製造

小規模モデルで高品質を: ドメイン特化型言語モデルを評価する BMW Group の試み

Fri, 13 Mar 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

音声操作できる車は、テレビ番組の題材として、あるいは最近のスマートフォン連携技術として、長年の夢でした。

より自然で優れた音声コマンドを実現する方法の一つは、AI 基盤モデルを車両システムに組み込むことです。これにより、従来の音声コマンドよりもインテリジェンスが向上します。AI 基盤モデルは、日常的な質問と車両機能をシームレスな対話で結び付けることができます。これらのモデルにより、運転手は前方の道路に集中しながら、より直感的な操作でドライブを楽しむことができます。

大規模言語モデル（LLM）は強力な機能を提供しますが、少なくとも自動車という環境においては、大きな欠点があります。それは、一貫したネットワークアクセスに依存しているため、遅延や中断の可能性がある車内での使用には不向きであることです。

信頼性の高い次世代のインテリジェンスを実現するため、BMW Group と Google Cloud は概念実証を成功させ、ドメイン特化型言語モデルをファインチューニング、最適化、評価、デプロイするワークフローを自動化する、効率的で再現可能なソリューションを構築しました。これは特に、小規模言語モデル（SLM）に重点を置いています。このブログ投稿では、結果、所見、ソースコードを公開して、幅広い導入を促進したいと考えています。

BMW Group のコネクテッドカープラットフォーム担当バイスプレジデントである Celine Laurent-Winter 博士は、次のように述べています。「小規模言語モデルの最適なトレードオフを見つけるのは、困難で反復的なプロセスです。ドメイン特化型 SLM のトレーニング、テスト、デプロイのワークフローを自動化することで、開発効率を大幅に向上させることができます。自動化されたパイプラインにより、モデルを自社のドメインに迅速に適応させ、ドメイン固有のベンチマークに対して厳密にテストおよび評価できます。これにより、自動化された再現可能なワークフローで、モデルのイテレーションと最適化を数日ではなく数時間で行うことができます。」

小規模言語モデル: 小さなコンセプト、大きな可能性

生成 AI は、自動車メーカーに強力な新機能を提供し、複雑な音声コマンドを可能にします。以前は、「ルート上にあるレストランで、今営業していてベジタリアンメニューがある、評価が 4 つ星以上の場所を探して」のようなリクエストを音声コマンドシステムが理解することはほぼ不可能でした。生成 AI は、言語理解と推論の機能により、このようなリクエストを解読できます。

しかし、このインテリジェンスを統合するには課題があります。クラウドベースの LLM は強力ですが、イライラするような遅延を避けるためには安定したネットワークが必要です。一方、車載 LLM は、自動車の限られたコンピューティングハードウェアによって制約を受けます。

小規模言語モデルは理想的なバランスを提供できる可能性がありますが、サイズと機能の適切なトレードオフを見つけるには、慎重な最適化が必要です。

このような、用途に特化した適正サイズの生成 AI モデルは、自動車などのエッジデバイスで直接実行できます。一般的なアプローチは、最も頻繁に使用される機能を SLM によってローカルで処理し、より複雑なリクエストのみをクラウドベースの LLM にルーティングするというものです。SLM には、対象デバイスで実行できる軽量さと、実用に耐えうる性能の両立が求められます。特に、ファインチューニングによって自動車の特定のコンテキストに合わせて調整されている場合はなおさらです。

基盤モデルを自動車に統合する際の課題

クラウドと比較して、自動車のインフォテインメントシステムはストレージとコンピューティング能力が限られています。5 シリーズのセダンや X3 SUV は大きく見えるかもしれませんが、4 つの車輪の間に収めなければならないパフォーマンス、テクノロジー、ラグジュアリーを考えると、スペースは限られています。

そのため、16 ビットの精度で 40 GB を超えるメモリを消費する Gemma 3 27B などの大規模言語モデルを統合することは困難です。より小さいバージョン（例: Gemma 3 270M）も存在しますが、それらは広範で一般的な焦点を持つ傾向があり、大規模なモデルと比較すると精度が低下する可能性があります。

そのため、私たちのような特殊なユースケースでは、モデルの圧縮（サイズを縮小）とチューニング（高精度を確保）が必要になります。目標は、最も頻繁なタスクについて、モデルサイズ、推論時間、精度の間で最適なトレードオフを見つけることです。

LLM から SLM への変換

リソースを大量に消費する大規模な LLM を効率的な SLM に変換するには、よく知られた圧縮手法と品質向上手法が必要です。以下は、私たちが調べた一般的な手法の概要（一部）です。

圧縮手法:

主な目標は、モデルのコンピューティングとメモリの複雑さを軽減することです。これは、以下によって実現できます。

量子化: 高精度のパラメータ（例: 32 ビット浮動小数点数）から低精度形式（例: 8 ビット整数、4 ビット浮動小数点数）に変換することで、モデルのメモリ使用量を削減します。ただし、これにより精度が低下する可能性があります。その程度は多くの場合、わずかです。
プルーニング: ニューラルネットワーク内で重要度の低いパラメータや接続を体系的に特定して削除し、コア機能を維持しながら SLM を合理化します。
知識蒸留: コンパクトな「生徒」モデルをトレーニングして、より大規模な「教師」LLM のパフォーマンスを再現し、複雑な知識をはるかに小さく、より効率的なアーキテクチャに転送します。

圧縮後の品質向上

さらに、圧縮時に失われたパフォーマンスを回復または向上させるのに役立つ方法を検討しました。

ファインチューニング（および LoRA）: 対象のデータセットを使用して、圧縮モデルを特定のドメインに適応させます。標準的なアプローチは、Low-Rank Adaptation（LoRA）などのパラメータエフィシエントファインチューニング（PEFT）です。LoRA は元の重みを固定し、より小さいトレーニング可能な行列を注入することで、フルファインチューニングのパフォーマンスを維持しながら、コンピューティングとストレージの費用を大幅に削減します。
強化学習（RL）: Proximal Policy Optimization（PPO）、Direct Policy Optimization（DPO）、Group relative policy optimization（GRPO）などの手法を使用して、人間の好みに合わせて調整します。RL は、望ましい動作に報酬を与えることでモデルの出力を繰り返し改善し、より有用で正確な回答を生成するようにモデルを導きます。

自動車タスクのパフォーマンス評価

モデルの圧縮と強化が完了したら、最後の重要なステップとして、パフォーマンスを厳密に評価します。これには、システムパフォーマンス（レイテンシ、ターゲットハードウェアのリソース使用率など）と、モデルが生成した回答の定性的な評価が含まれます。品質を評価する確立された方法は次のとおりです。

ポイントワイズ評価: この方法では、生成された単一の回答の品質を、事前定義された「グラウンドトゥルース」または参照回答と比較して評価します。例としては、ROUGE や BLEU の指標があります。
ペアワイズ評価: このアプローチでは、2 つの異なるモデル出力のうちどちらが優れているかを判断します。多くの場合、会話の質に対する主観的な人間の好みに近いものになります。これは、自動評価ツール（LLM-as-a-Judge）または直接的な人間のフィードバックによって実行できます。

これらの評価方法を組み合わせた堅牢なテスト戦略を策定することは、圧縮とファインチューニングの取り組みの成功を検証するために不可欠です。

最適な構成を見つけることの難しさ

汎用 LLM から特化型 SLM への移行は簡単ではありません。量子化の種類から、ドメイン特化型ファインチューニングデータセットの特性や内容まで、あらゆる選択が最終モデルの品質と効率に直接影響します。これにより、可能な構成の範囲が指数関数的に広がり、それぞれに独自のトレードオフが生じます。

この複雑な状況は、実務上の制約によってさらに複雑化します。すべての圧縮または強化手法があらゆる言語モデルに適用できるわけではなく、互換性のない手法もあります。たとえば、Google Gemini のような API 専用モデルでは、固定された一連の方法でのみファインチューニングが許可されます。

有効な組み合わせの数が膨大であるため、最適な構成を手動で検索することは、不可能ではないにしても、非常に面倒な作業になります。この課題を克服するために、実行可能なパイプラインを通じて自動化された再現可能なワークフローを構築しました。

ソリューション: SLM 最適化のための自動化ワークフロー

私たちのソリューションは、最適化された SLM を生成するために必要な圧縮、適応、評価の各ステップをオーケストレートする自動化ワークフローです。これは、各ステップがモジュール化されたパラメータ化可能なコンポーネントである柔軟なパイプラインを設計することで実現されます。このワークフローベースのアプローチにより、広大な構成空間を体系的に探索し、車載デプロイに最適なパフォーマンスを発揮するモデルを特定できます。

このプロセスは、Vertex AI Pipelines などの強力なワークフローエンジンで自動的に実行できるワークフローとして構造化されています。このワークフローでは、一連のオペレーション（量子化、LoRA ファインチューニング、DPO など）を、相互に接続されたコンポーネントのチェーンとして定義できます。パイプラインパラメータを使用すると、構成空間全体を検索し、さまざまなベースモデル、圧縮手法、チューニング方法、評価データセットをテストできます。

