Category: Artificial Intelligence

本日は、産業環境のお客様が、簡単かつコスト効率性に優れた方法で製造装置と機器の外観欠陥を検出するために役立つ新しい機械学習 (ML) サービス、Amazon Lookout for Vision をご紹介します。 これらの画像から欠陥がある回路基板を見つけられますか? 回路基板に詳しい人なら見つけられるかもしれませんが、私が欠陥を見つけるのには少し時間がかかってしまいました。適切な訓練を受け、十分に休息を取った人ならば、一連のオブジェクトから異常を上手く見つけることができますが、疲れていたり、この例での私のように適切な訓練を受けていなかったりすると、異常を見つけるのが遅くなり、ミスや食い違いが生じやすくなります。 多くの企業が異常の検出にマシンビジョンテクノロジーを使用しているのはこのためです。ただし、これらのテクノロジーは、制御された照明とカメラ視点で較正する必要があります。さらに、欠陥とされるものとされないものを定義するハードコードされたルールを指定しなければならないため、このテクノロジーは高度に特化されたものとなり、構築も複雑になります。 Lookout for Vision は、生産工程全体における製品欠陥の目視検査を自動化することによって、工業製品の品質向上と運用コストの削減を助ける新しい機械学習サービスです。Lookout for Vision では、ハードコードされたルールの代わりに深層学習モデルが使用され、カメラアングルの違い、照明、および運用環境に起因するその他の課題に対応します。Lookout for Vision により、慎重に制御された環境の必要性を減らすことができます。 Lookout for Vision を使用することで、製造された部品の損傷を検出し、欠落しているコンポーネントや部品を特定して、生産ラインにおける潜在的な工程関連の問題を発見することができます。 Lookout for Vision の使用開始方法 最初にお伝えしておきたいのは、Lookout for Vision は機械学習の専門家でなくても使用できるということです。Lookout for Vision は完全マネージド型サービスで、ユースケースとデータに合わせて最適化できる異常検出モデルが搭載されています。 Lookout for Vision を使用するには、いくつかのステップがあります。最初のステップは、データセットの準備です。これには、画像のデータセットの作成と画像のラベル付けが含まれます。次に、Lookout for Vision がこのデータセットを使用して、製品における異常の検出を学習する ML モデルを自動的にトレーニングします。最後のステップは、本番環境でのモデルの使用です。トレーニングしたモデルのパフォーマンスは、いつでも Lookout for Vision が提供するツールを使用して、継続的に評価し、改善することができます。 データの準備 モデルの作成を始めるには、まず一連の製品画像が必要になります。より良い結果を得るため、正常な製品 (欠陥なし) と異常な製品 (欠陥あり) の画像を含めます。トレーニングを始めるには、少なくとも 20 […]

はじめに AWS では、機械学習モデルの開発、学習、推論に最適な AWS サービスを提供しています。これらを活用することで、お客様は、データに基づく適切なビジネス判断、高品質な顧客サービスの提供、コンプライアンスの遵守等の実現が可能となります。ただし、機械学習モデルが扱うデータには細心の注意が必要です。機械学習モデルの学習データと推論時に入力されるデータに、許容範囲を超えた乖離が発生すると、モデルは期待した精度で推論結果を返すことができなくなります。昨今、 COVID-19 や企業のデジタルトランスフォーメーション (DX) の影響等で、一般消費者の生活スタイルやソーシャルネットワークでの言動、企業における従業員のワークスタイルや財務状況に至るまで、様々な指標に、予測を超えた変化が起きている可能性があります。これらは、それまでに学習された機械学習モデルの精度に影響を与える可能性があります。このように、推論時の入力データや出力結果が、学習時の許容範囲を超えて変化することをデータドリフトと呼びます。( 注釈 : データドリフトまたはデータシフトの文脈では、共変量シフト (covariate shift) やコンセプトドリフト (concept drift) などの概念、用語が使われることもありますが、本記事では、データドリフトという用語を、上記の定義に基づいて使用します。) このデータドリフトを継続的に監視する仕組みが、精度の高い推論を提供し続けるために重要です。 AWS は、このようなデータドリフト検知を含め、機械学習を組み込んだアーキテクチャにおけるベストプラクティスを、Machine Learning Lens というホワイトペーパーで公開しています (日本語版) 。また、 Amazon SageMaker を活用しているお客様は、 Amazon SageMaker Model Monitor ( 以下、 Model Monitor ) を活用して、すぐにデータドリフトの検知を開始することが可能です。本記事では、 AWS を利用した機械学習システムの検討や実装に関わる皆様を対象に、 Model Monitor のアウトプットをどのように解釈しデータドリフトの検知に利用できるのか、関連する論文や技術を、できるだけ具体的、かつ簡潔に解説したいと思います。 機械学習のビジネス活用においては、モデルのベースとなるアルゴリズムの正しい理解が重要です。それと同じように、データドリフトの検知に活用されている様々なアルゴリズムや技術についても理解することは、誤ったビジネス活用を未然に防ぐために必要不可欠です。AWS では、クラウドならではのスピード感で、すぐに Model Monitor を活用したデータドリフト検知を開始することが可能です。私たちプロフェッショナルサービスのコンサルタントは日頃、AWSを活用した機械学習モデルの開発、学習、推論のためのアーキテクチャの最適化についてガイドしています。コンサルタントにはデータサイエンティストや Machine Learning ( 以下、ML ) エンジニアなどがおり、関連論文に関する知識や現場で得たノウハウを蓄えています。本記事により、みなさまのご理解の一助となれば幸いです。 […]

