AI（人工知能）、機械学習の活用が進んでいますが、その課題も明らかになってきました。
例えば、以下ようなものがあります。
・GPUも含めたコンピューティングリソースや大量のストレージを迅速かつ、柔軟に確保する必要がある
・しかし部門やプロジェクトで、サイロ化しているという問題がある
・また、モデルも常に改善していく必要がある中で、「データ」もソースコードと同様に管理する必要がある
製造業における最新AI活用事例
このウェビナーでは、製造業における最新のAI活用事例を紹介しつつ、AI基盤の検討で見落としがちな”データ管理”の部分にフォーカスし、最適なデータ管理基盤を構成する上でのキーポイントをご紹介します。10-15分程度のセッションですので、お気軽にご参加ください。
【書き起こし】ストレージメーカーが語る「製造業でのAI活用事例とデータ管理基盤の選定ポイント」
(00:02) みなさんこんにちは netapp の ソリューションズエンジニアの中山と申し ます 本日は製造業での ai 活用事例と データ基盤の選定ポイントと題しまして を効果的に活用するために不可欠なデータ 管理の考え方ですとか データ基盤を選定する上での重要ポイント についてご紹介いたします a こちらは本日のアジェンダになります まず最初に描いの活用事例として製造業で どういった ai の使い方がされている のかというところの事例をですねいくつか ご紹介しまして 2点目にそういった ai の活用事例が どういった基板で支えられているのかと いうところとあとはデータ管理で重視す べきポイントについてお話しします え最後に弊社の音タップの ai ソリューションについてもご紹介していき ます えそれではですね本題に入る前に少しだけ
(01:08) 弊社 netapp の会社概要について ご紹介させてください 設立が1992年で本社が米国の カリフォルニアサンノゼの方にございます グローバルでですね取引先の企業様 38,000車 世界3030カ国98拠点で活動をして おります 2000から弊社をご存知いただいている 方の中にはですね オンプレミス向けのストレージ製品を扱っ ている会社という形でご認識いただいて いる方もいらっしゃるかもしれませんか 現在はですねデータ管理という部分を主軸 としまして えオンプレミス向けのプロダクトもちろん なんですけども クラウドでご使用いただけるストレージ サービスですとか 管理運用を効率化するための分析サービス など多数提供しておりますので本日はオン プレミスとクラウドの両方の ソリューションのご紹介を予定しており ます えこちらも弊社のお話になりまして恐縮 ですが弊社ですねえ関連の各種アワードを
(02:14) 多く頂いております 今年はですねストラトパスワードという a 集の中で差別化されたプロジェクトですと サービスを表彰するようなアワードになっ ているんですけどもこちらの方ですね弊社 の製品 ai 部門のトッププロダクト a サービスにご出演ご選出いただいており ます えその他にはですね数多くアロエ同意され ておりまして 有名なアナリスト系のレポートですおか ですね弊社の ai ソリューション高く 英語評価頂いておりますので本日はそう いった内容の一部を後半の方でもご紹介し ていこうと思っております それではですね弊社の概要はこれくらいに 留めまして まずはですねエーアイの活用事例のご紹介 しとして製造業で実際にどういったシーン で ai が活用されているのかという点 をいくつかユースケースを交えてご紹介 いたします こちらのスライドは清掃業での ai 活用 事例の一例になりますがまずはじめにです ねそもそもへ愛で ai で何ができるの
(03:20) かというところのおさらいにあります 会まず ai ができることですが主な ものとしてはこちらの5つが挙げられます 画像から何かを特定のものをですね認識 する画像処理であったり音声認識 あとは自然言語処理 もしくは a 分析や予測制御といった ことです 夜中の ai はこれらの組み合わせに よって多くのサービスであったり ai の 機能が作られています でこれらを組み合わせて具体的に清掃業で はまあ右の方に記載したような ai の 活用事例が発行されます 作業の効率化を目的とした製造ラインでの 外観検査ですとか労働力をロボットに 置き換えることでの人手不足の解消であっ たらいいですね と安全性の向上 角機器周辺人がいないか危険なものがない かといったことであったり
