【レポート】A-3『AWS の機械学習サービスとエッジコンピューティング』at【福岡開催】AWS Solution Seminar 〜今日からはじめる ML（機械学習）と AI（人工知能）サービス〜

福岡だより

#レポート

#Amazon Forecast

#Amazon Personalize

#Amazon SageMaker

#AWS

梶原大使

2019.11.20

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

2019年 11月 19日(火) エルガーラホールにて
【福岡開催】AWS Solution Seminar 〜今日からはじめる ML（機械学習）と AI（人工知能）サービス〜が開催されましたので、参加してきました！

本記事では、セッションA-3『AWS の機械学習サービスとエッジコンピューティング』についてレポートしたいと思います。

尚、同セミナーで行われたの他のセッションレポートはこちらになります。

セッション概要

A-3 https://aws-seminar.smktg.jp/public/session/view/874

概要 AWS最新機械学習サービスは進化を続けています。本セッションではエッジで機械学習を活用する場合に利用可能なサービスを中心として、最新のAWSエッジ/AI技術の活用についてご紹介をさせていただきます。具体的なテーマとしてエッジデバイス上での画像認識を取り上げ、Amazon SageMaker を中心とし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するかをご紹介します。また、これらの技術の実際の活用例として、野村総合研究所様よりAWSエッジ/AI技術をフル活用したデジタルトランスフォーメーションへの取り組みについてご紹介いただきます。

スピーカー

アマゾンウェブサービスジャパン株式会社
技術統括本部 Digital Transformation Team
ソリューションアーキテクト
中田光昭様

事例紹介

株式会社野村総合研究所
福岡ソリューション開発部
岩永耕太様

セッションレポート

自己紹介
- マスメディアのお客様など
- 好きなサービス SageMaker, Personalize
Agenda
- IoT/MLの活用ユースケース
- エッジコンピューティング利用の検討
- エッジコンピューティングにおけるAWSサービスの活用
- アーキテクチャデザイン
IoT/MLの活用ユースケース
- 製造(スマートプロダクト)
  - 単機能プロダクトのIoT機器化
    - センサー
  - 高機能プロダクトのIoT機器化
  - オフィス機器のIot機器化
    - 複合機など
- 製造(工場)
  - 工場全体の可視化、解析
  - 工場の特定ワークロードの改善
  - 工場設備のIoT化(工場の設備の販売元)
- 流通小売
  - 来店客のプロファイル取得
    - 年齢、性別
  - 店舗導線の可視化
  - 商品の需要予測
  - 在庫管理
  - 無人・セルフレジ
- 金融
  - 離反分析
  - 画像ベースの申請処理
    - 車両の傷やダメージの分析
  - 紙媒体かたの文字の読み取り
    - 申込書の文字の読み取り
- セキュリティ
  - 人物検知
    - 行方不明者、不審者の検知
  - 交通監視
    - 監視カメラの分析
- メディア
  - 動画・画像のタグ付け
  - キャプション
    - 音声データからキャプション生成
  - ソーシャル分析
  - スポーツイベント分析
    - 映像データから走っている距離などを分析
IoT/MLプロジェクトからのまなび
- 効率化によるコスト削減/売り上げの向上
- PoCから先に進むためにはコスト削減のストーリーなどが重要
- ビジネス価値につながるソリューションのデザインが重要
IoT/MLの活用ユースケース
1. どういったデータを扱うか
2. どこで推論を行うべきか（エッジでおこなうべきユースケース）
  - 低レイテンシー
  - ネットワークコスト
  - オフライン
    - 移動体など(ネットワークの接続状況が悪い)
  - セキュリティ
    - 顔が判定できるデータを外にだすことができないなど
IoTと機械学習の活用で必要なサイクル
- データ集約、拡張、クレンジング
  - AWS IoT Analytics
  - S3
- 機械学習＆モデルの生成クラウドでの機械学習推論
  - SageMaker
  - SageMaker Neo
- クラウドでのデータ収集データ変換とルーディング
  - AWS IoT Core
- ローカルでのデータ収集エッジでの機械学習推論
  - AWS IoT Greengrass
エッジコンピューティング利用の検討
- どういったデータを扱うか
- 開発～運用までの全体サイクルを意識する
モデルの選定
- 精度・推論速度を考慮したモデルの選定
- 画像分類
  - AlexNet
  - CGG
  - ...
- 物体検出
  - SSD
  - YOLO
  - ...
- セマンティックセグメンテーション
  - 人だけを認識させるために背景を消すなど
  - FCN
  - ...
SageMaker Groud Truth
- データにラベルを付与するアノテーション作業の支援サービス
SageMaker Neo
- EC2インスタンスやGreengrasデバイス上で高速に実行できるように変換できるサービス
- SageMakerで作成したモデルをエッジで実行できるよう
AWS IoT Greengrass ML inference
エッジサービスコンピューティングにおけるAWSサービスの活用
edgeデバイス上での画像認識シナリオ例業務シナリオはことなるが、類似のアーキテクチャで実現可能
アーキテクチャ例
- SageMaker + Greengrass ML Inference
- 構成図
まとめ
- IoT/MLは様々な業種・業務で活用されている

