[ENU301]生成AIを使ってエネルギーソリューションを加速させる #AWSreInvent

せーのでございます。

このエントリではre:Inventよりワークショップ [ENU-301: Using generative AI on AWS to accelerate energy solution development]のレポートを行います。

レポート

• 生成AI市場は今後10年間で7兆ドル規模になるという予測もある
• 生成AIの基礎となる基盤モデル（FM）と機械学習モデルの違い
  • 異なる問題や異なる状況において、同じモデルを異なる問題に適用できること
    • FMはデータサイズが大きいから
    • FMはさまざまな状況に適応するためのパラメーターが多いから

AWSが紹介するFMモデルを扱うサービス、ツール

Amazon Bedrock

• 最先端のFMモデルを選べる
  • 中でもAnthropic社のClaudeはすごい
  • Claude InstanceはClaudeのライトバージョン
    • 正確な答えが返ってこないこともある
    • レスポンスが速い
    • 今回のワークショップではClaude Instanceを使う
• 選んだモデルを自社用に安全にカスタマイズやfine-tuningできる

Amazon CodeWhisperer

• 生成AIを使った自動的なコード生成
• コードによる脆弱性のスキャン
• オープンソースのトレーニングデータに似ているコードにフラグを付けるか、デフォルトでフィルタをかける

ワークショップ内容

• 風力タービンやソーラーパネルのメンテナンス、運用はエネルギー分野において大事
• 異常を検知できると、予知保全のような戦略につながる
• そうすることでコストを削減し、ダウンタイムを減らすことができる
• 異常を監視することで、エネルギー発電や配電のプロセスにおける非効率性を特定する

データの収集

• ほとんどのタービンやソーラーパネルにはセンサーがついている
• 温度、湿度、回転速度、エネルギー出力などを記録することができる
• しかし例えば、タービンに氷が張っていて、データ収集の効率が悪いとしたら

 

• 収集したデータから異常値を見つけ出すのが目的

生成AIを使って2ステップにて行う

• STEP1: ソリューションをデザインする
  • Bedrockを使ってアーキテクチャを組み立て、draw.io 向けのデザインXMLファイルの生成や、Cloudformationのテンプレートファイルの生成を行う
    • Claude Instanceを使う
    • 生成後評価とフィードバックを行ってテンプレートを改善する

• STEP2: デザインしたソリューションを実装する
  • Code Whispererを使ってETLコードを生成する(左上)
  • BedrockとClaude Instanceを使ってSagemakerの学習コードを生成する（右上）
  • LambdaとSNSを使って検知した異常値を通知する（下）

感想

これぞ今どきの作り方、というべき作り方でした。 確かに最近ですと、生成AIにプログラムコードのたたき台を作ってもらって修正しながらしあげる、というものはありましたが、やりたいことだけが決まっていて、コードはもちろん、アーキテクチャすら生成AIとディスカッションして決める、という内容にびっくりしました。

Sagemakerを使ったアーキテクチャを作りたいのに、Lambdaでしきい値を判断するアーキテクチャが出来上がったりと、同じワークショップをやっているのに、出来上がるリソースが随分違う、という新鮮なワークショップでした。