エッジ上でのモデル構築にWallaroo AIコミュニティエディションを使用

エッジ上でのモデル構築にWallaroo AIコミュニティエディションを使用

Table of Contents:

1. エッジデバイスでの機械学習の概要 1.1 データの移動に関する問題 1.2 ローカルでのデータの前処理の必要性

2. エッジでの機械学習の活用 2.1 エッジデバイスでの機械学習のパワー 2.2 エッジアプリケーションによるMLモデルの呼び出し 2.3 Wallaroo Aiの無料コミュニティエディション

3. エッジへの機械学習モデルの展開 3.1 自律走行車の例 3.2 MLエッジの重要性 3.3 リソースとインフラストラクチャの制約 3.4 Wallaroo AIの軽量スタック

4. MLエッジの展開とモニタリング 4.1 モデルの作成と展開方法 4.2 SDK、API、UIを使用した展開 4.3 Wallarooのモデルレジストリ 4.4 モデルのバージョニングとモニタリング

5. データプラットフォームの活用と管理 5.1 Wallarooのデータプラットフォーム 5.2 エッジデバイスでのデータ収集と予測 5.3 モデルの集約と管理

6. クラウドとの統合とスケーリング 6.1 Wallarooのクラウド統合 6.2 インターネットに接続できないAir Gap環境でのスケーリング

7. エッジ機械学習の研究資源 7.1 詳細な研究資源の追加 7.2 Wallaroo Community Editionの活用

8. チャンネルのサポートと感謝の意を表す

エッジデバイスでの機械学習テクノロジーの活用 こんにちは皆さん、私はishwar srinivasanです。まずはじめに、私のチャンネルへ新たに参加した方々には、ここにいてくれてうれしいです。また、私のコンテンツをフォローしていた方々には、おかえりなさいと言いたいです。今日は、エッジデバイス上で機械学習のさらなる応用について話します。通常、機械学習システムや機械学習の紹介について話す場合、大規模なデータセンターで実行される機械学習モデルを指しています。しかし、低いレイテンシーや制限された接続性、またはローカルでのデータセットの前処理の必要性など、データの転送に影響を与える状況が発生することがあります。ここで、エッジ上の機械学習が登場します。エッジデバイスでの機械学習は、エッジデバイス上で機械学習モデルを実行するというコンセプトです。これらの機械学習モデルは、エッジアプリケーションによって呼び出されます。私は、デプロイとパイプラインの監視を支援する無料のツールを探求しています。そこで、ビデオの説明文にリンクを貼り付けた、Wallaroo Aiの無料コミュニティエディションに出会いました。Valero AIを使用してモデルを本番環境に展開する方法について別のビデオを作成したこともあります。このリンクも説明文に記載しています。そこで、このビデオでは特にエッジ上での機械学習モデルの展開について話したいと思います。自律走行車が機械学習を使用して、車両のナビゲーションやフリート管理のための必要なトラックメンテナンスを予測すると考えてみましょう。この車両はどんな地形や地域でも利用可能で、携帯接続によって利用できます。このシナリオでは、意思決定の力、つまり機械学習のコンピューティングが、ローカルであること、つまり車両内にあることが非常に重要です。これがMLエッジの重要性です。MLエッジは成長している分野であり、市場には限られたリソースとインフラストラクチャしかありません。MLHの展開、監視、可観測性をサポートするWallaroo AIは、かなり軽量なスタックを使用しています。Wallarooの画面上のアーキテクチャダイアグラムは、パイプラインの動作方法を非常によく示しています。セクション1では、任意のフレームワーク、ライブラリ、またはモデル展開プラットフォームを使用してモデルを作成し、モデルを展開する方法が示されています。SDK、API、またはUIを介して行うことができます。Boilerooを使用すると、複雑なパイプラインを作成することができ、中央のログと学習を作成することができます。エッジモデルが完成したら、A/Bテストやその他の実験を実行することもできます。モデルが展開されたら、それが正常に機能していることをどのように知ることができるでしょうか？カメラ周辺の照明が変化したり、センサーが汚れたりすると、モデルはうまく機能しないかもしれません。Wallarooは、これらのエッジ展開を管理することができます。これがセクション2になります。モデルのバージョニングやモニタリングのためのWallarooのモデルレジストリを利用することで、モデルのパフォーマンスをモニタリングし、問題が発生したタイミングを確認し、必要な場合には更新されたモデルをプッシュアウトすることができます。次に、セクション3ではモデルエッジデータプラットフォームを使用して、エッジ上でモデルを集約および管理します。セクション4では、実際のエッジデバイスによるデータ収集、モデルの予測、ログの送信などが行われます。私たちの自律型またはフリートカーの例では、Valeroのスタックは、どんなクラウドにもシームレスに統合することができ、インターネットに接続できないAir Gap環境でもワークロードのスケーリングと配布が可能です。HMLは広範なトピックであり、多くの業界で人気が高まっています。深い研究が必要です。Wallaroo Community Editionを使用して、エッジMLの仕組みやモデルの構築、展開、管理方法について学ぶことができます。それでは、もし私のコンテンツが気に入っていただけたら、どうかいいねやシェアをして、友達や同僚に共有してください。また、私のチャンネルにも登録しておいていただければ幸いです。どうもありがとうございました。