この自動探索により、手動でテストすることは不可能なほど包括的な可能性を探索できます。各パイプライン実行の最終的なアーティファクトは完全に追跡可能で、デプロイの準備が整っています。これには、バージョン管理された SLM 自体、モデルを生成した正確な構成パラメータ、評価に使用されたデータセット、パフォーマンス指標の詳細なレポートが含まれ、完全な再現性が確保されます。

実装: Vertex AI Pipelines による自動化ワークフロー

私たちのソリューションは、構成可能で実行可能なパイプラインテンプレートを使用して、Google Cloud の Vertex AI プラットフォーム上に構築されています。これにより、広大な検索空間で最適な SLM を見つけるための、構造化され、自動化された方法が提供されます。図 1 は、このワークフロー、そのステップ、さまざまなデータストアとモデルストアとのやり取りを示しています。

図 1: 自動化されたパイプラインのステップと、データストアおよびモデルストアとのやり取りの概要。

ステップ 1: バージョニングと構成

すべての Vertex AI ワークフローは、Vertex AI Experiments から始まります。この最初のステップにより、プロセス全体がバージョン管理されます。選択した LLM とデータセット、パイプラインの構成パラメータはすべて、バージョン管理された単一のエンティティとしてログに記録されるため、すべてのテストで完全なトレーサビリティと再現性が確保されます。

ステップ 2: 最適化と圧縮

この段階では、先ほど説明した圧縮と拡張の手法を実践します。重要なのは、このパイプラインがモデル、手法、パラメータ間の複雑な互換性マトリックスを管理するように設計されていることです。たとえば、パイプラインテンプレートでは、特定のモデルアーキテクチャに対して、サポートされていることがわかっている特定のファインチューニング手法のみを適用するように強制できます。これにより、これらの制約の管理が自動化されます。

私たちの実装では、さまざまなファインチューニング（例: LoRA）や強化学習手法（例: DPO、GRPO、PPO）のための、再利用可能で標準化されたコンポーネントを提供しています。圧縮には、トレーニング後の量子化手法を採用し、モデルをターゲットハードウェアの仕様に合わせて、より低いビット数のデータ型（bfloat16、4 ビット浮動小数点数、8 ビット整数など）にマッピングします。

ステップ 3: 変換とデプロイのテスト

SLM が最適化されると、パイプラインによって環境にデプロイされます。これにより、ターゲット環境を代表するハードウェアでモデルのデプロイが成功するかどうかをテストできます。このステップは、現実的な条件下でのモデルの技術的な実現可能性を早期に検証する重要なポイントとなります。

たとえば、クラウドのコンピューティングインスタンスで、Android デバイス上で SLM を直接ネイティブに（つまり、エミュレーションレイヤなしで）実行するなどが考えられます。これにより、モデルがターゲット環境でどのように機能するかをテストできます。

ステップ 4: 評価

SLM の真のパフォーマンスを測定するために、包括的な評価が実施されます。これは、単純な精度だけでなく、クラウドベースのデバイスエミュレータで測定されたメモリ使用量や推論レイテンシなどのハードウェア固有の指標も含まれます。また、複数の評価方法を組み合わせて回答の品質を評価します。

これには、ROUGE や BLEU などのポイントワイズの指標と、自動評価ツールなどのより高度なペアワイズの手法が含まれます。このパイプラインは、会話のコンテキストを使用した複数ターンの回答生成やクエリの書き換えなど、車内での幅広いタスクを反映したカスタムテストデータセットを使用するように設計されています。この堅牢な評価フレームワークは将来も見据えており、Google Gemini や Gemma などのマルチモーダル SLM を評価する機能も備えています。

ステップ 5: 可視化と分析

Vertex AI Experiments により、生成された指標を保存し、さまざまなテストの実行を並べて比較し、TensorBoard や Looker などの統合ツールを使用して可視化できるため、最も有望な SLM 候補を簡単に特定できます。

図 2: Vertex AI Pipeline インターフェースに表示される自動化パイプライン。

バージョニングから評価まで、この自動化されたワークフロー全体が強力なフィードバックループを形成します。これにより、継続的なインテグレーションと改良が可能になるため、チームは迅速にイテレーションを行い、進化する要件に合わせて SLM を適応させ、手作業ではほぼ不可能だった最適な構成を見つけることができます。

まとめと今後の展望

このブログ投稿では、Google Cloud の Vertex AI 上に構築された自動化ワークフローが、SLM 開発をどのように効率化しているかについて詳しく説明しました。これにより、パフォーマンス、精度、サイズに関して、どのモデルアーキテクチャまたはタイプ（Gemini、Gemma、Llama など）がドメインにとって最適なトレードオフを提供するかを厳密に評価できます。

重要な点として、私たちはこのアプローチを BMW Group の「クラウド内のヘッドユニット」と連携させています。これにより、Android オープンソースプロジェクト（AOSP）ベースのインフォテインメントシステムをクラウドコンピューティングインスタンス上でネイティブに実行できます。これにより、限られた組み込みデバイスを使用しなくても、スケーラブルな仮想環境でマルチモーダル機能を含む SLM をテストできます。

BMW Group は、AI を活用して最先端の車内体験を提供することに尽力しており、これは AI と ML に関する Google Cloud の専門知識とシームレスに連携しています。今後もパートナーシップを継続し、自動車 AI の可能性の限界を押し広げていくことを期待しています。

概念実証のソリューションを SLM パイプラインの形式で GitHub に公開しています。ニーズに合わせて自由に調整し、独自の最適化された SLM を構築してください。

^{このブログ投稿は、Google LLC の Michael Menzel 博士と BMW Group の Jens Kohl 博士が執筆したもので、BMW Group の Arian Bär 博士、David Katz 博士、Felix Willnecker 博士、Jens Kohl 博士、Karsten Knebel 氏、Manuel Luitz 博士、Paul Weber 氏、Raphael Perri 氏、Thomas Riedl 氏と、Google LLC の Florian Haubner 氏、Marcel Gotza 氏、Michael Menzel 博士、Raul Escalante 氏が参加した概念実証での作業に基づいています。}

- Google Cloud、Michael Menzel 博士

- BMW Group、Jens Kohl 博士

自動車業界のサイバーセキュリティ強化を目指して Auto-ISAC と Google がパートナーシップを締結

Tue, 20 Jan 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 1 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

カールベンツが世界初の実用車として広く認められている発明により特許を取得し、ヘンリーフォードが工業技術により大量生産を推し進めて以来、消費者の行動と嗜好の変化が、自動車の性能、安全性、信頼性の向上を後押ししてきました。自動車開発は現在、自動車の機能化（自動車に追加機能を提供するデジタルアプリ）がクラウドコンピューティング、高速ネットワーク、AI に大きく依存する段階にあります。

クラウド時代に入り自動車が進化を続け、15 億台の自動車が道路を走行する今、工場からショールーム、自家用車まで、自動車業界のクラウド環境がさまざまな不正な行為者の標的となるケースが増えています。

Google Cloud はこのたび、Automotive Information Sharing and Analysis Center（Auto-ISAC）にイノベーターパートナーとして参加しました。これにより、自動車業界と輸送業界に対する Google の取り組みが大幅に強化されます。Auto-ISAC は、自動車のサイバーセキュリティリスクに対処するために結成されたグローバルコミュニティです。業界のセキュリティにおいて中心的な役割を担い、北米の家庭用・業務用の小型車両の 99% を対象としており、全世界で 80 社を超える OEM とサプライヤーを結び付けています。

同組織が大型トラックや商用車部門にも拡大するなか、今回のパートナーシップは業界にとって重要な時期に実現しました。未来のモビリティの安全を守るには、従来の垣根を越えた戦略が必要です。Google Cloud は、このコラボレーションを通じて、リソースとエキスパートを投入して業界のリーダーと連携し、進化する脅威に対する自動車システムのレジリエンスを強化することに尽力します。

ソフトウェア定義車両とインダストリー 4.0 の複雑さに対応するため、IT、OT、サプライチェーンロジスティクス、製品セキュリティを横断する専門家ネットワークを特別に構築します。このパートナーシップは、インフラストラクチャの完全性を確保しながらこの分野のデジタルトランスフォーメーションを支援するという、Google の強い決意を示すものです。

Google のグローバルなセキュリティインテリジェンスと Auto-ISAC の集団防衛モデルを組み合わせることで、ますます複雑化するサイバーセキュリティ環境において、警戒の維持、脅威の予測と軽減、危機の効果的な管理、および業務の継続性の確保に必要な知識とサポートをメンバーに提供することを目指します。

