• AIモデルの運用
  • これらが循環すると良い
  • 本セッションでは、AIモデルの運用に焦点を当てる

世の中のAIに対する間違ったイメージ

• 機械学習モデル（AI）ができた！　これを運用すればすぐ結果が出るはずで、AIプロジェクトはもう終りに近いぞ！
• 機械学習プロジェクトは、MLモデルができてから、長い戦いが始まる

MLOpsとは

• 本番環境でのMLアプリケーション導入と管理を迅速にする、拡張性と管理性についての技術とベストプラクティスの集合体
  • 機械学習モデルの運用部分が大切
  • 機械学習モデルの開発は、一部分に過ぎない

機械学習モデルを活用したあとに必要になるタスク

• 管理画面
  • 機械学習モデルを管理する
  • 性能はどうか
  • IoTデバイスが稼働してるかどうか
• 異常時の通知
  • トラブルを未然に防ぐ
  • すぐに対応する
• データ保存基盤の構築
  • 機械学習とデータは切っても切り離せない
  • 参照しやすいようにデータレイクを作る
• IoTデバイスの管理
  • 機械学習モデルをデプロイする
  • センサーデータの収集
  • 機械学習モデルを管理するのと同じぐらい、IoTデバイスの管理は大切
• 継続的なアノテーションの実施
  • 溜まったデータに対して正解ラベルを付与する
  • 人手が継続的にかかる
• MLモデルの再訓練
  • 継続的なアノテーション実施で生まれたデータを元に、機械学習モデルを再訓練する

機械学習モデルの再訓練とは

• 再訓練をすることで性能が上がる
• 再訓練をしなければ、基本的に性能は下がる
  • 機械学習モデルを作ったタイミングで無かったデータが混入する
  • これらのデータを再訓練に活用する
• 工場だとライン位置が変わってデータ取得方法が変わる
• 季節によってデータが異なる

2. 製造業特有の課題

• 本社と現場のステークホルダーの変容
• Windows-Linuxおよびオンプレ-クラウド技術選定

本社と現場のステークホルダーの変容

• PoCとして、RD/DX部門などが機械学習モデルを作成する
• 実運用に移行するとき、外注？内製？　内製ならどこが中心に？　などが決まっていない
• PoCの体制と実運用の体制で主体や手段が変わる

各社の取り組み

• 基本的には、研究所が現場に合わせる
• AI/IoT教育研修などの啓蒙活動も主導
• 研究所の担当が現場に転籍するケースも

Windows-Linuxおよびオンプレ-クラウド技術選定

• 昔からWindowsを使っているなどの理由もあり、本社側と現場側で乖離がある
• ケースバイケース
  • 現場が扱いやすいシステムでWindows/オンプレ
  • モダンな技術でよくある設計、これからAI/IoTが中心になるので、Linuux/クラウド

エッジデバイスの選定

• プロジェクトによって変わってくる
  • Pythonやライブラリのバージョンが噛み合わない場合
  • PythonのサブプロセスをしてPython3.7を実行して解決など
• デバイスの制約などを予め整理することが大事
  • ウォーターフォール的に機械学習モデルを作って次に運用だ、といった形は難しい

3. アーキテクチャ案

• IoT Coreを使って、エッジデバイスを管理する
• Greengrassを使うことで、エッジデバイスでLambdaを動かす
• クラウドからGreengrass経由で機械学習モデルなどをデプロイできるようになる
  • デバイスの管理が便利にできる
• カメラから画像を取得し、エッジ側で推論する
• 得られた画像はローカルで保存し、Lambdaを使ってクラウドにも送る
• センサーから収集されたデータをGreengrassのLambdaを使ってクラウドに渡し、Kinesis DataStreamを経由してストレージに保存する
• Amazon SageMakerを使って機械学習モデルを管理する
• Amazon QuickSightで今の状況を可視化する

IoTは考えることがたくさん

• 制御はどうするか
• 通信はどうするか
• 監視はどうするか
• セキュリティはどうするか
  • AWS IoT Greengrassの利用で、エッジデバイスの管理をより便利にできる
  • エッジ側でLambdaを動かせる、1clickでデプロイ
  • MQTT通信を標準装備
  • CloudWatchで監視できる
  • 証明書認証を簡単導入

製造現場は、データの宝庫

• 複数種類のデータが昼夜問わず大量に送信される
  • Amazon Kinesisを利用することで、大容量データをニアリアルタイムで処理できる
  • Amazon Kinesis Video Streams
  • Amazon Kinesis Data Streams

Amazon SageMakerの利用で、MLOpsの基本機能を楽に実装できる

• ノートブックインスタンス
  • 推論エンドポイントの簡単作成
  • インスタンス管理もGUIで可能
• Amazon SageMaker Ground Truth
  • 画像周りの一通りのアノテーション機能を提供
  • タスク状況も管理も可能

感想

前半はIoT/AIあるあるといった内容で非常に共感できました。そして後半では、ケースバイケースだとしながらも、具体的な方法が提示されており参考になります。 特に実際に運用するのは現場の方なので、現場にとって使いやすいものといった点は、迷ったのときの指標になると思いました。