Submit Search
Upload
オートモーティブ事業におけるMLOps / ShibuyaSynapse #4
•
Download as PPTX, PDF
•
1 like
•
4,371 views
Shota Suzuki
Follow
ShibuyaSynapse #4 https://dena-ai.connpass.com/event/109657/
Read less
Read more
Automotive
Report
Share
Report
Share
1 of 30
Download now
Recommended
AI/MLシステムにおけるビッグデータとの付き合い方
AI/MLシステムにおけるビッグデータとの付き合い方
Shota Suzuki
de:code 2019登壇資料:MLOpsによるAIモデルの作り方
de:code 2019登壇資料:MLOpsによるAIモデルの作り方
Hiroshi Senga
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
DeNA
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
Recruit Technologies
Developers Summit 2018: ストリームとバッチを融合したBigData Analytics ~事例とデモから見えてくる、これからのデー...
Developers Summit 2018: ストリームとバッチを融合したBigData Analytics ~事例とデモから見えてくる、これからのデー...
オラクルエンジニア通信
JJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組み
Recruit Technologies
NTTデータ流Infrastructure as Code~ 大規模プロジェクトを通して考え抜いた基盤自動化の新たな姿~(NTTデータ テクノロジーカンフ...
NTTデータ流Infrastructure as Code~ 大規模プロジェクトを通して考え抜いた基盤自動化の新たな姿~(NTTデータ テクノロジーカンフ...
NTT DATA Technology & Innovation
Recommended
AI/MLシステムにおけるビッグデータとの付き合い方
AI/MLシステムにおけるビッグデータとの付き合い方
Shota Suzuki
de:code 2019登壇資料:MLOpsによるAIモデルの作り方
de:code 2019登壇資料:MLOpsによるAIモデルの作り方
Hiroshi Senga
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
DeNA
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
Recruit Technologies
Developers Summit 2018: ストリームとバッチを融合したBigData Analytics ~事例とデモから見えてくる、これからのデー...
Developers Summit 2018: ストリームとバッチを融合したBigData Analytics ~事例とデモから見えてくる、これからのデー...
オラクルエンジニア通信
JJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組み
Recruit Technologies
NTTデータ流Infrastructure as Code~ 大規模プロジェクトを通して考え抜いた基盤自動化の新たな姿~(NTTデータ テクノロジーカンフ...
NTTデータ流Infrastructure as Code~ 大規模プロジェクトを通して考え抜いた基盤自動化の新たな姿~(NTTデータ テクノロジーカンフ...
NTT DATA Technology & Innovation
DeNA の Slack 導入と活用の事例紹介
DeNA の Slack 導入と活用の事例紹介
DeNA
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
Insight Technology, Inc.
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
Recruit Technologies
AutoTVM紹介
AutoTVM紹介
tomohiro kato
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
Recruit Technologies
広告におけるビッグデータの分析事例
広告におけるビッグデータの分析事例
Ken Takao
AIを活用した交通事故削減支援サービスでのテスト自動化
AIを活用した交通事故削減支援サービスでのテスト自動化
Shota Suzuki
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
Recruit Technologies
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
Kamonohashi
Googleアシスタントアプリ実際のところ
Googleアシスタントアプリ実際のところ
Yahoo!デベロッパーネットワーク
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Rakuten Group, Inc.
Spring “BigData”
Spring “BigData”
Recruit Technologies
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
Recruit Technologies
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
Recruit Technologies
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Recruit Technologies
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
Ken Takao
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
Sei Kato (加藤 整)
AWSでの金融系システム構築・運用勘所
AWSでの金融系システム構築・運用勘所
ナレッジコミュニケーション
More Related Content
What's hot
DeNA の Slack 導入と活用の事例紹介
DeNA の Slack 導入と活用の事例紹介
DeNA
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
Insight Technology, Inc.
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
Recruit Technologies
AutoTVM紹介
AutoTVM紹介
tomohiro kato
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
Recruit Technologies
広告におけるビッグデータの分析事例
広告におけるビッグデータの分析事例
Ken Takao
AIを活用した交通事故削減支援サービスでのテスト自動化
AIを活用した交通事故削減支援サービスでのテスト自動化
Shota Suzuki
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
Recruit Technologies
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
Kamonohashi
Googleアシスタントアプリ実際のところ
Googleアシスタントアプリ実際のところ
Yahoo!デベロッパーネットワーク
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Rakuten Group, Inc.