Google Cloud は、イノベーターパートナーとして、エキスパートとリソース（Mandiant 独自の分析情報を含む）を提供し、自動車業界のサイバー攻撃に対する防御を支援していきます。Google 社員は、Google で安全なテクノロジーを大規模に構築、導入した経験から得た知見を共有しつつ、自動車業界のセキュリティ担当者やリーダーと連携します。

このパートナーシップは、サイバーセキュリティ推進のために 5 年間にわたり 100 億ドル以上を投資するという Google の取り組みの一環です。この取り組みにより、Electricity ISAC、Health ISAC、Financial Services ISAC、BRC、MFG-ISAC、関連団体といった他の組織への参加も実現しました。このため Google は、今後も主要な業界において重要インフラのセキュリティとレジリエンスの支援を続けていくことができます。

「自動車業界がソフトウェア定義車両への移行を加速させるなか、私たちはグローバル経済を牽引する自動車業界の重要な役割を認識しています。Auto-ISAC とのパートナーシップは、その変革を確実に実現するという Google の強い決意を表しています。Google のグローバルな脅威インテリジェンスと、このコミュニティが持つ業界に関する専門知識を組み合わせることで、サプライチェーンからコネクテッドカーまで、バリューチェーン全体を保護するレジリエントなエコシステムを育成することを目指します。」- Google Cloud の CISO オフィス、シニアディレクター兼グローバル責任者 Nick Godfrey

「このデジタルトランスフォーメーションにより、自動車はモノのインターネットの広大なエコシステムに効果的に統合され、設計や開発からカスタマーエクスペリエンスまで、ライフサイクルのあらゆる段階が根本的に変化しています。しかし、攻撃対象領域が拡大するにつれて、セキュリティを後回しにできなくなっています。未来のモビリティの安全を確実に守るためには、イノベーションと並行してサイバーレジリエンスへの投資を強化させることが不可欠です。」- Google Cloud の CISO オフィス、製造および産業担当ディレクター、Vinod D’Souza

「サイバーセキュリティ、スケーラブルなインフラストラクチャ、AI に関する Google Cloud の専門知識は、メンバー組織に重要な能力をもたらします。Google Cloud を Auto-ISAC のパートナーシッププログラムに迎えられることをうれしく思います。自動車のサイバーセキュリティをともに推進していくことを楽しみにしています。」- Auto-ISAC のエグゼクティブディレクター Faye Francy 氏

詳細

Google Cloud と Auto-ISAC のパートナーシップの詳細については、Google Cloud の CISO オフィスをご覧ください。

- Google Cloud CISO オフィス、シニアサイバーセキュリティアドバイザー、Nick Panos

- Google Cloud CISO オフィス、シニアサイバーセキュリティアドバイザー、Sri Gourisetti

Waze、Memorystore で 1 秒あたり 100 万件以上のリアルタイム読み取りでトラフィックの流れを維持

Fri, 21 Nov 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 11 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: Google の親会社である Alphabet の一部門である Waze は、コアとなるナビゲーション機能を強化するために、膨大な量の動的なリアルタイムのユーザーセッションデータを活用しています。しかし、世界中の同時ユーザーをサポートするためにデータをスケーリングするには、新しいアプローチが必要でした。同社のチームは、次によって裏打ちされたセッションサーバーを構築しました：Memorystore for Redis Cluster は、99.99% の可用性を備えたフルマネージドサービスで、部分的な更新をサポートし、1 秒あたり 100 万件を超える MGET コマンドを約 1 ミリ秒のレイテンシで処理するという Waze のユースケースに合わせて簡単にスケーリングできます。このアーキテクチャは、Waze のバックエンドの継続的なモダナイゼーションの基盤となります。

リアルタイムデータが Waze アプリのエクスペリエンスを支えています。Google のターンバイターン方式のナビゲーション、事故によるルート変更、ドライバーへのアラートは、ミリ秒単位の精度に依存しています。しかし、数百万の同時セッションでシームレスなエクスペリエンスを維持するには、ユーザーセッションデータの膨大なストリームを管理するように構築された、堅牢で実戦に耐えるインフラストラクチャが必要です。これには、アクティブなナビゲーションルート、ユーザーの位置情報、ドライバーのレポートなどが含まれ、これらは数秒で表示され、変化する可能性があります。

一方舞台裏では、ユーザーセッションという頻繁に更新される大規模で複雑なオブジェクトがあり、非常に大量の読み取り / 書き込みオペレーションに寄与しています。セッションデータはかつて、モノリシックサービスにロックされ、単一のバックエンドインスタンスに緊密に結合されていました。そのため、スケーリングが難しく、他のマイクロサービスがリアルタイムのセッション状態にアクセスできませんでした。これをモダナイズするには、これらのセッションをリアルタイムで、またグローバル規模で処理できる、低レイテンシの共有ソリューションが必要でした。Memorystore for Redis Cluster でそれが可能になりました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f39cc1f3dc0>), ('btn_text', ''), ('href', ''), ('image', None)])]>

適切なルートの選択

Google では、マイクロサービスベースのバックエンドへの移行を計画するにあたり、Redis Enterprise Cloud、セルフマネージドの Redis クラスタ、Memorystore デプロイによる既存の Memcached の継続使用など、さまざまな選択肢を評価しました。従来のセットアップでは、Memcached はモノリシックなリアルタイム（RT）サーバーの背後にセッションデータを保存していましたが、求めていたレプリケーション、高度なデータ型、部分更新機能がありませんでした。Redis には必要な機能が備わっていることはわかっていましたが、自社で管理したり、サードパーティプロバイダを通じて管理したりすると、運用上のオーバーヘッドが増加します。

Memorystore for Redis Cluster は、両方の利点を兼ね備えています。Google Cloud のフルマネージドサービスである Cloud Spanner は、Waze のリアルタイムの需要を満たすパフォーマンス、スケーラビリティ、レジリエンスを備えています。これで 99.99% の SLA と、水平スケーリングのためのクラスタ化されたアーキテクチャが得られます。データベースの決定後、二重書き込みアプローチを使用して、Memcached から Memorystore for Redis への慎重な移行を計画しました。データパリティが確認されるまで、両方のシステムが並行して更新されました。その後、ダウンタイムなしで Redis に切り替えました。

Waze の新しいデータエンジン

そこから、Memorystore for Redis Cluster のラッパーとして、アクティブなユーザーセッションの新しいコマンドセンターである集中型セッションサーバーを構築しました。このサービスは、すべてのアクティブなユーザーセッションの信頼できる唯一の情報源となり、セッションデータとモノリシックな RT サーバー間の緊密な結合に代わるものとなりました。セッションサーバーはシンプルな gRPC API を公開するため、移行中の RT を含め、任意のバックエンドマイクロサービスがセッション状態を直接読み書きできます。これにより、クライアントアフィニティが不要になり、すべてのセッショントラフィックを単一のサービス経由でルーティングする必要がなくなり、プラットフォーム全体でセッションデータにアクセスできるようになりました。

Google は、レジリエンスとスケーラビリティを考慮してシステムをゼロから設計しました。Redis のクラスタリングとシャーディングにより、単一の競合ポイントが排除され、需要の増加に応じて水平方向にスケーリングできます。組み込みのレプリケーションと自動フェイルオーバーにより、セッションをオンラインに保つように設計されています。ノードの交換により、短期間だけ障害発生率とレイテンシが一時的に増加する可能性がありますが、セッションはオンライン状態を維持するように設計されているため、ナビゲーションエクスペリエンスはすぐに安定します。また、モバイルクライアントから任意のバックエンドサービスへの直接 gRPC 呼び出しをサポートすることで、より柔軟な設計パターンを使用しながら、リアルタイムパスから貴重なミリ秒を削減できます。

少ないピットストップで高速動作

Memcached の 99.9% の SLA から Memorystore for Redis Cluster の 99.99% に移行することで、サービスの可用性と復元性が向上します。負荷テストでは、新しいアーキテクチャが本番環境のトラフィック全体を維持できることが証明されました。1 秒あたり最大 100 万件の MGET コマンドのバーストを、1 ミリ秒未満の安定したサービスレイテンシで快適に処理できます。

Memorystore for Redis は部分的な更新をサポートしているため、レコード全体を書き換えるのではなく、セッションオブジェクト内の個々のフィールドを変更できます。これにより、ネットワークトラフィックが削減され、書き込みパフォーマンスが向上し、システム全体の効率が向上します。これは、セッションのサイズが数メガバイトにまで拡大する可能性がある場合に特に重要です。こうした効率化により、エンジニアリングチームはアプリケーションレベルのパフォーマンスと新機能の開発に注力する時間を増やすことができます。

Memorystore for Redis Cluster のセッションデータは、構成の評価からドライバーへのリアルタイム更新のトリガーまで、Waze のコア機能に不可欠なものとなっています。現在の需要に対応し、将来の需要にも対応できるように構築されています。