産業機器を運用する企業は、運用効率性の向上と、コンポーネントの故障による計画外ダウンタイムの回避に絶えず取り組んでいます。これらの企業は長年の間、機器の状態を監視し、リアルタイムのアラートを受け取るために、物理センサー (タグ)、データ接続、データストレージ、およびダッシュボードの構築に多額の投資を繰り返し行っています。主なデータ分析手法は、単一変数の閾値と物理学に基づくモデリングのアプローチであり、これらの手法は特定の故障タイプや稼働状態の検出には効果的ですが、各機器の多変量関係を導き出すことによって検出される重要な情報を見逃すことがよくあります。 機械学習の使用により、機器の履歴的なデータから学習するデータ駆動のモデルを提供できる、より強力なテクノロジーを利用できるようになりました。しかし、このような機械学習ソリューションの実装は、設備投資とエンジニアのトレーニングが原因で時間がかかり、コストも高額になります。 本日は、機器の異常な動作を検出する API ベースの機械学習 (ML) サービス、Amazon Lookout for Equipment をご紹介します。Lookout for Equipment を使用することによって、お客様は、モデルごとにセンサーやアクチュエータなどのコンポーネントからのデータタグを最大 300 個設定できる、産業機器から生成された履歴的な時系列データと過去のメンテナンスイベントを取り込むことができます。Lookout for Equipment は、可能な組み合わせを自動的にテストし、機械学習モデルを構築して機器の正常な動作を学習します。エンジニアに機械学習の専門知識は必要なく、クラウドでリアルタイム処理のためのモデルを簡単にデプロイできます。 その後、お客様は簡単に ML 推論を実行して、機器の異常な動作を検出することができるようになります。結果は、既存のモニタリングソフトウェア、または AWS IoT SiteWise Monitor に統合して、リアルタイム出力を視覚化する、または資産が異常状態になりやすくなっている場合にアラートを受け取ることができます。 Lookout for Equipment の仕組み Lookout for Equipment は、Amazon S3 バケットからデータを直接読み取ります。お客様は、S3 に産業データをパブリッシュし、Lookout for Equipment を利用してモデルを開発することができます。トレーニングに使用される値や期間の決定、および適切なラベルの割り当てはユーザーが行います。Lookout for Equipment は、この情報に基づいて学習タスクを開始し、お客様それぞれに最適な ML モデルを作成します。 Lookout for Equipment は自動化された機械学習ツールであるため、ユーザーが Lookout for Equipment を使用して新しいデータでモデルを再トレーニングするたびに、Lookout […]

