Category: Internet of Things

AWS IoT Device Management のフリートインデックスは、機器の集約情報を取得するために、GetStatistics、 GetPercentiles、GetCardinality の3つのAPIを提供開始しました。これらのAPIを使用すると、次のような質問にすばやく回答できます。AWSIoTに接続しているデバイスの割合はどのくらいですか？デバイスのバッテリーレベルの最大値、最小値、平均値はいくつですか？OSバージョンは現在何種類ありますか？ この投稿では、データセンターの温度監視シミュレーションについて説明し、フリートインデックス APIを使用してデバイスの集約情報を取得する方法を理解します。データセンターには、サーバーの温度を監視する多くのセンサーがあります。GetStatistics によって最小/最大/平均温度を取得する方法を学習します。GetPercentiles を使って温度の90パーセンタイルを取得します。また、GetCardinality を使って異常な温度のサーバーラックの数を取得します。

AWS IoT Device Managementには、企業があらゆる業界向けのIoTアプリケーションを構築できる幅広いツールがあります。ただし、デバイスへのリモートアクセスに関しては、通常、顧客がMQTTトピックを介して制御メッセージを送信するか、デバイスのシャドウを更新してからデバイスエージェントにそれらのメッセージに対してアクションを実行させる必要があります。これは、ハードウェア開発チームがこれらの特定の制御機能をデバイスのファームウェアに明示的に組み込む必要があることを意味します。 これらの事前構成されたフロー以外でのデバイス管理は、デバイスがファイアウォールの内側にある場合に特に注意が必要です。通常のデスクトップコンピューターでは、リモート管理アプリケーションをインストールするか、VNCなどのツールを使用するだけでよいため、これは些細な問題です。一方で、これまで、この種の機能をIoTデバイスに実装することは困難でした。

Alexa Voice Service（AVS）Integrationは、AWS IoT Coreの新機能であり、デバイスメーカーは、接続されたデバイスをAlexa組み込みデバイスにすることができます。 AVS for AWS IoTは、コンピューティングおよびメモリ集約型のタスクを物理デバイスからクラウドにオフロードすることで、Alexa Built-inデバイスの生産コストと複雑さの両方を削減します。エンジニアリング部品表（eBoM）コストの削減により、デバイスメーカーは、ライトスイッチ、サーモスタット、小型家電など、差別化された音声対応製品の新しいカテゴリをコスト効率よく構築できるようになりました。これにより、最終消費者は自宅、オフィス、またはホテルの部屋の新しい場所でAlexaと直接会話し、真にアンビエントな体験をすることができます。

このブログでは、AWS IoT Core Rule EngineのHTTPアクションを使って任意のHTTPS エンドポイントへ追加コードなしもしくは変更してデータを送る方法を紹介します。この機能を使用すると、AWS IoTを独自のウェブサービスと統合できます。中間サービスの使用に伴う追加Latencyの発生や複雑さはありません。 この機能の詳細については、HTTPアクションのドキュメントを参照してください。 AWS IoTルールを初めて使用する場合は、このチュートリアルをご覧ください。 本ブログの前提: AWS IoTのコンソールにログイン可能もしくはAWS CLIがインストール済みであること あなたがすでに証明局(CA)により署名された確かな証明書が存在するHTTPSをもっていること HTTPSエンドポイントのログへアクセス可能もしくは、エンドポイントへ送ったメッセージを読むことができること 本ブログでは以下をウォークスルーします コンソールでトピックに基づくHTTPアクションルールを作成します コンソールでルールの宛先の確認と有効化 HTTPアクションルールの作成をAWS CLIで実施 置換用のテンプレートを使わずにHTTPアクションを定義 HTTPアクションのhaeaderと認証を定義 ルールの宛先をAWS CLIを使って管理する 作成 確認 更新 リスト 削除