今後の展望

Waze の最も重要なパスの一つで Memorystore for Redis Cluster を実証したことで、プラットフォーム全体で他の高スループットキャッシュシナリオでも使用できるという自信が生まれました。一元化されたセッションサーバーとクラスタ化された Redis アーキテクチャは、現在ではバックエンドの標準的な構成要素となっており、ゼロから始めることなく新しいサービスに適用できます。

最初のクリティカルパスが完了したため、次の主な焦点は、残りのすべてのレガシーセッション管理を RT サーバーから移行することです。この結果、最終的にはすべてのマイクロサービスがセッションデータを更新するために独立してアクセスできるようになります。今後については、Memorystore for Redis Cluster をスケーリングして将来のユーザー増加に対応し、費用とパフォーマンスの両面で微調整することにも注力しています。

詳細

Waze の事例は、大規模なリアルタイムワークロード向けに 99.99% の可用性を備えたフルマネージドサービスである Memorystore for Redis Cluster のパワーと柔軟性を示しています。

Memorystore の機能の詳細をご確認のうえ、ぜひ無料で利用を開始ください。
Memorystore for Redis Cluster のプロダクトドキュメントをご覧ください。

-Waze BE インフラデベロッパー、Eden Levin 氏

-Waze SRE、Yuval Kamran 氏

Tata Steel、Manufacturing Data Engine で機器と運用のモニタリングを強化

Thu, 18 Sep 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 9 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

Tata Steel は世界最大級の鉄鋼メーカーで、年間粗鋼生産能力は 3, 500 万トンを超えます。これほど大規模かつグローバルな生産体制では、資産の可用性、製品の品質、運用の安全性、環境モニタリングを改善する方法が必要でした。当社では、さまざまなソースからのデータを一元化し、Google Cloud で高度な分析を実装することで、従業員の安全と環境管理に対するよりプロアクティブで包括的なアプローチを推進しています。

これらの目標を達成するために、　堅牢なマルチクラウドアーキテクチャを設計して実装しました。この設定により、さまざまなプラットフォームにわたる製造データが統合され、Google Cloud 上の Tata Steel Data Lake がシームレスなデータ集約と分析のための集中リポジトリとして確立されます。

高レベルな IIoT データ統合アーキテクチャの概要

Google Cloud で統合データ基盤を構築する

当社の包括的なデータ取得フレームワークは、インド東部ジャールカンド州のジャムシェドプルなど、複数の工場にまたがっています。ここでは、Google Cloud Marketplace で利用できる Litmus と ClearBlade を活用して、LAN、SIM カード、プロセスネットワーク経由でプログラマブルロジックコントローラ（PLC）からリアルタイムのテレメトリーデータを収集しています。

代替手段として、SAP Business Objective Data Services（BODS）とウェブ API を使用した内部データステージングのセットアップを採用しています。また、LoRaWAN とウェブ API を使用してデータをアップステージングするスマートセンサーを社内で開発しました。これらの多様なアプローチによって、PLC からのオペレーションテクノロジー（OT）データと SAP からの情報技術（IT）データの両方を Google Cloud BigQuery にシームレスに統合することにより、統合された効率的なデータ利用が可能になります。

当初は、クレーンのデータを取り込むために Google Cloud IoT Core が使用されていました。このサービスが廃止された後、データパイプラインを再設計して ClearBlade IoT Services を統合し、Google Cloud へのシームレスかつ安全なデータ取り込みを確保しました。

当社の OT データレイクは、Manufacturing Data Engine（MDE）と BigQuery を基盤として構築されており、スケーラブルで費用対効果の高いデータ処理を実現する、ストレージとコンピューティングが分離された機能を提供します。1 時間ごとと 1 日ごとのテーブルパーティショニングで可視化レイヤを開発し、リアルタイムの分析情報と長期的な傾向分析の両方をサポートしました。古いデータセットは戦略的に Google Cloud Storage を使用して費用が最適化されました。

また、Litmus と ClearBlade IoT Core を利用して、最小限のレイテンシで OT データをアップステージする安全なマルチパスデータ取り込みアーキテクチャも実装しました。最後に、リモートの OPC サーバーから OPC Data Access と OPC Unified Access のデータを抽出するカスタムソリューションを開発し、オンプレミスデータベースを介してステージングしてから、Google Cloud に安全に転送しました。

この包括的なアーキテクチャにより、リアルタイムのデバイスデータに即座にアクセスできるとともに、SAP やその他のオンプレミスデータベースからの情報のバッチ処理が容易になります。OT データと IT データを統合するこのアプローチにより、運用を包括的に把握できるようになり、アセットヘルスモニタリング、環境キャンバス、中央品質管理システムなどの重要な取り組みについて、Tata Steel のすべての拠点でより多くの情報に基づいた意思決定が可能になります。

IoT データによるクレーンの稼働状況のモニタリング

クレーンのサブデバイスの健全性パラメータをモニタリング

リアルタイム運用における従来の課題を克服

Google Cloud で産業用 IoT をデプロイする前は、高速データが中央ストレージで簡単にアクセスできませんでした。その代わりに、データはメディエーションサーバーや IBA などのローカルシステムに保存されていました。これらのシステムでは、保存容量が限られているため、定義された保持期間が経過すると自動的に削除されていました。このアプローチは、従来のインフラストラクチャと組み合わされることで、データの可用性を大幅に制限し、情報に基づいたビジネス上の意思決定を妨げていました。さらに、エッジ分析と可視化の機能は限られており、仲介レイヤでの処理のボトルネックにより、データレイテンシは高いままでした。

これらの問題、特に DMZ 環境内での安全な OT データパイプラインの実装に対処することは、大きな課題でした。サイバーセキュリティリスクを軽減し、データの整合性を維持するために、Google は一方向データ転送メカニズム（データダイオード）を組み込んだ複数のアーキテクチャデータパスを設計し、OT データを安全かつ制御された状態でクラウドにアップステージングできるようにしました。

Google Cloud の実装によって、IT レイヤと OT レイヤの両方でセキュリティプロトコルのコンプライアンスを確保しつつ、製造アセットとプロセスを分析するための大量かつ高速なデータをシームレスに取得できるようになり、この取り組みによって運用効率が向上し、費用が削減されました。

安全でよりレジリエントな製造オペレーションソリューションを評価して実装するための Google Cloud とのコラボレーションは、Tata Steel のデジタルトランスフォーメーションの取り組みにおける重要なマイルストーンとなります。新しい統合データ基盤では、以下のような AI 対応機能を通じて、データドリブンな意思決定を強化しました。

アセットの稼働状況のモニタリング
イベントベースのアラートメカニズム
リアルタイムのデータモニタリング
高度なデータ分析でユーザーエクスペリエンスを向上

iMEC: 予測メンテナンスと効率性を強化

Tata Steel の Integrated Maintenance Excellence Centre（iMEC）は、MDE を利用してモニタリングソリューションを構築、デプロイしています。これには、データ分析、予測メンテナンス戦略、リアルタイムモニタリングを活用して、機器の信頼性を高め、プロアクティブなアセット管理を実現することが含まれます。

MDE は、事前構成されたコードゼロの Google Cloud インフラストラクチャを提供し、製鉄所全体のさまざまなセンサーやシステムからデータを取り込み、処理、分析する中央ハブとして機能します。これにより、運用効率の向上とダウンタイムの削減のためのソリューションの開発と実装が可能になります。

リアルタイムのアドバイスを提供するモニタリングソリューションにより、メンテナンスチームは危険な作業現場での物理的な人員配置を減らしながら、現場近くの制御室と比較して、より人間工学に基づいた快適な作業環境を従業員に提供できます。これらのソリューションは、アセット管理とメンテナンスの専門知識を一元化するのにも役立ち、リアルタイムのデータを使用して、次のような運用上の大幅な改善と費用対効果の目標を達成できます。

計画外の停止の低減と機器の可用性の向上。
時間ベースのメンテナンス（TBM）から予測メンテナンスへの移行。
リソース使用の最適化、電力コストの削減、遅延の最小化。

動画分析とクラウドストレージにおける安全性の向上

また、従業員の安全性を強化するために、オンプレミスの社内ビデオ分析を利用した安全違反モニタリングシステムも導入しました。違反が検出された画像は、さらなる分析とレポート作成のために、Cloud Storage バケットに自動的にアップロードされます。

各ユースケースに合わせて違反と非違反の特定のサンプルを使用して、動画分析モデルを社内で開発、トレーニングしました。この革新的なアプローチにより、Cloud Storage の弾力的なストレージ機能を活用して、増え続ける安全違反画像を効率的に保存できるようになりました。

データの完全性、正確性、一貫性、信頼性を確保する中央品質管理システムも Google Cloud 上に構築されており、スケーラブルなデータストレージと分析には BigQuery を、直感的なデータ可視化とレポートには Looker Studio を利用しています。