Spring “BigData”
Spring “BigData”
Recruit Technologies
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
Recruit Technologies
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
Recruit Technologies
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Recruit Technologies
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
Ken Takao
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
What's hot
(20)
DeNA の Slack 導入と活用の事例紹介
DeNA の Slack 導入と活用の事例紹介
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
[db tech showcase Tokyo 2014] D25: 今を分析する日立の「CEP」、知るなら今でしょ! by 株式会社日立製作所 村上順一
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
AutoTVM紹介
AutoTVM紹介
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
広告におけるビッグデータの分析事例
広告におけるビッグデータの分析事例
AIを活用した交通事故削減支援サービスでのテスト自動化
AIを活用した交通事故削減支援サービスでのテスト自動化
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
リクルート式AIの活用法
リクルート式AIの活用法
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
DLLAB Engineer Days:AIチームが履歴やリソース管理で疲弊してたので開発基盤作ってOSS化した話
Googleアシスタントアプリ実際のところ
Googleアシスタントアプリ実際のところ
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Spring “BigData”
Spring “BigData”
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
How to work Tableau x Google Cloud Platform in CyberAgent AdTech Studio
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Similar to オートモーティブ事業におけるMLOps / ShibuyaSynapse #4
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
Sei Kato (加藤 整)
AWSでの金融系システム構築・運用勘所
AWSでの金融系システム構築・運用勘所
ナレッジコミュニケーション
The way to a smart factory armed with data utilization
The way to a smart factory armed with data utilization
DataWorks Summit
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
Insight Technology, Inc.
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Kazuya Sugimoto
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
Takashi Suzuki
ビジネスファーストで機会損失をさせないインフラ構築を―ヤマハ発動機のデジタル施策とITインフラ戦略
ビジネスファーストで機会損失をさせないインフラ構築を―ヤマハ発動機のデジタル施策とITインフラ戦略
Taku Harako
第6回jduc勉強会 dynamics 365 新機能 外部apiと連携できる仮想エンティティの活用方法
第6回jduc勉強会 dynamics 365 新機能 外部apiと連携できる仮想エンティティの活用方法
Kazuya Sugimoto
Dynamics 365 Customer Engagement 理解のススメ -サブスクリプションビジネスモデルから読み解くカスタマーサポート機能活用の...
Dynamics 365 Customer Engagement 理解のススメ -サブスクリプションビジネスモデルから読み解くカスタマーサポート機能活用の...
Kazuya Sugimoto
Tokyo H2O.ai Meetup#2 by Iida
Tokyo H2O.ai Meetup#2 by Iida
Hidenori Fujioka
【金融機関アクセラレータ参加ベンチャーと学ぶAI】クラウド×AIで機械学習の民主化を目指すナレコムAI
【金融機関アクセラレータ参加ベンチャーと学ぶAI】クラウド×AIで機械学習の民主化を目指すナレコムAI
ナレッジコミュニケーション
Company Profile 2013 recruit
Company Profile 2013 recruit
Satoshi Matsumoto
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
apkiban
解明! Dynamics 365 Web API 全体像! 第7回JDUC勉強会
解明! Dynamics 365 Web API 全体像! 第7回JDUC勉強会
Kazuya Sugimoto
【Azureデータ分析シリーズ】非専門家向け/利用部門主導で始めるデータ分析_ナレッジコミュニケーション公開資料
【Azureデータ分析シリーズ】非専門家向け/利用部門主導で始めるデータ分析_ナレッジコミュニケーション公開資料
Takaya Nakanishi
Smfl20201001
Smfl20201001
三井住友ファイナンス&リース デジタル開発室
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
Koichi Hamada
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
DeNA
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
Takashi Suzuki
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
Koichi Hamada
Similar to オートモーティブ事業におけるMLOps / ShibuyaSynapse #4
(20)
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
AWSでの金融系システム構築・運用勘所
AWSでの金融系システム構築・運用勘所
The way to a smart factory armed with data utilization
The way to a smart factory armed with data utilization
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
ビジネスファーストで機会損失をさせないインフラ構築を―ヤマハ発動機のデジタル施策とITインフラ戦略
ビジネスファーストで機会損失をさせないインフラ構築を―ヤマハ発動機のデジタル施策とITインフラ戦略
第6回jduc勉強会 dynamics 365 新機能 外部apiと連携できる仮想エンティティの活用方法
第6回jduc勉強会 dynamics 365 新機能 外部apiと連携できる仮想エンティティの活用方法
Dynamics 365 Customer Engagement 理解のススメ -サブスクリプションビジネスモデルから読み解くカスタマーサポート機能活用の...