(04:22) 性品質の均一化 機故障店に検知する予防保全 生産量の最適化のための需要予測であっ たり 適切な在庫管理であったりですね まあこれはあくまで一例にはなるのですが これが意外にもですね多くのところで ai が活用されております 会ではですね清掃業での具体的な事例を2 点ほどご紹介いたします まずはこちらは製造ラインでの外観検査で の事例になります え従来の街関係者のイメージで言いますと 左側の図のようにですねひとによって検査 を行うような仕組みになります この場合の課題としましては 作業者の経験値だったり習熟度でですね 作業の精度だったりスピードにばらつきが 出てしまうというような課題があったり ですとか 後は安定して労働力を確保することが 難しいというような問題がございました でこういったシーンでもですね ai を
(05:26) 活用してカメラによる快感検査を行うこと でですね高い精度とスピードを実現して いるというところでこういった事例に関し ては製造業ではかなり浸透して生きている かなというふうに思います エニー店名ですね別の企業での重要予測 在庫管理の事例になります 従来製品の受注数を基に部材調達ですとか 在庫調整を行っておりましてそれらの判断 に多くの関係者が関わって時間を費やして おられました えこういったところでもですね ai を 活用して過去のデータですとかその時の会 天候気温を え商品情報へのアクセス状況などからです ね複数の情報からユーザートレンドの変化 を予測して重要予測の適正化を図ったと いうような自衛になります ええないを活用することで従来比等では 処理しきれなかった膨大なデータのへ
(06:29) データ量をですね活用することでですね 在校適正にコントロールして企業の収益の 最大化に a を活用されたというような 事例になります ではここからは先ほどいくつかご紹介した ような ai の活用事例が実際にどの ような基盤で動いているのかというところ をご紹介していきます 現在表示している2は ai をビジネス に活用する上でどのようにデータが発生し て処理されて ai として機能を提供し ていくのかというデータのライフサイクル を示したものになります まずは一番左側がああいう t デバイス ですとか hd ヴァイスと呼ばれる データの発生点になります 例えば製造ラインに設置されたカメラ デバイスですとか御霊水ず振動のセンサー といったものがここに該当します こういった iot デバイスで生成され たデータを活用する場合ですね僕の頭では 12校はと記載しておりますが専用の ハードウェアやクラウドなどで構成された
(07:34) 場所に a まずはデータを蓄積しまして 集中的にそこでコンピュータに学習させる ということが行われます えここでへ学習して生成された水量モデル を最後に ai の機能としてビジネスに 活用していくという流れになります 生成した推論モデルをクラウドに展開して 外向きに ai サービスとして提供する ケースもあれば場合によってはですね水路 モデルをエッジの部分に戻して ai に 処理させるといったケースもあります ここで重要なポイントになりますが ai の基盤が従来の it システムと大きく 異なる特徴の一つとしまして このようにですねデータが発生する場所と そのデータを使って学習する場所をそして それを ai の機能として活用する場所 がそれぞれに離れた場所になるということ が一つの大きな特徴としているかと思い ます 先ほどのデータのライフサイクルをデータ
(08:40) の流れとして増少し変えたのがこちらの スライドになります データの発生店でデータが採集されてそれ がデータを蓄積する場所に流れていきます ここではれデータレイクと記載しており ますがここに蓄積されたデータをですね 今度は学習クラスターという実態を非常に 高速な塩酸が可能な gpu など搭載し たサーバー群になりますが えそこに読み込まれまして この学習クラスターでパラメータ チューニングなるを行いながら ai の 推論処理のもととなる水の森を生成します この図では im と記載していますが 水曜モデル influence モデル と呼ばれるものですね これが学習クラスターから精製されてえ レジストリーに感じされた形で格納されて いきます 最終的にはこの推論モデルがですね実際に ai の機能として利用される場所に展開 されていくという流れになっています これらのデータの流れ ここではデータパイプラインとをよります