環境モニタリングのための Google Cloud

Tata Steel のサステナビリティへの取り組みは、Google Cloud 上で完全に動作する包括的な環境モニタリングシステムに表れています。Google の Environment Canvas システムは、スタック排出や漏洩排出など、さまざまな環境に関する重要業績評価指標（KPI）を捕捉します。

環境キャンバス – データオフィスと可視化アーキテクチャ

環境パラメータ

これらの KPI のデータは、センサー、SAP、手動入力によって取得されます。一部のプラントからのセンサーデータは、最初は別のクラウドまたはオンプレミスシステムに送信されますが、最終的には Google Cloud に転送され、統合された利用と可視化が行われます。

Google Cloud のデータと AI テクノロジーの力を活用することで、iMEC によって実現される統合データ基盤、リアルタイムモニタリング、予測メンテナンスを通じて、運用モニタリングと安全性を向上させています。同時に、Google Cloud ベースのシステムで環境 KPI の包括的なモニタリングとリアルタイムのレポート作成を可能にし、責任ある運用に役立つ実用的な分析情報を提供することで、環境責任への取り組みを強化しています。

BigQuery と Manufacturing Data Engine が、組織のビジネス目標達成をどのように支援するか、詳細をご覧ください。

ー Tata Steel、自動化担当ソフトウェア開発責任者 Hari Darshan Singh 氏

ー Google Cloud、チーフテクニカルアーキテクト Mandar Samant

Horizon : クラウドでのビルドを加速させる新しい Android Automotive ソリューション

Mon, 08 Sep 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 9 月 8 日に、Google Cloud blog に投稿されたものの抄訳です。

自動車業界は、ソフトウェア定義車両（SDV）の時代に向けて突き進んでいます。しかし、この変化はメーカーとサプライヤーの両方に大きな課題をもたらしています。自動車メーカーの優先事項は、優れたソフトウェアではなく、優れた車両を作ることです。ただし、優れた車両を作るには優れたソフトウェアが不可欠であり、その必要性はますます高まっています。SDV のビジョンを実現するまでのさまざまなハードルがある中、OEM はソフトウェアデリバリーの効率と品質を上げる方法を特定し、新しいコラボレーションモデルを確立しなければなりません。

これに対処するため、Google は Android Automotive OS を使用したプラットフォーム開発のための新しいオープンソースソフトウェアファクトリーである Horizon を構築しました。Horizon は標準化された開発ツールチェーンの提供を通じて、自動車業界のソフトウェア変革を支援し、差し迫った課題に取り組むことを目指しています。これにより、OEM は製品とエクスペリエンスの構築に重点を置きながら、価値を生み出すことができます。

自動車業界のパートナー 6 社が Horizon を早期導入したところ、デベロッパーへのフィードバックの提供が 10 ～ 50 倍速くなり、リリースの頻度とビルドの品質が向上しました。この投稿では、自動車ソフトウェアの変革における主な障害を克服するうえで、Horizon がどのように役立つかについてお伝えします。

自動車ソフトウェア開発のイノベーションにおける足かせ

現在、従来の自動車メーカー（OEM）は、アジリティに欠け、スケーリングが困難なことが多いハードウェア中心の視点からソフトウェア開発を行っています。このアプローチでは、ソフトウェアのライフサイクルに対応することが負担となるほか、多くの場合に一貫性がなく信頼性の低いツールが使用されるため、開発が減速することになります。

OEM は開発費の急増、品質の問題、イノベーションの遅れに直面しており、新規参入者や高度な機能に対する需要の高まりについていくことが困難になっています。さらに、ほとんどの顧客はスマートフォンなどのデバイスで受け取るものと同様に、頻繁かつ高品質の無線（OTA）ソフトウェアアップデートを期待しているため、大半の OEM は家電製品のエクスペリエンスを反映せざるを得なくなっています。

しかし、自動車はテレビでも冷蔵庫でもなく、多くの人が形容するような「走るコンピュータ」でもありません。車両は、多くの独立した非常に複雑なシステムで構成されており、通常は「クローズドボックス」ソリューションを提供することが多い複数のサプライヤーの多数のコンポーネントを通常は統合する必要があります。車両のコネクテッド化が進み、基本的な操作から高度な操作まで、あらゆる面でコネクテッドシステムに依存するようになっても、車両プラットフォームの統合と革新は容易になるどころか、実際には難しくなっています。

Google はもっと良い方法で、優れたカスタマーエクスペリエンスを提供するために必要なペースを維持できるはずだと考えていました。

HORIZON のご紹介: 共同で未来を切り開く

業界が直面するこうした喫緊の課題に対処するために、Google と Accenture は Horizon を開始しました。これは、自動車業界をソフトウェア主導のイノベーション市場に変革するために設計されたオープンソースのリファレンス開発プラットフォームです。

Horizon のビジョンは、自動車メーカーと OEM が製品化までの時間を大幅に短縮してチームのアジリティを高めながら、開発コストを大きく削減できるようにすることです。Horizon では自動車ソフトウェアの未来に向けた包括的なプラットフォームが提供されるため、統合だけでなくイノベーションにさらに投資できるようになります。

優れたソフトウェアを実現する主要な機能

Horizon には包括的な機能スイートが用意されており、デベロッパー中心のクラウドを活用した組み込みソフトウェアの導入しやすいオープンな業界標準が確立されています。

1. AAOS によるソフトウェアファーストの開発

Horizon は製品設計に対する仮想ファーストのアプローチを提唱し、Android Automotive OS（AAOS）と密接に統合することでソフトウェア主導の開発サイクルを強化しています。これには、Vehicle Hardware Abstraction Layer（VHAL）、virtio、Cuttlefish といった高忠実度のクラウドベースの仮想デバイスを効果的に使用することが含まれます。これらは、必要に応じて数千のインスタンスにスケールできます。スケーラブルな自動ソフトウェア回帰テストや弾力的な直接のデベロッパーテスト戦略が可能になるため、このアプローチは車両の完全なデジタルツインを作成するための最初のステップと見なすことができます。

2. コーディング、ビルド、テストの合理化されたパイプライン

Horizon は、ソフトウェア開発ライフサイクル全体に標準を導入することを目指しています。

コーディング: Gerrit を使用した柔軟で構成可能なコード管理がサポートされています。Google Cloud Marketplace から GerritForge マネージドサービスを入手して、生産的なデプロイを実現することもできます。Cloud Workstations に統合された Gemini Code Assist では、コードの補完、バグの特定、テストの生成を活用して開発を強化できるほか、Android API の説明も支援されます。
ビルド: インテリジェントなクラウドの使用と動的なスケーリングを活用したスケーリング済みのビルドプロセスを備えています。これに不可欠なのは、ウォームアップされた環境に基づく AAOS プラットフォームビルドのキャッシュと、最適化された Android Build File System（ABFS）の統合です。これにより、ビルド時間を 95% 以上短縮し、キャッシュヒット率を最大 100% にして 1～2 分でゼロから完全にビルドできます。Horizon は、Android 14 および 15、Cuttlefish、AVD、Raspberry Pi、Google Pixel Tablet など、さまざまなビルド対象をサポートしています。ビルド環境はコンテナ化されており、再現性が確保されています。
テスト: 仮想化されたランタイム環境で Cuttlefish を使用して、Google Cloud で Android の互換性テストスイート（CTS）を使ってスケーラブルなテストを実行できます。MTK Connect を使用すると、複数の物理ビルドファームにリモートでアクセスして、ウェブブラウザから安全かつ低レイテンシでハードウェアとやり取りできるため、デベロッパーにハードウェアを送る必要がなくなります。

3. クラウドを活用したインフラストラクチャ

Google Cloud 上に構築された Horizon では、スケーラビリティと信頼性が確保されています。Terraform、GitOps、Helm チャートなどのツールを使用してデプロイが簡素化され、プラグアンドプレイのツールチェーンが提供されているほか、Kubernetes へのツールやアプリケーションのデプロイも追跡可能です。

自動車 OEM と業界全体に価値をもたらす

Horizon リファレンスプラットフォームは、自動車 OEM に次のような大きなメリットをもたらします。

コストの削減: ハードウェア関連の開発コストが削減され、開発費の全体的な増加が抑えられます。
製品化までの時間の短縮: 開発とイノベーションサイクルの加速化により、製品化までの時間と機能のサイクル時間を短縮できます。
品質と生産性の向上: 標準化されたツールセットの提供とチームコラボレーションのより効果的な促進を通じて、品質が安定し、チームの生産性が向上します。
カスタマーエクスペリエンスの向上: より高速で頻繁かつ高品質なビルドを可能にすることで、自動車ソフトウェアの開発方法を変えることができます。そうすることで、カスタマーエクスペリエンスが向上し、ソフトウェア主導のサービスを通じて新たな収益源を開拓できます。
戦略的焦点: 効率的なソフトウェア開発プラットフォームは OEM の差別化の要因となるべきではなく、製品そのもののイノベーションが重視されるべきだという信念が下支えされています。そのため、ソフトウェア開発にさらに時間とリソースを費やし、品質、効率、柔軟性を高めることができます。
堅牢なエコシステム: 多様な車両プラットフォームで将来を見据えたスケーラブルで安全なデプロイを可能にするため、Horizon では Google、統合パートナー、プラットフォーム採用者間の連携を促進することを目指しています。Horizon では、リファレンスプラットフォームの機能を強化しながら、車両ハードウェア、レガシーシステム、コンプライアンス基準との統合と互換性をカスタマイズすることも可能です。