Dynamics 365 Customer Engagement 理解のススメ -サブスクリプションビジネスモデルから読み解くカスタマーサポート機能活用の...
Tokyo H2O.ai Meetup#2 by Iida
Tokyo H2O.ai Meetup#2 by Iida
【金融機関アクセラレータ参加ベンチャーと学ぶAI】クラウド×AIで機械学習の民主化を目指すナレコムAI
【金融機関アクセラレータ参加ベンチャーと学ぶAI】クラウド×AIで機械学習の民主化を目指すナレコムAI
Company Profile 2013 recruit
Company Profile 2013 recruit
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
解明! Dynamics 365 Web API 全体像! 第7回JDUC勉強会
解明! Dynamics 365 Web API 全体像! 第7回JDUC勉強会
【Azureデータ分析シリーズ】非専門家向け/利用部門主導で始めるデータ分析_ナレッジコミュニケーション公開資料
【Azureデータ分析シリーズ】非専門家向け/利用部門主導で始めるデータ分析_ナレッジコミュニケーション公開資料
Smfl20201001
Smfl20201001
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
オートモーティブ事業におけるMLOps / ShibuyaSynapse #4
1.
© DeNA Co.,
Ltd. オートモーティブ事業 におけるMLOps Shibuya Synapse #4 December 11, 2018 Shota Suzuki ML Engineering G DeNA Co., Ltd. © DeNA Co., Ltd.
2.
© DeNA Co.,
Ltd. 自己紹介 鈴木 翔太 システム本部AIシステム部MLエンジニアリングG MLエンジニア ⁃ AI/MLシステムの本番組み込み ⁃ データの前処理・データパイプライン ⁃ 分析、学習環境の構築 22
3.
© DeNA Co.,
Ltd. Agenda 交通事故低減に向けたAI技術活用の取り組み チーム体制 AI/MLシステムの紹介 ⁃ データの準備 ⁃ 学習 ⁃ 本番へのデプロイ 3
4.
© DeNA Co.,
Ltd. 交通事故低減に向けた AI 技術活用の取り組み 4
5.
© DeNA Co.,
Ltd. 行動変容に基づく交通事故低減 運転行動をモニタリングし潜在的な不安全行動を指摘→行動変容を促す 地図 ドライバー モニタリング 環境 モニタリング センサ解析 (GPS、加速度、ジャイロ) 5
6.
© DeNA Co.,
Ltd. ドライバーモニタリング ランドマーク検出+顔姿勢推定 ⁃ 顔のランドマークを検出し、顔の3Dモデルとフィッティング することで顔の3D姿勢を推定 ・・・ 左目 鼻 あご ランドマーク検出結果 顔の3Dモデル 6
7.
© DeNA Co.,
Ltd. 車載カメラ画像認識による環境モニタリング 7
8.
© DeNA Co.,
Ltd. 大規模の実走行データでの実証 実証実験を通して、大規模に実走行データを収集 アノテーション体制を構築し、AI研究開発に必要十分なラベル付き データをいつでも作成・利用できる状態 8
9.
© DeNA Co.,
Ltd. 独自のアルゴリズムによる危険運転行動検出 コンピュータビジョン(CV)チーム/データサイエンティスト(DS)チームの連携により、 様々な危険運転行動を検出する ⁃ 例:「あおり運転(車間距離不足)」の検出 • CVチーム:高精度な車間距離算出モデルの開発 • DSチーム:危険運転行動検出アルゴリズムの開発 CVチームの作成した高品質なモデルを活用して DSチームが危険運転行動検出アルゴリズムを開発し ドライバー本人にも納得感のある危険運転行動検出を実現 9
10.
© DeNA Co.,
Ltd. 危険運転行動検出アルゴリズムの開発 CVモデルからのデータをはじめ、車速/加速度/地図データから危険運転 行動の特徴を把握し、機械学習等を用いて検出アルゴリズムを開発 危険運転行動の特徴把握 ビジネス要件に合わせた アルゴリズムの開発 危険運転 行動 安全運転行動 CVモデルなどからデータを取得 10
11.