(09:44) が先ほどお話したようにですね各フェーズ がことだった場所に存在するというケース が多くございます 例えばですねデータの発生展は全国各地の 生産拠点に存在していて 一方でデータレイクは企業の it 部門 it 部門が管理するロケーションに集約 する形で格納されていたですね 一方で学習やレポジトリサービス提供と いったところはクラウドを利用していたり といったようにですね 離れた場所の間でデータが頻繁にやり取り されるといったケースが多くございます またはそれぞれのプロセスでデータ基盤に 求める要件というのも当然ながら異なって まいります ではですねここでそういった ai 牙の 活用を活性化させるためにですねえどう いったポイントをおさえてデータ基盤を 構成するのが重要かというというところ オフ3点ご紹介します まず一つ目に挙げられるのはシームレスな
(10:50) ai データパイプラインを作り出すと いうことが挙げられます えデータがどこにあるのかデータをどこで 起用するのかといったことはですねまあ いろんな場所が想定されるかと思います 例えば製造拠点の iot デバイスで あったりクラウドやオンプレミスを使って それがのでだから水温もでを生成したりと いったことが多くありますが そういった多様な環境委員でもですね柔軟 に対応できてなおかそれぞれの環境の間で シームレスにデータのやり取りができる 基盤が重要になってくるということがいる かと思います そして2点目に流れてきたデータを迅速に 処理できるようにですねスケーラブルな gpu ベースのアーキテクチャーが重要 になってまいります 流れてくるデータを使って水路モデルを 生成するのにですね長い時間を要して しまうとですねそれだけで ai 活用の 流れを a 開発 a 活用の流れを遅延させると いう要因にもなりますし あとはですねそういった ai 基盤を
(11:55) 導入するにあたってですね 準備ですとか設計といったシステム導入に 例えばが1年2年と費やしてしまうという のはやはり問題になるかと思います あとはビジネスの成長に合わせてシステム を止めることなく随時システムを拡張して いけるスケール性の高いアーキテクチャを 採用するということが非常に重要になって まいります これらのですね1点目2点目のポイントを クリアして初めてデータから洞察を得て ビジネスイノベーションを加速していく ことができるということが言えるかと思い ます そして3点目にへ最新ソフトウェア技術へ の対応の速さという点が挙げられます この ai 規模の領域をですね非常に 技術進歩が活発して常に新しい ソフトウェアが出てきていま サキナとへクーバねぇですですとか法文 シフトなどですねコンテナ技術を活用した ような木8位基盤などですね
(13:03) こういった技術の利点をうまく取り込む ためには最新の gpu サーバー の調達だけではなくてですねそういった 技術を迅速にサポートできるデータ地番を 合わせて上達するということも重要になっ てきます ということでここまでが雷のシステムに おいてデータ基盤がデータ基盤をどのよう なポイントを抑えて選定するのが重要かと どういったアーキテクチャのユーザ員が 重要かというところを簡単にご紹介して 参りました それではですねここからは先ほど挙げたで た牙の重要ポイントを満たすための ソリューションとしまして弊社の ai 金 のソリューションポートフォリオについて ご紹介してまいります 1点目は先ほど申し上げた愛知から来は そしてクラウドへのデータの流れ シームレスなデータパイプラインを提供 すると いうことです 弊社以前からデータファブリックという ビジョンを掲げてきまして プレミスであろうとクラウドであろうと
(14:06) 自由にデータを移動させたりですね それぞれの環境で効率的にデータ管理 できるように製品やサービスを拡充してき ました ai 基盤の要件に合わせて使って いただけるデータのへデータ管理機能です ね多数提供しておりましてこのスライドの 下の方に乗せているプロダクトですねこれ らには音タップと呼ばれるストレージ os が共通で搭載されているのですがそれらを ですねオンプレミスでもクラウドでも共通 してご使用いただくことが可能になって おります 各フェーズで共通のストレージ os を 使っていただくということはですねそれ だけ効率よくデータ転送できるということ になります 例えば重複排除したデータは重複排除した まま転送できますし オンプレミスのデータをクラウドに効率 よく簡単に移動させたりですねまたそう逆 にクラウドからオンプレミスにデータを 戻したいといったことも効率的に実現可能 になります またですね弊社の製品ではない環境からで