Horizon のエコシステム

最高のソフトウェアはシームレスで完璧に機能するため、ユーザーがその存在に気づくことはないと言われています。道路と移動の楽しさに焦点が置かれるべきソフトウェア定義車両では、これが特に当てはまります。

これは、自動車メーカーにとっての差別化の要因が効率的なソフトウェア開発を可能にするプラットフォームではなく車両そのものであるべきだと、Google が考える理由です。信頼できるタイヤや優れたサウンドシステムのように、ソフトウェアは今や不可欠なものとはいえ、製品そのものではありません。それは、設計、エンジニアリング、開発、生産を組み合わせた完全なパッケージにほかなりません。

ソフトウェア開発は現在、自動車製造プロセスに不可欠なため、自動車メーカーにとって妨げではなくイネーブラーであるべきでしょう。それを実現するため、Google Cloud、Android、Accenture の各チームは、関連するツールチェーンコンポーネントへのアクセスと使用を継続的に簡素化することを目指してきました。OpenBSW と Android Build File System（ABFS）の統合は、マネージド Gerrit サービスを提供する GerritForge から始まった取り組みの最新の通過点にすぎません。今後のリリースでは、さらに多くのパートナーが加わる予定です。

ぜひ、この取り組みにご参加ください。コミュニティの一員として、早期のインサイトを入手してフィードバックを提供し、Horizon の今後の方向付けに積極的にご協力いただけると幸いです。また、GitHub でオープンソースリリースを確認し、Google Cloud 環境に Horizon をデプロイしてリファレンスワークロードを実行することで、プラットフォームを評価、カスタマイズできます。

Horizon は自動車ソフトウェアの未来に向けた新たな幕開けとなりますが、オープンなコラボレーションとクラウドを活用したイノベーションを通じて、皆さまと一緒に実現していく必要があります。

^{このソリューションの提供を支援してくれた Google 社員と Accenture の皆様、Mike Annau、Ulrich Gersch、Steve Basra、Taylor Santiago、Haamed Gheibi、James Brook、Ta’id Holmes、Sebastian Kunze、Philip Chen、Alistair Delva、Sam Lin、Femi Akinde、Casey Flynn、Milan Wiezorek、Marcel Gotza、Ram Krishnamoorthy、Achim Ramesohl、Olive Power、Christoph Horn、Liam Friel、Stefan Beer、Colm Murphy、Robert Colbert、Sarah Kern、Wojciech Kowalski、Wojciech Kobryn、Dave M.Smith、Konstantin Weber、Claudine Laukant、Lisa Unterhauser に心より感謝します。}

^—

^{「ソフトウェア定義車両のコンセプトを示す次のブログ投稿のためのヘッダー画像を生成して <最初の 6 つの段落を挿入>」というプロンプトで、Imagen 4 を使用して作成された画像を開きます。}

-自動車 EMEA、業界アーキテクトリードFlorian Haubner
-Android、テクニカルプログラムマネージャーRoger Ellis

Vertex AI Gemini Live API で音声駆動型エージェントアプリケーションを構築する

Wed, 14 May 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 5 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

あらゆる業界で、効率的でプロアクティブなソリューションが求められています。現場のプロフェッショナルが音声コマンドと視覚的な入力を使用して問題をリアルタイムに診断し、重要な情報にアクセスしてプロセスを始動できたら、どんなに便利か想像してみてください。Gemini 2.0 Flash Live API を使用すれば、開発者は業界の用途に合わせた次世代型のエージェントアプリケーションを作成できます。

この API は、上に挙げた一連の機能を複雑な産業オペレーションにもたらします。単一のデータタイプに依存するソリューションとは異なり、音声、映像、テキストといったマルチモーダルデータを継続的なライブストリームで活用します。これにより、製造、医療、エネルギー、物流など、各種業界のプロフェッショナルが抱える多様なニーズを真に理解し、それに対応できるインテリジェントアシスタントが実現します。

この投稿では、Gemini 2.0 Flash Live API を活用した産業用機器の状態モニタリングについて、モーターのメンテナンスに焦点を当てた具体的なユースケースとともに説明します。Live API を使用すると、Gemini との双方向の音声と動画による低レイテンシのやり取りが可能になります。これにより、エンドユーザーに人間と話しているかのような自然な音声会話エクスペリエンスを提供できるうえ、音声コマンドでモデルのレスポンスを中断することも可能になります。このモデルは、テキスト、音声、動画の入力を処理でき、テキストと音声の出力を生成できます。ここで取り上げるユースケースは、従来の AI と比較したこの API の利点と、戦略的コラボレーションの可能性に焦点を当てています。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f39cc001640>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

マルチモーダルインテリジェンスのデモ: 状態モニタリングのユースケース

デモでは、Gemini 2.0 Flash Live API を活用した双方向のライブマルチモーダルストリーミングバックエンドを紹介しています。このバックエンドは、リアルタイムの音声と映像の処理が可能で、高度な推論と自然な会話を実現します。API のエージェント機能と関数呼び出し機能を Google Cloud サービスとともに利用することで、工場の現場オペレーターが使いやすいモバイルデバイス向けの簡潔なユーザーインターフェースを備えた、パワフルなライブマルチモーダルシステムの構築が可能になります。このデモでは、実際の現場で対応すべき目標物として、目に見える欠陥のあるモーターを取り上げています。

スマートフォンでのデモの流れをまとめると次のようになります。

映像によるリアルタイム識別: カメラをモーターに向けると、Gemini がモデルを識別し、マニュアルから関連情報を即座に要約するので、機器の重要な詳細情報をすばやく確認できます。
映像によるリアルタイムでの欠陥識別: 「このモーターの目に見える欠陥を調べて」などの音声コマンドにより、Gemini がライブ動画を分析し、欠陥を識別して場所を特定し、欠陥として特定した理由を説明します。
修理プロセスの開始の合理化: 欠陥が特定されると、システムが欠陥部分をハイライトした画像と部品情報を含むメールを自動的に作成して送信し、修理プロセスを直接開始します。
音によるリアルタイム欠陥識別: 事前に録音された正常なモーターと欠陥のあるモーターの駆動音を分析することで、Gemini がサウンドプロファイルに基づいて欠陥のあるモーターを正確に識別し、分析結果を説明します。
モーターの駆動に関するマルチモーダル QA: オペレーターは、カメラを機器の特定部位に向けながら、モーターに関する複雑な質問を尋ねることができます。Gemini は、視覚的なコンテキストとモーターマニュアルの情報をインテリジェントに組み合わせて、正確な回答を音声で提供します。

仕組み: 技術的なアーキテクチャ

このデモでは、Google Cloud Vertex AI の Gemini Multimodal Livestreaming API を活用します。通常の Gemini API は視覚的および音声的特徴の抽出を処理しますが、この API は中核となるワークフローとエージェント形式での関数呼び出しを管理します。

ワークフローには、次のアクションが含まれます。

エージェント形式での関数呼び出し: API はユーザーからの音声と映像の入力を解釈して、必要なアクションを決定します。
音による欠陥検出: システムがユーザーによるインテントを認識すると、モーター音を録音して GCS に保存し、正常な音と異常な音のサンプルを含むプロンプトを使用する関数をトリガーします。音は Gemini Flash 2.0 API によって分析され、モーターの状態診断が行われます。
映像による検査: API が映像による欠陥検出を実行するというユーザーのインテントを認識すると、画像をキャプチャして、テキストプロンプトによるゼロショット検出を使用する関数を呼び出します。欠陥の特定とハイライトには Gemini Flash 2.0 API の空間理解が活用されます。
マルチモーダル QA: ユーザーが質問をすると、API は情報取得のインテントを認識し、モーターマニュアルに対して RAG を実行してマルチモーダルコンテキストと組み合わせ、Gemini API を使用して正確な回答を提供します。
修理オーダーの送信: API は修理を開始するユーザーのインテントを認識すると、部品番号と欠陥画像を抽出し、事前定義されたテンプレートを使用して修理オーダーを自動的にメールで送信します。

このようなデモは、こちらのガイドをご参照のうえ、上記の図に示された各種機能を組み込むことで、最小限のカスタムインテグレーションにより簡単に作成できます。作業の大半は、さまざまなユースケースに合わせてカスタムの関数呼び出しを追加することです。