© DeNA Co.,
Ltd. システム構成 11 車載器通信用ALB Car API ALB Web API AWS IoT 社内PC 顧客Tablet/PC 車載器 Job Kicker Server AWS Batch AI処理 Map Match 位置情報処理 ALB SQS Webサービス用 SageMaker 学習用EC2 AWS Glue S3 SQS ELB リバプロ Kibana ElasticSearch Service CVエンジニア・データサイエンティスト分析 AI・危険運転解析処理 アプリログ分析 DynamoDB AuroraMemcache Argus(内製BI) 車載器データ処理・Webサービス CloudWatch CloudTrail Amazon SNS • 車載器データ処理と危険運転解析処理をSQSを中継役として作業分割 • AIの分析・解析・試験環境において、多種多様なAWSコンポーネントを活用 IGW DynamoDB EFS
12.
© DeNA Co.,
Ltd. プロジェクトメンバ 12 https://dena.ai/work6/
13.
© DeNA Co.,
Ltd. 役割分担 13 コンピュータビジョン(CV)エンジニア ⁃ CVモデルの開発 インフラエンジニア ⁃ AWS環境の構築、運用 データ/サーバサイドエンジニア ⁃ 本番システムの設計、開発 ⁃ データの前処理 データサイエンティスト(DS) ⁃ 危険運転行動検出アルゴリズム の開発 車載器開発エンジニア ⁃ 車載器へのモデル組み込み フロントエンドエンジニア ⁃ アノテーションツールの開発 多様なスキル持った人がチーム組んでプロジェクトに取り組む
14.
© DeNA Co.,
Ltd. 分業体制 14 新規サービスとAI/ML処理を並行して開発 ⁃ モデル作る以外にもタスクが多く専任は不可能 分業でのメリット ⁃ 各自の得意領域に集中することができる 分業でのデメリット ⁃ チーム間をまたぐようなところで問題が起きやすい • 誰がやるのか曖昧になっている • 仕様の伝達ミス コミュニケーション重要 ⁃ お互いバックグラウンド、スキルセットが違うため、困っている ことなど実際に聞いてみないとわからない ⁃ 別チームの定例に参加、GitHubの更新を眺める
15.
© DeNA Co.,
Ltd. MLシステムのサイクル 15 https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf
16.
© DeNA Co.,
Ltd. MLシステムのサイクル 16 https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf
17.
© DeNA Co.,
Ltd. センサーデータの収集、保管、加工 17 車載器からアップロードされた各種センサーファイルを収集 ⁃ GPS, 加速度、カメラの解析結果など ⁃ S3とEFSに各ドライビング毎にまとめて配置 生データをデータサイエンティストが扱いやすいよう前処理 ⁃ 分割されたファイルの結合 ⁃ 欠損値の補間 ⁃ タイムスタンプ揃え
18.
© DeNA Co.,
Ltd. CV用データの準備 18 データの収集 ⁃ 実証実験で収集した動画から専用のアノテーションツールを使い 、ドライバーや道路の画像をアノテーション データのクレンジング ⁃ SageMakerのNotebookで可視化分析し異常値を省く データセットの構築 ⁃ hdf5に変換しデータはEFSに配置 • データが巨大で学習インスタンス立てるたびにコピーするのは面倒 • 圧縮したままEFSにおき学習評価に使える
19.
© DeNA Co.,
Ltd. 学習、分析環境の構築、運用 19 CVエンジニア、データサイエンティストが安全になるべく自由に使え る学習、分析環境を構築、運用 ⁃ DSチーム • Jupyterは必須 ⁃ CVチーム • 学習用に大量のGPU使いたい ⁃ 共通要件 • AWSの扱いはそこまで慣れていない人が多い • セキュリティ周りの扱いも気をつける
20.
© DeNA Co.,
Ltd. 分析環境 SageMaker 20 S3 taro-tanaka-notebook-01 hanako-yamada-notebook-01 taro-tanaka-lifecycle-conf hanako-yamada-lifecycle-conf EFS lifecycle configurations KMSで暗号化 DSチーム IAM Role SageMakerのNotebookにEFSをmountし、チーム内でデータ共有 lifecycle configurationsとNotebookを紐づけて管理することで個々にカスタムした環境を構築可能。 分析者のアクセス制御 S3->EFSへ片方向データ転送 EFSは分析データの共有に便利 CVチーム
21.