(15:13) もデータを高速に転送できるような サービスを提供しておりまして ほかにもデータ基盤はオンプレミスで管理 したいというような場合におきましては ベータ基盤を送れにオープンし残しつつ コンピュートリソースだけをクラウドで 利用するといったようなそうでしょうも 提供ております これが製品をですね上手く使っていただく ことによってデータの発生点ですと価格の 場所がそれがオンプレミスであろうと クラウドであろうとスムーズにデータの 流れを見出すことができるといったことが 可能になります 続いて2店目になりますが絵本辰平愛と いう ai ワークロードで実証済みのに ファレンさあアーキテクチャーのご紹介に なります 伊佐 ai の開発基盤を用意しようと なった時にですね例えば gpu サーバー です溶かすと ag ドア9匹という ところの選定においてですね雪 間の接続性であったり コンパチ bt なんかは結構頭を悩ます ところになりますけれども
(16:17) 弊社ではですねむびあさんの最新の gpu サーバーである dgx の a 100 と弊社の非常に高速なオールフラッシュ ストレージである ff の a 800というモデル これを組み合わせですね事前検証次の ファインサーキピクチャーを提供しており ます こういったものをご活用いただくことで ai 木場につきまとう設計の複雑性です とか難しさといったところですね排除して ですね息に ai のトレーニング環境所 準備するといったことが可能になります またですね gpu を dgx で構成 しているということもありまして nvidia さんの ngc を使って ですね gpu に最適化された ai フレームワーク用のコンテナ なんかも自由に展開して活用いただくと いったことがもちろん可能になっており ます また構成ですねコンピュート1台に対して ストレージも1台というスモールスタート 攻勢から始めることができまして
(17:20) ディフェンスの成長に合わせてストレージ 1台 gpu サーバー4台といった構成 まで拡張可能になっております それ以上の拡張につきましてはそれ次側の 定期もありますのでスケールアウトして さらに大きなシステムに拡張していくと いったこともできるようになっております え3点目最新のソフトウェア技術への対応 という点です a こちらはへありコントロールペンと いう駅までのデータとワークロードの管理 を効率化するソリューションになっており ます こちらのソリューションですね弊社から テクニカルレポートという形で提供して おりまして 内容としては先ほどご紹介したいって目の シームレスなデータパイプラインを実現 するという点そして弊社 プロジェクトもですね多数のデータ管理 機能を一番で効果的に活用するための情報 などがまとまったペーパーにがております ベースのアーキテクチャーには最近 ai 基板での利用も浸透してきております
(18:24) クーバー音ですと後はキューブローですね これをベースにしておりましてペーパーの 中ではですねそれらを使った ai 開発 基盤を導入するための手順ですとか エアフローですとかジュピターといった ai 開発広く使われているツールで弊社 の製品のデータ管理機能を勉強する連携 するための手法などですねこういったもの が記されたペーパーになっております でここで少しへこちらの ai コントロールプレーンの裏側のお話になり ますが弊社のストレージ製品ですね kooba ねぇ鉄ですとかオープン シフトといった絵コンテな環境とですね 非常にしますで高くご利用いただけるよう になっております 空バティスですと csi という ストレージの管理を標準化した企画があり ますが弊社でではですねこの csi な ドライバーとしてプライベートというもの を提供しております このトライデントですねクーバーねぇ テイストをベースにしたやり開発基盤でご 利用いただくことでストレージ間持つです
(19:28) ね複数の誰かに機能を 利用者に非常に簡単にへご活用いただく ことを可能にしています こちらの ai コントロールプレーンの ペーパーですがより具体的な使用例をいく つか挙げますと 例えばベーシックなオペレーションで言い ますと ai の開発者がジュピターの ワークスペースを用意する場合ですね知道 的にストレージを切り出してワークス ペースにアタッチするといった 仕組みづくり方法でですとか他にはですね 2人にグーのデータを開発用に多数複製 するような係数 まあ ai 開発のプロセスの中では会を 行うことも多いかと思いますが こういったところでもですねジュピターの ノートブックからストレージの機能を 呼び出して一瞬で大量の内容量のですね データをデータセットを大量にですねより を効率よく複製したりといったような ストレージがもともと持っている強力な データ管理機能ですねこういうもの off 複雑なオペレーションなく簡単に使って