本日 AWS re:Invent で、AWS Panorama Appliance のプレビューを行いました。また、AWS Panorama SDK が近日公開される予定であることも発表いたしました。これにより、組織はコンピュータビジョンをオンプレミスのカメラに取り込み、高精度で低レイテンシーな自動予測を行うことができます。 過去数十年にわたり、コンピュータビジョンは、学者によって議論されるトピックから、世界中の企業で使用されるツールへと変化してきました。この成長を実現するうえで、クラウドが重要であり、これまで不可能だったサービスやインフラストラクチャ機能が急増しています。 お客様は、製造ライン上の部品の検査、危険な場所での作業員のヘルメットの着用の確認、小売店での顧客トラフィックの分析など、物理的なシステムに関するさまざまな課題に直面しています。お客様は、多くの場合、問題やインシデントが発生した後に、ライブビデオフィードを手動で監視したり、録画した映像を確認したりして、これらの問題を解決しています。こうしたソリューションは、手作業でエラーが発生しやすく、拡張が困難です。 コンピュータビジョンは、クラウドで実行されているモデルを使用して、こうした検査タスクを実行するためにますます使用されています。それでも、レイテンシーの要件や断続的な接続により、クラウドへのラウンドトリップを実現できないため、クラウドのみに依存することが最適ではない場合があります。 本日の発表内容 これからは、Amazon SageMaker を使用してコンピュータービジョンモデルを開発し、それを Panorama Appliance にデプロイして、複数のネットワークと IP カメラからのビデオフィードでそのモデルを実行させることができるようになります。Panorama Appliance と関連するコンソールがプレビュー中です。 近日公開予定の Panorama SDK は、サードパーティデバイス製造元が Panorama 対応デバイスを構築するために使用できるソフトウェア開発キット (SDK) です。Panorama SDK は柔軟性が高く、設置面積が小さく、ハードウェアベンダーがさまざまなフォームファクタやセンサで新しいデバイスを簡単に構築できます。したがって、工業用地、低照度シナリオ、屋外など、さまざまな業界や環境のユースケースを満たすことができます。 アプライアンスの開梱 このブログを書くことができるように、AWS re:Invent の数週間前に Jeff に Panorama Appliance が送られました。これは、Jeff のオフィスに設置されたデバイスの写真です。 Panorama Applianceをセットアップするには、コンソールに移動し、[Get Started] をクリックします。 コンソールには、Panorama Appliance でコンピュータビジョンモデルを実行するための 3 ステップのガイドが表示されます。このブログでは、Panorama Appliance のセットアップに役立つステップ […]

本日、Amazon Monitron を発表しました。Amazon Monitron は状態モニタリングサービスで、潜在的な障害の検出、および開発中の誤りの追跡により、予知保全を実施し、予期しないダウンタイムを低減できます。 実話：数ヶ月前、私は新しい洗濯機を購入しました。配達業者が地下室にそれを設置した時に、最近製品は数年も持たなく、信頼できなくなっていることについて雑談しました。彼が去ろうした時に、私は老朽化してメンテナンスが不十分な給湯器を指さし、数週間後にこれを新しいものと交換することを伝えました。信じがたいことに、次の日それが壊れました。どうぞ、笑ってください。事前に計画していないので当然のことです。 この出来事には苛立ちましたが、生産ラインや倉庫などの産業環境で機械の予期せぬ故障による時間やコストの巨大な損失に比べれば、何てことありません。砂粒が原因で予定外の停止が起こることもあります。事は最悪の形で、最悪の時に起こる可能性が高い、そして結果として、深刻なビジネスへの影響をもたらすということを、マーフィーの法則から学びました。 故障を回避するために、信頼性マネージャやメンテナンス技術者が次の 3 つの戦略を組み合わせることがよくあります。 故障まで実行 ：確実に動作しなくなるまで、メンテナンスをせずに機器を操作させる。修理の完了後、機器を稼働状態に戻す。ただし、機器の状態は不明で、故障は制御不能です。 計画的保守 : 状態に関係なく、事前定義された保守作業が定期的または計量の基準で実行される。計画的なメンテナンス活動の有効性は、メンテナンスの指示や計画するサイクルの良し悪しに依存します。機器のメンテナンスが過剰だったり、あるいは不十分だったりする場合に、不必要なコストが発生したり、故障が発生したりする危険性があります。 状態基準保全 : 監視対象コンポーネントの状態が定義済みのしきい値を超えたときにメンテナンスを完了させる。耐性、振動、温度などの物理的特性を監視することは、より適切な戦略です。これにより、メンテナンスの必要性やメンテナンスコストを低減できます。 予知保全 : コンポーネントの状態を監視し、潜在的な障害を検出し、障害の発生を追跡する。メンテナンスは、将来予想される障害発生の前に、且つメンテナンスの総コストが最も効率の高いときに計画します。 状態基準保全と予知保全では、重要な機器にセンサーを設置する必要があります。これらのセンサは、温度や振動などの物理量を測定し、取得します。その変化は、潜在的な故障または悪化状態の先行指標となります。 ご想像のとおり、このようなメンテナンスシステムの構築と導入には、特注のハードウェア、ソフトウェア、インフラストラクチャ、プロセスなどが必要で、長期的かつ複雑でコストのかかるプロジェクトになる可能性があります。お客様から支援を求められ、この事業に取り組みました。 Amazon Monitron のご紹介 Amazon Monitron は、簡単に利用ができて、費用対効果の高い監視サービスで、施設内の機器の状態を監視し、予知保全プログラムを実施します。 Amazon Monitron の設定はとても簡単です。まず、 Monitron センサーをインストールします。これで、ベアリング、ギアボックス、モーター、ポンプ、コンプレッサ、ファンなどの回転機械から振動と温度データを取得します。センサーは、Bluetooth Low Energy (BLE) 技術を使用して、振動と温度の測定値を近くの Monitron ゲートウェイに毎時送信します。センサーを少なくとも 3 年間稼働させることができます。 Monitron ゲートウェイ自体は WiFi ネットワークに接続され、センサーデータを AWS に送信します。データは格納され、機械学習と ISO 20816 振動関連規格を使用して分析されます。 通信頻度が低いため、最大 20 個のセンサーを 1 […]

