【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。