(20:31) いただくための方法などこのペーパーの中 で提供しております で他にもですね知事的に離れた拠点から データを怖基盤に効率的に収容して集約し たりですとか オンプレミスとクラウドの間で高速に データを同期させたりなどですね a それ 自体がもともと持っているデータ管理機能 を ストレージの管理者以外の利用者からでも 直接簡単に使っていただくための方法など を提供しております こういった内容ですねあわせて弊社の プロダクトとへご活用いただくことでです ね 駅羽根のステージのコスト効率化させたり ですとか ai の開発サイクルの効率化 高速化といった所にお役立ていただけるか と思います えこちら国内の事例になりますが nvidia さんの dx a 100 という最新の gpu サーバーと 組み合わせた自衛になります ストレージの方ですね弊社の nvm い
(21:34) をベースにした aff の a 800 というえ高速なハイエンドストレージをご 採用いただいております エコ者のお客様ですねもともとはクラウド サービスを使って焼い開発を行ってまいり ましたがクラウドの利用コストが膨大に なってきたということが大きな課題となっ てですね オンプレミスで ai の基盤をご用意さ れたというのが兄としてございました こちらですね kooba ねぇテスを ベースにした非常に俊敏性柔軟性の高い 開発基盤になっておりましてこの中でです ね先ほどご紹介した kooba ネージュ の csi ドライバーである弊社の トライデントを含めたですねオンタイプの 機能性ですとか品質性能といったところを ご紹介いただいてご採用いただいた事例に なります えそれでは最後にまとめになります 弊社 netapp ではですねデータ ファブリックというビジョンに基づいて プレミスでも二クラウドでもシームレスに 入っているた方は使えるようにするという
(22:36) ことを提供するためにですねえ多数の製品 提供しております ai の開発ではえーまぁ利用するデータ の量が膨大になるということからですね データの発生点からデータを蓄積学習する といった一連の初任処理においてですね データの流れをスムーズなものにすると いうことが ai の開発プロセスを効率 化するためにもですね非常に重要になって まいりますん え本日はですね一部の製品しか取り上げ られませんでしたが編者の様々な プロダクトサービスをですね組み合わせで 使っていただくことで効率的で非常に柔軟 な ai データパイプラインを作り出す ことが可能になります [音楽] えまたですね会い開発の活性化のポイント はそれだけではなくてですね迅速に システムを導入するためにはですね事前に 検証済みの構成パターンを採用するという こと そして学習クラスターの拡張に合わせて 随時スケーラブルに拡張していける ストレージ基盤を選定するということが
(23:39) 非常に重要になってまいります へこのあたりもですねえ本日ご紹介の音 タッピー愛奴合わせてご活用頂くことで 迅速にシステムの導入 そしてビジネスに合わせた柔軟な拡張が 可能になってまいります へさらにはですねえ市場非常に新しい技術 の取り込みが活発ということから最近では a コンテナ技術と組み合わせた基板構成 というのも広まりつつあります えですのでへクーバねぇ停止ですか オープンシフトといった a container 環境と相性の良い 製品を選ぶということも一つ重要な ポイントになってまいりますので へ是非本日ですねご紹介したプロダクトと あわせて弊社の csi ドライバーで あるトライデントも合わせてご活用をご 検討いただければと思います 絵本時のセッションではあまり詳細まで 触れられなかったんですが a こちらの 弊社の web サイトの方にですね弊社 の ai 管理のプロダクトですとか ai での採用事例などですね多数へ乗せており
(24:45) ますので合わせてご覧いただけますと幸い です 会では以上をもちまして本日の発表内容を 終了させていただきますご視聴頂きまして ありがとうございました
