【レポート】IoT/ML Deep Dive on AWS #AWSSummit

セッション概要

AWS Summit Tokyo 2019の二日目に開催されたセッション「IoT/ML Deep Dive on AWS」A2-03 を聴講してきましたのでレポートします。

スピーカー(敬称略)

• 園田 修平 技術統括本部 ソリューションアーキテクト アマゾン ウェブ サービス ジャパン株式会社

IoT と機械学習を組み合わせた AIoT がトレンドとなっています。本セッション では AWS IoT Greengrass、AWS IoT Analytics、Amazon SageMaker といったサービスを組み合わせて、どのように機械学習を活用した IoT のソリューションを構築できるのかを学びます。

資料

（後日公開されましたら掲載します）

セッションの内容

• 背景
• IoT/機械学習ソリューション
• デザインパターン
• デモ

• 背景: IoTに必要な要素

  • つなぐ
  • 可視化
  • 分析／制御
  • 自律化最適化
• IoTに期待される効果
  • 収益向上→ビジネスの転換
  • ビジネス成果
  • 故障予測：サブスクリプション
  • 運用効率の向上→ラインの稼働率を下げない
• IoTのアプリケーション
  • 異常検知
  • コンテキスト解析 　 - 振動センサ→人が走っていることを検知する等
  • 予知保全 　 - これから壊れそうなことを事前に検知する
  • 需要予測　供給バランスの調整
  • 外観監査/良否判定/来客分析(性別年齢)
  • 行動分析
    • 工場で工員の行動からどの作業をしているかを認識
  • 顔認証
• どういったデータを扱うか
  • 時系列データ：需要予測
  • 画像データ：傷検出、姿勢から作業を推測
• どこで推論を行うべきか
  • eg. データを出したくない→エッジ推論
• IoTと機械学習のサイクル
  • データ集約、拡張、クレンジング
  • クラウドでデータ収集、変換とルーティング
  • ローカルでデータ収集
    • エッジでの機械学習

ソリューション

Amazon SageMaker

• データサイエンティストや開発者のための
• 機械学習を開発学習活用するためのマネージドサービス
• 作ったモデルをクラウドでホスティングできる

Amazon SageMaker Neo

• TensorFlow PytorchをEC2やGreengrassデバイス上で高速に動作するよう変換するサービス
• Runtimeが1MB程度とフットプリントが小さい

SageMaker Ground Truth

• データにラベルを付与するアノテーションを支援

AWS IoT Greengrass

• AWS IoTのエッジ
• クラウドで学習したモデルを簡単にデプロイ、エッジで推論を行う

IoT Analytics

• 時系列データの解析をデータを投げておくだけでお任せ
• シームレスに可能
• SageMakerのノートブックは原則開発用
• 良いモデルができたら分析をコンテナ化して定期的に実行できる

Kinesis Video Stream

-ビデオストリームをキャプチャ、処理、保存するマネージドサービス

シナリオ別デザインパターン

• 時系列データをエッジで推論
  • 高頻度なデータをリアルタイム推論
  • 1Hz以上の高頻度な時系列データ
  • IoT Analyticsにアップロード
    • Greengrassで受け取りバッファ。一度貯めてからコネクタでクラウドにアップ
  • 時系列データをクラウドで推論
    • 長期間複数拠点
  • IoT Analytics Continuous Analisys
    • クラウドにアップロード。SageMaker Notebookからデータ取得、解析、コンテナで実行
  • ハイブリッドアーキテクチャ
    • モデルの生成
    • サンプルテンプレートから入力に合わせて転用
• 画像データをエッジで推論
  • コスト効率の向上
  • SageMaker+Greengrass
    • Ground Truthでラベルづけしたデータで学習
    • SageMaker Neoでアーキテクチャにあったバイナリにコンパイル
    • 推論結果のみをクラウドにアップ
    • エッジでの推論
• DeepLens: 画像をエッジ推論可能にするデバイス。日本でも入手可能になった
  • 画像データをクラウドで推論
  • 動画を解析
  • Kinesis Video Streamでアップロード
  • 後段のサービスで推論
  • 画像に分割、SageMakerで推論
• SageMakerのビルドインアルゴリズム
  • 分類
  • 検出

デモ

• IoT Analytics Continuous Analysis
  • 時系列データストアからデータを取得
  • SQLクエリを定義←Athenaの構文
  • テンプレートから選べる
  • 今回は事前に作成したノートブックを使用
  • API get_api_content
  • URLが戻り値として帰る。そこからpandasで読めば良い
• ContainerizeというプラグインがSageMakerで使える
  • パラメータやリポジトリを指定。ECRに登録される。
  • ROLEやACUやメモリを指定
  • 定期実行が可能。コンソールに統合されている。
• EXPO会場で展示している
  • 時系列をクラウドで推論
  • DeepLensも展示

まとめ

• ソリューションを構築するために必要なトータルサイクルを有するさまざまなサービスがある
• ユースケースに合わせて最もリーズナブルな推論を実行する手段を提供

感想

IoTと機械学習を結合させるためにさまざまなサービスが提供されていること、そしてデザインパターン別に構成が解説されました。EXPO会場でいろいろなIoTと機械学習を主軸にしたデモやソリューションが展示されていました。マネージドサービスをうまく活用してソリューションを考えていくことが必要とされています。そのためにも、このセッションで触れられたようなサービスやデザインパターンを把握しておくことは大事なことではないでしょうか。