事例紹介

AWS の機械学習コンピューティングのとりくみ
自己紹介
- Edge/AI, RDBMS
- Greengrass
NRI 福岡ソリューション開発部のご紹介
Greengrassとの戯れの日々
AWS Greengrassとの出会いから今日まで
- 弊社の取り組み
  - ラズパイ x ミニ四駆
  - Jetson x ドローン
  - aiSage x AIカメラ
    - 商用ソリューションを立ち上げよう
- ラズパイ x ミニ四駆
  - エッジコンピューティングのR&Dとしての取り組み
  - 低レイテンシー
- Jetson x ドローン
  - ドローンで撮った画像を解析
- aiSage x AIカメラ
  - AIはすでに様々な分野で身近に使用されている
- エッジコンピューティングとは
  - どこで、AIが動くか？
  - クラウド型
  - ローカル型
  - エッジデバイス型
- エッジデバイス型画像AIのメリットとデメリット
  - 応答速度
  - ネットワーク通信料
  - オンラインでも稼働
  - プライバシー保護
- 収集ー＞蓄積ー＞分析ー＞フィードバックのIOTサイクルをまわすことでビジネスの価値を見いだしていく
- コスト意識をもって対応
- AIの開発スタック
  - 複数のスタックがからんでコストがかかりがち
  - HWレイヤ
  - AIレイヤ
  - アプリケーションレイヤ
- 各分野のスペシャリティが集結し、新たな形のAIカメラソリューションを創出
  - Acer x AWS x NRI
- エッジAIのAWSシステム構成
  - エッジAIもAWSクラウドネイティブで構成
  - ラベル付けもGrandTruthを使用
- GruonCVの豊富なモデルも活用
- Face Recognition(顔認識)を中心に、様々なユースケースに対応
- カメラをまたいだ人物の追跡で広範囲での人物検索、導線分析が可能に
  - 顔で追跡
  - 服装、からだ全体で追跡
- デモ
  - 複数のカメラを使用してトラッキング
- カスタムモデルデモ
  - ユースケースによって、AIモデルの使い分けは必要
  - 汎用ケース
    - 人、車などのレベルでいいもの
  - カスタムケース
    - 個別の種類まで必要
- リアルデジタルマーケティング
  - リアル接点においてもWeb同様のデータの取得が可能になってきた
  - オンラインとリアルを横断した顧客体験
  - リアル接点でのエクスペリエンスも顧客接点
- 最後に
  - AIプラットフォームの準備はできており、いつでもだれでも使える状態に
  - 何ができるかだけでは価値はうまない、ビジネスニーズと紐づけることが重要
  - つくるよりも実際に使っていく段階にはいってきている

感想

個人的にAWS IoTはいろいろさわってるのですが、サンデープログラマーの領域をでていなかったので、いろんなサービスで実用段階なんだなと感じました。
エッジコンピューティングとクラウド活用は今後も重要になっていくかと思います。技術先行するだけでなく、ビジネスニーズとのマッチングも意識していこうと思います。