主な機能と、さまざまな業界に適用できるユースケースが産業界にもたらすメリット

このデモは、Gemini Multimodal Livestreaming API の主な機能と、産業界に変革をもたらすメリットに焦点を当てています。

リアルタイムのマルチモーダル処理: この API は音声と映像のライブストリームを同時に処理する能力を備えており、状況が変化し続ける環境でも即時に分析情報を提供することができます。これはダウンタイムの防止と業務継続性の確保に極めて重要です。

ユースケース: 医療分野では、医療スタッフがライブ動画と音声を使用して現場の救急隊員にリモートから指示を送り、バイタルサインと視覚情報をリアルタイムに受け取って、緊急時に専門的サポートを提供できます。

音声と映像による高度な推論: Gemini の高度な推論機能は、複雑な映像と微かな聴覚的手がかりを解釈して、正確な診断を下します。

ユースケース: 製造業では、AI が機械の音と映像を分析して、故障を未然に予測し、生産の中断を最小限に抑えることができます。

エージェント形式での関数呼び出しでワークフローを自動化: この API はエージェントの性質を持っているので、レポートの生成、プロセスの開始、ワークフローの合理化などのアクションをプロアクティブにトリガーするインテリジェントアシスタント機能が実現します。

ユースケース: 物流業界では、音声コマンドと映像による梱包破損検査によって、補償プロセスが自動的にトリガーされ、関係者に通知されます。

シームレスなインテグレーションとスケーラビリティ: この API は Vertex AI を基盤としており、他の Google Cloud サービスと統合できるので、大規模なデプロイにおけるスケーラビリティと信頼性が得られます。

ユースケース: 農業分野では、カメラとマイクを搭載したドローンが API にライブデータをストリーミングし、広大な農地で作物の健康状態や害虫の有無をリアルタイムで分析できます。

モバイル向けに最適化されたユーザーエクスペリエンス: モバイルファーストで設計されているので、現場スタッフが使い慣れたデバイスを使用して必要なときに必要な場所で AI アシスタントとやり取りできます。

ユースケース: 小売業では、店舗スタッフが音声認識と画像認識を使用して、店舗での接客時に在庫の確認、商品の場所の特定、商品情報へのアクセスを迅速に行えます。

予防的メンテナンスと効率性の向上: リアルタイムの状態モニタリングが可能になるので事後対応的メンテナンスから予防的メンテナンスへと移行でき、ダウンタイムの短縮、アセットの利用率の最適化、分野の枠を超えた効率性の向上を実現できます。

ユースケース: エネルギー分野では、現場の技術者が API を使用して音声と映像のライブストリームを通じて風力タービンなどのリモート機器の問題を診断し、費用と時間のかかる実地作業を減らすことができます。

使ってみる

Gemini Live API を使用した最先端の AI インタラクションを、こちらのソリューションでご確認ください。低レイテンシの音声、ウェブカメラ / 画面の統合、中断可能なストリーミングオーディオ、Cloud Functions を介したモジュール式ツールシステムを備えており、開発者はコードベースをソリューション構築の強力な出発点として活用できます。プロジェクトのクローンを作成して、コンポーネントを適応させれば、真の会話機能と認知機能を実現する変革的なマルチモーダル AI ソリューションの作成を開始できます。インテリジェント産業の未来は、ライブでマルチモーダルなものであり、その可能性はすべての業界に広がっています。

-Google、シニアスタッフ ML エンジニア、Anant Nawalgaria

-Google、スタッフ ML エンジニア、Heiko Hotz

セキュリティ強化のため、Google Cloud は CSP として初めて BRC、MFG-ISAC、関連団体に加盟

Thu, 16 Jan 2025 01:30:00 +0000

※この投稿は米国時間 2024 年 12 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

産業の進化において、AI というフェーズがもたらしたのは、人間とインテリジェントなマシンとの連携方法の大きな変革です。自動化、ロボット工学、AI、モノのインターネットの進歩により、製造業全体で物理的システムとデジタルシステムの境界が曖昧になりつつあります。

この相互接続性により、効率性、イノベーション、生産のカスタマイズにおいて、かつてない機会が生まれています。しかしそれにより、産業オペレーション、サプライチェーン、そしてますます高度化する生産プロセスを標的とした新世代のサイバー脅威に製造業者がさらされています。これらの重要な資産を保護するには、従来の境界を越え、業界全体の連携を取り入れた総合的なアプローチが必要です。

製造業と産業部門への取り組みを強化するため、Google は本日、Global Resilience Federation（GRF）の 4 つの関連グループ、すなわち、Business Resilience Council（BRC）、Manufacturing Information Sharing and Analysis Center（MFG-ISAC）、Operational Technology Information Sharing and Analysis Center（OT-ISAC）、Energy Analytic Security Exchange（EASE）に加盟し、同連合との新たなパートナーシップを締結したことを発表いたします。Google Cloud は、GRF Business Resilience Council およびその関連団体と提携する最初のクラウドサービスプロバイダになりました。

このパートナーシップを通じて、Google Cloud は重要な専門知識と高度なセキュリティソリューションを提供することで、製造業界への取り組みを強化していきます。業界リーダーとの協力により、進化するサイバー脅威に対する製造システムとサプライチェーンのレジリエンス強化に重点的に取り組んでいきます。このパートナーシップは、重要なインフラストラクチャのセキュリティと完全性を確保しながら、製造業のデジタルトランスフォーメーションとモダナイゼーションを支援するという Google の取り組みを示すものです。

今日の相互接続された世界では、組織を守るためには、従来の対策を超えた包括的な戦略が必要です。Google Cloud は、製造業の変革、セキュリティ確保、防御のために業界リーダーと協力し、リソースと専門家を投入します。また、IT、OT、産業オペレーションテクノロジー、サプライチェーン、物流、エンジニアリングテクノロジー、製品セキュリティに及ぶリソースと専門知識のネットワークを通じて、製造分野の企業に貢献します。これは、特にインダストリー 4.0 と 5.0 の複雑な課題に対応できるように設計されています。

サイバーセキュリティと物理的なセキュリティ、地政学的リスク、事業継続性、障害復旧、サードパーティのリスク管理といった分野の専門家たちによるこのコラボレーションは、地域、国内、世界で活動する組織にとって不可欠です。サイバー脅威の深刻さが増大し続ける時代においては、レジリエンスが重要になります。GRF が推進するパートナーシップは、警戒体制の維持、危機管理、対応シナリオの策定を行い、業務の継続を可能にするために必要な知識とサポートを提供します。

GRF のパートナーであり、これら 4 つのグループのメンバーである Google Cloud は、Mandiant からの独自の分析情報、Threat Horizon レポート、Google Cloud CISO オフィスなどの専門家とリソースを提供し、製造と産業部門がサイバー攻撃から保護されるよう支援します。Google は、防御側や業界のリーダーと連携し、安全なテクノロジーの構築とデプロイを通じて学んだ知識を共有していきます。

このパートナーシップは、サイバーセキュリティを推進するために 5 年間にわたり 100 億ドル以上の投資を行うという Google が 2021 年 8 月に発表した取り組みの一環です。この取り組みによって、Health-ISAC、Financial Services-ISAC、Electricity-ISAC といった他の組織への参加も実現したことで、重要な分野の根幹をなすインフラストラクチャのセキュリティとレジリエンスの支援を続けていくことができます。

「GRF と提携し、その関連グループである BRC、MFG-ISAC、OT-ISAC、EASE のメンバーになったことは、製造と産業の変革を支援し、重要なインフラストラクチャを保護するという Google Cloud の取り組みにおける重要な一歩です」と、Google Cloud、バイスプレジデント兼 CISO である Phil Venables は語ります。「クラウドテクノロジーとセキュリティソリューションのリーディングプロバイダとして、私たちはこれらの分野が経済成長とイノベーションの推進において重要な役割を果たしていると認識しています。このパートナーシップは、進化するサイバー脅威に直面している製造業および産業において、オペレーションのモダナイゼーションとレジリエンスをサポートするという Google Cloud の取り組みに沿ったものです。私たちは専門知識を共有して業界のリーダーと協力することで、これらの重要な産業への意識を高め、革新的なソリューションを開発し、集団防御を強化していくことを目指しています。」

「革新的なテクノロジーソリューションを提供する企業として、私たちは経済を牽引する製造業と産業部門が果たす重要な役割を認識しています。このパートナーシップは、彼らの変革を支援し、進化するサイバー脅威に対する防御を強化するという私たちのコミットメントを反映しています。コラボレーションと知識の共有を通じて、私たちはこれらの重要な分野のより安全で回復力のある未来を築くことを目指しています」と、Google Cloud、CISO オフィスシニアディレクター兼グローバル責任者、Nick Godfrey が述べています。