re:Inventまで２週間を切りました。今年のre:Inventでは40を超える数多くのIoTセッション・ワークショップ・チョークトークが予定されています。この記事ではこれらの多くのセッションの中からいくつか紹介するとともに、セッション以外の楽しみ方についても紹介したいと思います。 SpotLight Session Transform tomorrow’s industries with AWS IoT(IOT305-L) AWS IoTを使用すると、組織は比類のないスケーラビリティ、エンドツーエンドのセキュリティ、および他のAWSサービスとの密な統合により、デバイスデータを安全に接続、管理、分析できます。 このセッションでは、AWS IoTのVPが、AWS IoTの新機能と、顧客が今日の洞察を解き放ち、明日の産業を変革する方法を共有します。 Transforming automotive manufacturing with Volkswagen(IOT339) デジタルプロダクションプラットフォーム（DPP）は、機械学習、分析、コンピューティングサービスなど、AWS IoTの広範かつ詳細なサービスカタログを使用して構築されたクラウドプラットフォームです。 このセッションでは、VolkswagenとAWSがDPPを使用して、プラント/デバイスの接続、データ管理とガバナンス、既存の産業およびエンタープライズシステムとの統合を含む共有サービスの共通セットを提供することにより、接続を加速し、生産プラントを最適化する方法を学びます。 また、パブリッククラウドとオンプレミスのAWS IoT展開にまたがる包括的なプラットフォームを通じてこれを達成する方法も学びます。 Digital transformation and IoT monetization(IOT207-R) AWS IoTは世界中の業界に大規模に展開されていますが、ビジネス上の結果はどうでしょうか？ このセッションでは、一部のお客様がAWS上に構築されたIoTソリューションを収益化する方法について詳しく説明します。 また、予知保全、資産管理、自己最適化製品、自動的な在庫管理など、さまざまなユースケースにわたる製造業のデジタル変革の例を見ていきます。 Building smarter devices for a better life(IOT209-R) コネクテッドホームは、消費者の生活を改善する統合された自律的なエクスペリエンスのためにデバイスとサービスを結び付けます。 このセッションでは、家庭内の日常的なデバイスをインテリジェントなものに変える方法を学びます。 AWS IoTサービスの豊富なセットを使用して、これらのデバイスを大規模にリモートで監視、制御、およびセキュリティで保護する方法を学びます。 また、AWS IoTを使用して、これらのスマートデバイスからロック解除されたデータを分析し、適切なビジネス上の意思決定を行い、より良い製品を構築し、消費者体験を向上させる方法についても説明します。 Post-launch planning for IoT deployments(IOT210-R) IoTの真の力はデバイスを統合することです。 収集されたデータからの洞察をうけ、運用効率を実現し、カスタマーエクスペリエンスを向上させ、ビジネスの成果を向上させます。 このセッションでは、エッジからクラウドまでのさまざまなAWS IoTサービスを使用して、単一のデバイスから大規模な展開に移行しながら、IoT展開を管理および継続させる方法を知ることができます。 […]

みなさんこんにちは。ソリューションアーキテクトの岡本です。10/25 に AWS が主催する自動車業界向けイベント「AWS Autotech Forum 2019」が開催されました。「AWS と自動車業界」という組み合わせを意外に感じる方も多いのではないでしょうか？実は自動車業界の様々なワークロードや取り組みの中で AWS が活用されております。本イベントでは Mobility as a Service(MaaS) 、自動運転開発、コネクテッドカー、エッジコンピューティング等の分野に携わるビジネスリーダー及びエンジニアの方々をお招きし、この領域で AWS を活用頂いているお客様から最新の取り組みをご紹介いただきました。本ブログでは各セッションやデモブースの内容を紹介したいと思います。 オープニングセッション 「拡がるモビリティーサービスの実現に向けて」と題し、AWS ソリューションアーキテクト岡本から今年のイベントテーマである MaaS を巡る市場動向を紹介しました。技術トレンドとしての CASE(Connected/Autonomous/Shared/Electric) がそれぞれ深化する中でビジネストレンド MaaS の注目度が高まっており、今後大きな市場の出現が期待されています。MaaS にはエマージングビジネスの側面と企業間アライアンスによる新プラットフォームビジネスの側面があり、それぞれ技術基盤に求められる要件が異なりますが、AWS を活用頂くことでこれらの要件を満たし、ビジネスに集中して頂くことができます。 エマージングビジネスに必要な基盤の要件 コア領域に集中 アイデアをすぐ形に スケーラビリティ 企業間連携及び新プラットフォームに必要な基盤の要件 セキュアなデータ連携 グローバルフットプリント 学習コストの最小化（技術者の”共通言語”化） またゲストスピーカーとしてイスラエル発のスタートアップである Otonomo 様の平戸様と、日本の多くの自動車会社と連携し社会インフラとしての MaaS プラットフォームを推進されている MONET Technologies 株式会社様の 湧川様にご登壇頂き、最新の取り組みをご紹介頂きました。 ブレイクアウトセッション デンソーの MaaS 開発 ～アジャイル開発で顧客との協調・チームビルディング・実装概要～　株式会社デンソー このセッションでは、Small Start でソフトウェアファーストな開発を行う手法として、デンソー デジタルイノベーション室で採用されているアジャイル開発の手法について講演いただきました。試作から本番までの開発プロセスを 4 […]