本日、完全マネージド型運用サービスの Amazon DevOps Guru を発表します。Amazon DevOps Guru は、運用上の問題を自動的に検出して修正を推奨することで、デベロッパーやオペレーターがアプリケーションの可用性を容易に向上させることができるようにするサービスです。DevOps Guru は、Amazon.com とアマゾン ウェブ サービス (AWS) の長年にわたるオペレーショナルエクセレンスを習得した機械学習を適用し、アプリケーションメトリクス、ログ、イベントなどのデータを自動的に収集および分析し、通常の運用パターンから逸脱した動作を特定します。 動作が運用上の問題またはリスクとして特定されると、DevOps Guru はデベロッパーとオペレーターに問題の詳細を通知し、問題の範囲と原因の可能性を迅速に把握できるようにします。DevOps Guru では問題を解決するためのインテリジェントな推奨事項が提供されるため、解決までにかかる時間を節約できます。DevOps Guru では、ハードウェアやソフトウェアをデプロイする必要はなく、分析されたデータに対してのみ課金されます。前払いコストやコミットメントは発生しません。 分散された/複雑なアーキテクチャとオペレーショナルエクセレンス アプリケーションの分散化と複雑化が進むにつれ、オペレーターはアプリケーションの可用性を維持し、運用上の問題の検出、デバッグ、および解決に費やす時間と労力を削減するために、より自動化されたプラクティスを必要とします。例えば、設定ミス、不均衡なコンテナクラスター、またはリソースの枯渇などによるアプリケーションのダウンタイムは、企業にとって大きな収益損失につながる可能性があります。 多くの場合、企業は、メトリクス、ログ記録、トレース、イベントなどの複数のモニタリングツールをデプロイおよび管理し、それらをさまざまな場所に保存して分析するといった、デベロッパーの作業にかかる時間に投資する必要があります。また、デベロッパーやオペレーターは、ロードバランサーでのエラーのスパイクやアプリケーションのリクエストレートの異常な低下などの問題を警告するために、カスタムアラームの開発と保守に時間を費やしています。問題が発生すると、オペレーターは同じ問題に関連する複数のアラートを受け取り、アラートを組み合わせて、すぐに対応しなければならないアラートに優先順位を付けます。 DevOps Guru の仕組み DevOps Guru の機械学習モデルは、過去 20 年にわたって、AWS の専門知識を活用して世界最大の電子商取引ビジネス向けに高可用性アプリケーションを実行しています。DevOps Guru は、運用上の問題を自動的に検出し、考えられる原因を詳述し、修復アクションを推奨します。DevOps Guru は、Amazon CloudWatch、AWS Config、AWS CloudTrail、AWS CloudFormation、AWS X-Ray をサポートする複数のソースにまたがるデータを統合することにより、運用データを検索および可視化する単一のコンソールエクスペリエンスをお客様に提供し、複数のツールを使用する必要がなくなります。 DevOps Guru の開始方法 DevOps Guru のアクティブ化は簡単で、AWS マネジメントコンソールにアクセスして [Enable (有効)] をクリックだけです。DevOps Guru […]

