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。
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。
3