AWS のお客様は、レイテンシーを最小限に抑えるために、エッジで機械学習 (ML) 推論を実行することを選択することがよくあります。これらの状況の多くでは、ML 推論は多数の入力で個別に実行する必要があります。 たとえば、ビデオの各フレームでオブジェクトの検出モデルを実行する場合です。これらの場合、エッジデバイスで利用可能なすべての CPU/GPU で ML 推論を並列化すると、全体的な推論時間を短縮できる可能性があります。 最近、私のチームはこの最適化の必要性を認識しながら、お客様が産業用異常検出システムを構築するのを支援しました。このユースケースでは、一連のカメラが通過するマシンの画像を取得してアップロードしました (マシンごとに約 3,000 枚の画像)。お客様は、サイトのエッジデバイスにデプロイした深層学習ベースのオブジェクト検出モデルに各画像を入力する必要がありました。各サイトのエッジハードウェアは、2 つの GPU と複数の CPU を搭載していました。最初に、AWS IoT Greengrass コアにデプロイされた長期実行 Lambda 関数 (これについては記事の後半で詳しく説明します) を実装しました。この設定では、各イメージをエッジデバイスで順次処理します。 ただし、この設定では、エッジデバイスの単一の CPU および単一の GPU コアで深層学習推論が実行されます。推論時間を短縮するために、利用可能なハードウェアの全容量を活用する方法を検討しました。調査をいくらか行った後、(さまざまな深層学習フレームワークに対して) 複数の CPU/GPU (TensorFlow、MXNet、PyTorchなど) にトレーニングを分散させる多くの方法に関するドキュメントを見つけました。ただし、特定のホストで並列化を行う方法に関する資料は見つかりませんでした。 この投稿では、推論を並列化する方法をいくつか示し、コードスニペットの例とパフォーマンスベンチマークの結果を提供します。 この投稿では、データの並列処理のみに焦点を当てます。これは、入力データのリストを均等な部分に分割し、各 CPU/GPU コアがそのような部分 1 つを処理することを意味します。このアプローチはモデルの並列処理とは異なり、ML モデルを異なる部分に分割し、各部分を異なるプロセッサにロードする必要があります。データの並列処理は、その単純さにより、はるかに一般的で実用的です。 単一のマシンで ML 推論を並列化するのにどの点が難しいのでしょうか? マルチスレッドコードの記述に精通しているソフトウェアエンジニアであれば、上記の内容を読んで疑問に思うかもしれません。単一のマシンで ML 推論を並列化するのに、何が課題なんだろうかと。 これをよりよく理解するために、デバイスに少なくとも 1 つの GPU があると仮定して、単一の ML 推論をエンドツーエンドで実行するプロセスを手短に確認しましょう。 複数の […]

Internet of Things（IoT）ソリューションは、さまざまな業界や用途で業務と顧客体験を変革するのに役立ちます。その無限の機会は興奮をもたらしますが、セキュリティ、リスク、プライバシーの懸念も持っています。顧客、デバイス、および企業を保護するには、すべてのIoTソリューションがセキュリティで始まり、セキュリティで終わる必要があります。最高のIoTセキュリティソリューションは、エッジからクラウドまでの多層保護を提供し、IoTデバイス、接続、およびデータを保護します。理想的には、独自の要件と制約に合わせたIoTソリューションのすべてのビルディングブロックについて、セキュリティプラクティスでパブリックに知られている再利用可能なリストに依存することができます。ただし、実際には、セキュリティルールをガイドとして使用して、セキュリティ戦略の少なくとも一部を自分で計画する必要があります。設計と実装から継続的な運用と管理まで、ビジネスとIoTエコシステムの保護に役立つ次のベストプラクティスをまとめました。高レベルの推奨事項のリストも各ルールに従います。これらの推奨事項は完全なリストではなく、各ルールの背景にある基本概念を明確にするものになります。

皆様は、リモートデバイスの通信と制御のためにAWS IoT CoreとAWS IoT Greengrassを使用する方法をすでに知っているかもしれません。 AWS IoT Greengrassの機械学習（ML）推論を使用すると、送信遅延なしにローカルデバイスで機械学習モデルを実行できます。 このブログ記事では、Raspberry PiでAWS IoT Greengrass ML推論を使用して自宅の監視のためにローカルの顔認識を実行する方法を紹介します。 Raspberry Piのカメラの制御装置として、Alexa Voice Serviceに接続されているAmazon Echo Dotを使用すると、ドアの外にいる人の写真を撮ることができ、その写真を使用して顔の検出と比較を実行できます。 Raspberry Piに展開された事前学習済みのMLモデルを使用したローカルデータセット 比較結果はドアロックや他のスマートデバイスでも使用できますが、これらの使用例はこの記事では扱いません。