こんにちは！アマゾンウェブサービスジャパン株式会社 ソリューションアーキテクトの石本です。 2020/11/25 に、 e コマース業界におけるフェーズ別 ML/ANALYTICS 活用セミナーを開催いたしました。セミナーの開催報告として、セミナーでご紹介した内容や、当日の資料・収録動画などを公開いたします。 開催の背景 私たちが普段お客様と接する中で、 e コマース事業に必要となる機能が共通的に存在し、多くのお客様の中で課題になっていることを認識しています。 そこで、みなさまの課題やお悩みを迅速に解決し、 e コマースサイトをさらに成長していただくため、 AWS ユーザー様からご相談の多かった機能にフォーカスして、実現方法やソリューション、事例などをご紹介するセミナーを実施しました。セッションでは、 “画像検索、レコメンド・プッシュ通知を用いた広告ソリューション、次世代カスタマーサポート、不適切コンテンツ・不正行動検知、ライブコマース” と、6つの機能群を取り上げております。 セミナーの内容 / 収録動画 / スライド それぞれのセッションでは、お客様が直面されるであろう課題や、昨今よく話題にあがっているトピックにフォーカスして、課題を解決するソリューション、必要となるデータ、実装に向けたステップ、事例などをご紹介しています。各セッションの概要を下記に記載しておりますので、ご関心をお持ちの内容があれば資料もご覧いただれば幸いです。 画像検索ソリューション (SA 半場 光晴) 20201125 EC Solution Seminar Image Search from Amazon Web Services Japan サイトに訪れたエンドユーザが商品検索時に使うだけではなく、“お客様が興味を示した商品の画像“から、”類似する画像の商品“ をレコメンドするためのバックエンド処理として使われるようなユースケースがあります。また実現方法として、画像をそのまま検索するのではなく、検査される画像群の特徴量を抽出して Indexing しておき、検索対象の画像の特徴量を使って検索する手法をとること、またそれらをサポートする MobileNet や Faiss などの OSS フレームワークが存在することや、 Amazon Elasticsearch Service との連携など、 AWS […]

11月30日よりAWS re:Inventがスタートしました。 ちょうど1年前、2019年のAWS re:Invent にてAWS DeepRacer リーグのグローバル最終決戦「Championship Cup」が開催され、日本のレーサー、Solaさんが優勝、Fumiakiさんが準優勝という快挙が成し遂げられました。 2020年のAWS re:InventにおいてもAWS DeepRacerリーグを締めくくるグローバル最終決戦「Championship Cup」が開催されます。全てのレースがオンラインで開催される今大会には、3月から続いた予選を勝ち抜いた総勢112名のファイナリストが出場予定。日本からも16名（11月30日時点）のレーサーがファイナリストとして名を連ねています。（下図は112名のファイナリストの初戦の対戦表） ここから世界一になるにはre:Invent期間中に開催される「Group Knockout」でまず上位32位までに入り、準決勝「Bracket of 32」で上位8名に残らなければなりません。そして決勝戦「Grand Prix Finale」で世界一が決まります。 Group KnockoutからGrand Prix Finaleにいたるまで、レースの様子はTwitchにてライブ公開されます。日本のレーサーが登場する初戦は12月2日 10:00スタート（日本時間）を予定しています。 Twitchにアクセスし、レーサーのみなさんを応援しましょう！ Championship cupの詳細はこちら（英語）   そしてもうひとつうれしいお知らせがあります。 これまで日本からの購入ができなかったAWS DeepRacerですが、2020年11月10日より、Amazon.com（USサイト）にて購入することができるようになりました。 販売内容および注意事項は以下のとおりです。 ◆販売内容 DeepRacer ：399$ DeepRacer + Sensor Kit (Evo) : 598$ Sensor Kit : 249$ ※価格は予告なく変更される場合があります 最新の情報は購入サイトでご確認ください ◆ご注意いただきたいこと ご購入にあたっては、購入可能な台数に制限があります 1つのAmazonアカウントで1週間に2台までの購入が可能です 1出荷あたり80$～87$ほどの送料がかかります ※上記送料は目安であり実費は購入サイトでご確認ください USからの直接出荷のため、日本ではサポートを受け付けておりません 購入、返品、故障などサポートが必要な場合は購入サイトへ英語にて直接依頼してください   […]

この記事は、Detecting and analyzing incorrect model predictions with Amazon SageMaker Model Monitor and Debugger を翻訳したものです。 畳み込みニューラルネットワーク（CNN）は、画像分類や物体検出などのタスクにおいて、最先端の結果をもたらします。自動運転において道路上の交通標識や物体を検出したり、ヘルスケアにおいて画像から異常部位をより正確に分類したり、小売業において在庫管理をしたりと、さまざまなアプリケーションで使用されています。

Amazon Transcribe は、自動音声認識 (ASR) サービスで、アプリケーションに音声からテキストへの機能を簡単に追加できます。本日、Amazon Transcribe ストリーミングについて、日本語、韓国語、ブラジルポルトガル語のサポートを開始しました。これらの言語のストリーミングトランスクリプションを低レイテンシーで配信するため、アジアパシフィック (東京)、アジアパシフィック (ソウル)、南米 (サンパウロ) リージョンで Amazon Transcribe Streaming のサポートも開始となりました。