【Part1】AWSでエッジコンピューティング環境を作る(全体像)

こんにちは！

先日、AIchi勉強会という会を開催して、喋ってきました。AIについて勉強しようぜ！という会だったので、なにかを学んで、発表できたらなと考えていたのですが、私は今IoT関係の仕事をしています。

IoT × AI = エッジコンピューティング やろ！

という短絡的発想により、エッジコンピューティングの仕組みを作ろうと考えました。そして、頑張って作りました。

ちなみに、エッジコンピューティングとはなにかは、以前記事で書いたので、参照ください。

☑ エッジ/フォグ/クラウド コンピューティングの違いとメリット
☑ エッジでディープラーニングを可能にする「モデル圧縮」技術

発表資料

実際の発表資料がこちらになります。エッジコンピューティングのさわりだけでも伝われば幸いです。

※また、この会では他にも素晴らしい方々が発表してくださったので、私以外のスライドもぜひ、一読をおすすめします！下記ページに他の講演者の方のスライドもあります。愛知でもAIに関してこれだけのクオリティで会が開けたこと、嬉しく思います。

AIchi勉強会 (2019/09/07 12:30〜)

続きはwebで

発表は20分でしたが、全然詳細は伝えきれませんでした。なので、発表の最後にこんなスライドを遺しました。

続きはwebで。というわけで、この発表で作ったデモのレシピを順を追いながら記事にしていこうと思います。

内容

ざっくり言うと、下図のシステムを作るにあたって必要な設定や組み方、そこで出たエラーを解決する方法を書いていきます。

アーキテクチャはこのようなもの。

このアーキテクチャは、結構応用が効くと思っていて、撮るデータと学習モデルを変えさえすれば、残りはほとんど同じシステムで動かすことができます。エッジコンピューティングを始めるに当たって、このくらい作っておけば運用がしやすいのではないのかなーと、個人的には思っております。

また、連載の途中でもし私が成長していたら、発表で喋った内容+α(今後やりたいこと)に着手しているかもしれません。私が成長していれば。

レシピ(予定)
1. 全体像(この記事です)
Part 2. Greengrass環境構築編
Part 3. Greengrass/Lambda設定編
Part 4. ラズパイデプロイ編
Part 5. S3に画像を送る 1. パイプライン設計
Part 6. S3に画像を送る 2. 画像のエンコーディング
Part 7. モデル軽量化手法 Distillerとは
Part 8. SageMakerNeoでハードウェア最適化
Part 9. DLR(Deeplearning Runtime)とエッジ推論

このくらいの内容で書いていければと思います。こうやって組んだほうがよりよいのでは？という意見も募集しておりますので、気軽にコメントください。

ぜひぜひ、みなさんも実際に手を動かしながらやってみてください！ではではっ

次の記事 : Greengrass環境構築編