  私たちはイノベーションの黄金時代に生きています。今では、個別化された医療によって、私たちが絶対に治癒できないと考えていた病気さえも治療できるようになりました。デジタル医療は、病気を抱えている人々がより健康になれるように手助けしています。私たちは、癌細胞を標的として根絶するために体の免疫システムを活用する方法をずっと探しています。ClinicalTrials.gov の報告によると、登録された研究は 2018 年に 293,000 件に達し、2000 年以来 250 倍の成長を遂げたことを表しています。 しかし、EvaluatePharma のデータを使用した Endpoints News の内部収益率 (IRR) の分析では、いくつか興味深い傾向が強調されています。製薬イノベーションが活気づいている現状は、登録された研究が大幅に成長したことによってサポートされています。しかし、IRR は 2000 年の約 17% から 2017 年の資本コストを下回るまで急激に減少する傾向を示しており、2020 年には 0% になると予測されています。 このブログ記事は、コンプライアンスに準拠した安全な方法で臨床試験データを収集、保存、処理、視覚化、そして実行するためのエンドツーエンドのワークフローに焦点を当てたシリーズの最初の記事です。このシリーズでは、また、人工知能と機械学習テクノロジーを臨床試験へ取り組んだアプリケーションについても説明します。この記事では、AWS のお客様が臨床試験を近代化するために使用する一般的なアーキテクチャパターンについて説明します。これらには、より良いエビデンス生成、コスト削減、品質の向上、アクセスの改善、および患者に向けて個人化された医療のモバイルテクノロジーが組み込まれています。 臨床試験の結果を改善し、コストを削減する バイオテクノロジーおよび製薬会社は、可能な限りリソースを効率的に使用することに対してプレッシャーを感じています。このプレッシャーにより、コストを削減しながら、プロセスを合理化し、高速化し、安全性を維持するためのあらゆる条件が求められます。ますます多くのライフサイエンス企業がバイオロジクス、CAR-T、および精密医療治療薬をターゲットにしており、より小さく、地理的に分散した患者セグメントに焦点が移っています。この変化により、これまで利用できなかった、非伝統的な情報源からデータを収集するという義務が増しています。これらの情報源には、モバイルデバイス、IoT デバイス、そして家庭用および臨床用デバイスが含まれます。ライフサイエンス企業は、これらの情報源から得たデータを従来の臨床試験データとマージして、薬の安全性と有効性に関する強力なエビデンスを構築します。 昨年の初めに、臨床試験改革イニシアチブ (CTTI) は、患者から総合的で高品質かつ帰属可能な実世界のデータを取得し、米国に提出するためのモバイルテクノロジーの使用に関する推奨事項を提供しました。食品医薬品局 (FDA)。モバイルテクノロジーを使用することで、ライフサイエンス企業は臨床試験への参加障壁を減らし、臨床試験の実施に伴うコストを削減できます。FDA、カナダ保健省、および英国医薬品庁 (MHRA) など、世界的な規制団体も、モバイルテクノロジーの使用を支持しています。モバイルテクノロジーによって、より効率的に患者を募集し、より早くエンドポイントに到達し、臨床試験を実施するために必要な費用と時間を削減することができます。 モバイルテクノロジーを使用して即席にデータを取り込むと、結果にすばやく到達し、コストを削減して、臨床試験の精度を向上させることができます。これは、特にモバイルデータの取り込みに人工知能および機械学習 (AI/ML) テクノロジーが追加されている場合に特に当てはまります。 それと共に、スマート臨床試験の新しい時代を迎えることができます。 同時に、市販されている超大型新薬に向けて設計された従来の臨床試験プロセスやテクノロジーは、新興産業のニーズを効果的に満たすことができません。このため、ライフサイエンス企業や製薬会社は、臨床試験の運用を進化させるための支援を必要としています。これらの事情により、臨床試験は新薬を市場に出すための最大の投資分野の 1 つになりました。 臨床試験でモバイルテクノロジーを従来のテクノロジーと併用すると、臨床試験の結果が改善され、同時にコストが削減されます。さまざまなテクノロジーの統合によって利用できるユースケースには、次のものがあります。 臨床試験における参加者の特定と追跡 臨床試験で募集する参加者の特定 臨床試験に参加している患者の教育と通知 標準化されたプロトコルの実装および臨床試験の参加者に関連情報を共有 有害事象と安全性プロファイルの追跡 新規バイオマーカーを特定するためのゲノムデータと表現型データの統合 臨床試験の管理をより良くするための臨床試験へのモバイルデータの統合 履歴データに基づいた患者コントロールアームの作成 治療、クレーム、およびレジストリデータセットに基づくコホートの階層化 […]