© DeNA Co.,
Ltd. チームの学習環境 EC2 21 Step Server 学習用EC2① (Ondemand Instance) 学習用EC2② (Spot Instance) ・EC2インスタンス管理ツール(弊社開発) ・監視設定、Spot設定、DNS紐付け、Role管理などを制御する ・開発者が管理しやすい aws-tools Lambda Slack aws-toolsで各EC2インスタンスを生成し、インフラ管理から外れないようにチェック Spot Instanceの積極的な活用でコスト削減しつつ、停止したときの通知等の工夫をしている 停止 作成者にアラート通知 作成 EFS 分析データ共有 作成
22.
© DeNA Co.,
Ltd. SageMakerの利用範囲 22 SageMakerで開発、学習、推論までやろうと思えば全てできるが、本 プロジェクトではデータの分析がメイン用途 少人数でMLプロジェクトに取り組むときには有用だと思うが、大規模 で色々なスキルを持った人がいる場面では必要性が薄く感じる ⁃ 金銭面 • SageMakerではSpot Instanceが使えないのでGPU処理のコストがかさむ ⁃ 学習コスト • SageMaker独自の扱いを覚えてもらう必要がある ⁃ 推論 • モデル作成者以外にソフトウェアエンジニアも同じプロジェクトに関わっ ているのでわざわざSageMakerのものを使う必要もない
23.
© DeNA Co.,
Ltd. MLシステムのサイクル 23 https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf
24.
© DeNA Co.,
Ltd. 学習 24 CVモデルの学習 ⁃ フレームワークはChainerを利用 ⁃ SageMaker上にTensorboardを立ててモニタリング 実験の管理 ⁃ Configファイルにハイパーパラメータや使用モデル、データを記載 ⁃ スプレッドシートで実験結果は管理 評価 ⁃ いわゆる論文に出てくる指標だけでなく、プロダクトにおいて重要 な指標を独自に定義し評価もしている
25.
© DeNA Co.,
Ltd. 並列実行環境の構築 25 AWS Batchを使い大規模に推論、特徴量作成などを実行 ⁃ 推論は安いCPUのスポットインスタンスを利用しコスト削減 ⁃ 自動でスケールアウトするので処理対象をSQSにエンキューする だけ AWS Batch 元データ センサ、動画 推論結果、特徴量SQS DSチーム データの解析 推論、データ の前処理
26.
© DeNA Co.,
Ltd. MLシステムのサイクル 26 https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf
27.
© DeNA Co.,
Ltd. デプロイ・モニタリング 27 学習したCVモデルはエッジ用に変換しデプロイ DSの作ったモデルはMLエンジニアが本番用に一部変換しサーバにデプ ロイ Stage環境に簡易的なデータセットを作り、システムとしての動作、モ デルの検出精度を比較 危険運転行動検出数の推移をBIツールでモニタリング Inference Batch 元データ センサ、動画 推論結果、特徴量SQS Analyze Batch 他モデルの結果 モデル間の精度 比較
28.
© DeNA Co.,
Ltd. まとめ 28 CVエンジニア、DS、ソフトウェアエンジニアが共同でAI技術を使い交 通事故低減に向けて取り組んでいる 分業体制によりそれぞれの得意領域に注力して開発 SageMaker、Spot Instance、AWS BatchなどAWSのサービスを用い て低コスト、省力でMLの学習、分析環境を構築 AWSのサービスそのままではプロジェクトの要件に合っていない部分 は適宜適切なツールを自作し効率化
29.
© DeNA Co.,
Ltd. 今後に向けて 29 Kubeflow Pipelines, SageMaker+Airflowなどを使った学習パイプラ インの整備 AWS re:Invent 2018で発表された各種SageMakerの機能にも注目 ⁃ SageMaker Ground Truth ⁃ SageMaker Neo ⁃ SageMaker Search データセットの管理 実験管理周りの効率化
30.
© DeNA Co.,
Ltd. 30 ご静聴ありがとうございました
Editor's Notes
車載器にCV解析モデルをのせ車やレーンの検出を高精度で行えています
他にもたくさんいます的な
サービスの一機能というよりサービズの根幹にAI/ML処理が入っている
Assume Role + MFA による2段階認証
Download now