「Phil Venables 氏と Google Cloud は、長年にわたり共同でのセキュリティと集団的なレジリエンスを提唱してきました。BRC やこれらのコミュニティで積極的な役割を果たすことで、重要なベンダーやサプライヤーを含むあらゆる規模の企業にとって、より安全なエコシステムの構築につながる貴重な専門知識をもたらします」と、GRF の CEO である Mark Orsi 氏は述べています。「Google Cloud は製造業、公共事業、工業、重要なインフラストラクチャの各分野において、セキュリティとオペレーションのレジリエンス向上についてリーダーシップを発揮し続け、最終的にはより安全で持続可能なグローバルサプライチェーンを推進していきます。」

-Google Cloud、CISO オフィス、製造 / 産業部門責任者 Vinod D’Souza

AI、エッジ、最新のインフラストラクチャによって最新の製造成果を実現

Tue, 04 Jun 2024 03:00:00 +0000

※この投稿は米国時間 2024 年 5 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

AI、エッジコンピューティング、ソフトウェアインフラストラクチャなどの新しいテクノロジーにより、メーカーにとって、運用効率、製品品質、安全基準を再定義するための新たな扉が開いてます。ただし、そのような最先端のソリューションを多種多様な製造環境や製造拠点にまたがって実装およびスケールする際の複雑さが、依然として課題となっています。

このテクノロジーの波の最前線にあるのが Google Distributed Cloud です。このプロダクトにより、メーカーは Google Cloud の最新の AI、最新のインフラストラクチャ、セキュリティをオンプレミスで直接活用できるようになります。Google Distributed Cloud は、セルフマネージドのソフトウェア単体からフルマネージドのハードウェアおよびクラウドサービスまで、幅広い構成でデプロイでき、OT のセキュリティ、レイテンシ、可用性の要件を満たしながら、最新のアプリケーションを現場で実行するためのアジャイルプラットフォームを実現できます。

製造業のユースケース

Google Distributed Cloud は、製造業務のさまざまな分野に、パワフルな方法で変革をもたらしています。

外観検査

従来、品質管理は人間による検査に依存しており、多くの場合、時間がかかり、間違いが発生しやすく、高い費用がかかっていました。エッジにデプロイされた AI モデルは、外観検査を実施して、高解像度の画像と動画フィードをリアルタイムで分析し、かつてない速度と精度で欠陥を検出できます。このリアルタイムの品質保証により、無駄が減少し、顧客満足度が向上して、ブランドの評判が保護されます。

AI を活用した外観検査では、分析を行う AI モデルのパフォーマンスを継続的にモニタリングしながら、数十台から数百台のカメラで得られたフィードを 1 秒未満の速度で分析する必要があります。ビジネスニーズに対応して生産ラインは変化するため、お客様は、AI モデルを更新して新しい構成をサポートできる柔軟性を必要としています。生産プロセスの重要なコンポーネントである外観検査インフラストラクチャは、確実に動作する必要があります。

自動プロセス制御

外観検査のユースケースと同様に、自動プロセス制御では、生産設備に組み込まれたモノのインターネット（IoT）センサーやカメラから大量のデータが生成されます。最新のプロセス制御インフラストラクチャでは、AI を活用することにより、機械の微調整、業務最適化によるスループットと品質の向上、エネルギー消費とダウンタイムの削減を実現できます。

危険の予防的な特定など、従業員の安全性に関する新たなユースケースでは、カメラやウェアラブルを活用することで、リアルタイムのアラートや自動修正措置による従業員の保護が可能になっています。エッジベースの拡張現実（AR）により、トレーニングとメンテナンスの手順が強化されて、人的エラーが減少し、タスクの効率が向上します。事故やけがを予防すると、より安全な作業環境が生み出されるため、結果として、従業員の身体的危害や機械の故障が減少し、最終的には費用のかかる中断が減少します。

従業員の安全性と生産性

AI 機能を既存の製造ラインに統合すると、レガシーインフラストラクチャに新しい機能がもたらされ、費用のかかるオーバーホールを回避できます。エッジで実行される ML モデルは、既存の機器から貴重な分析情報を引き出すため、故障を防いだり、機器の寿命を延ばしたり、費用のかかるダウンタイムを最小限に抑えたりするための予測メンテナンスが可能になります。

AI によるレガシー システムのモダナイゼーション

オンプレミスで実行される Google Distributed Cloud には、特に要求の厳しい外観検査ワークロードを実行するためのリアルタイムの応答性、簡素化されたスケーラビリティ、オペレーショナルレジリエンスが備わっています。さらに、Google Distributed Cloud では、データのフィルタリング、集約、分析をローカルから効率的に行えるようになり、大量のデータセットをクラウドに送信する必要性が減るため、帯域幅の使用量が最適化されて、費用が削減されます。Google Distributed Cloud によって、最新の OT と IT のニーズに柔軟性とシームレスなインテグレーションがもたらされます。

これらは、Google Distributed Cloud が製造業の強化に貢献している興味深い方法のほんの一例にすぎません。ほかにも多くのユースケースがあり、そのリストは増え続けています。

製造業にとっての Google Distributed Cloud の利点

メーカーにとっての Google Distributed Cloud の利点は、テクノロジー面の向上をはるかに超えて広がり、費用、効率性、安全性、リソース管理に影響をもたらす具体的なビジネス成果に直接つながります。

スクラップの減少: AI による品質管理の強化により不良品が減少するため、原材料の無駄が減って、製造効率が向上します。
安全対策の強化: 危険や潜在的な事故をリアルタイムで特定できるため、費用のかかる業務の中断を最小限に抑え、従業員の安全性を高めることができます。
分析情報を得るまでの時間短縮: クラウドネイティブなツールとプロセスにより、エッジにデプロイされる、AI を活用した新しいソリューションの迅速なテスト、イテレーション、開発が可能になり、ソリューションを固有のニーズに合わせて調整できます。Google Distributed Cloud は、クラウドとエッジを効率的に統合することにより、メーカーが実装サイクルを短縮し、競争力のある差別化を推進できるようにします。
サステナビリティの向上: エッジドリブンなプロセス最適化、付加価値タスクと非付加価値タスクの識別、無駄の削減、予測メンテナンスが可能になるため、長期的な運用費用の削減と環境への好影響につながります。

製造業の未来

競争の激しい製造業界では、明日の工場が今日建設されています。Google Distributed Cloud などのソリューションによってエッジコンピューティングを採用することで、メーカーはこのダイナミックな業界の複雑な課題に対処するのに不可欠なツールを手に入れることができます。自動化の強化やリアルタイムの分析情報から、安全性とサステナビリティへの取り組みに至るまで、Google Distributed Cloud は、インテリジェントで適応性が高く、最終的にはより大きな成功を収める製造業務への道を切り開きます。

現代の製造業に関する分析情報を提供するこちらのレポートをダウンロードして、製造現場で Google Distributed Cloud を活用する方法の詳細をご覧ください。未来を形作ろうとしている革新的なメーカーが参加する MxD（Manufacturing x Digital）のショーケースでは、Google がどのようにイノベーションを実現しているかを直接ご確認いただけます。Google Distributed Cloud を活用する方法についての詳細もご覧ください。

ー Google Cloud、製造業担当インダストリー マネージャー Fabien Duboeuf

ー Google Cloud、Google Distributed Cloud シニア プロダクト マネージャー Dario Salischiker

三菱重工: Vertex AI で航空機製造における生産材料の需要予測を最適化し、廃棄量の大幅な削減に成功

Wed, 13 Dec 2023 01:00:00 +0000

三菱グループの重工業メーカーとして、産業機械やエネルギー関連機器、船舶、航空機など幅広い分野で製品とサービスを提供する三菱重工業株式会社（以下、三菱重工）。大型民間航空機の胴体パネルの製造を手掛ける民間機セグメントの江波工場では、Google Cloud による DX 活動推進の一環として、BigQuery と Vertex AI を活用することで生産材料の需要を正確に予測し、廃棄量の大幅な削減に成功しました。このプロジェクトを担当したメンバー 3 人にお話を伺いました。

利用しているサービス:
BigQuery, Vertex AI

利用しているソリューション:
Real-Time Analytics & AI

Google Cloud を活用したデジタル化で製造プロセスの改革に挑む

三菱重工の民間機セグメント江波工場は、大型民間機における日本最大のアルミ胴体パネル組立拠点であり、複雑な後部胴体の製造技術を強みとして、ボーイング社のボーイング 777X やボーイング 777、ボーイング 767 などの機体の製造を行っています。その一方で、工場が面する美しい瀬戸内海を守るために、廃棄物処理の厳格化や再生エネルギーの活用などを通じて、環境負荷の軽減や持続可能な航空機生産体制の構築にも取り組んできました。

その江波工場では現在、Google Cloud を活用した DX 活動を積極的に推し進めています。大きな転機となったのは、COVID-19（新型コロナウイルス感染症）の世界的なパンデミックによる航空機需要の激変でした。それまで民間航空機市場は増産基調が続いており、将来的にも旅客輸送量が 20 年で 2.5 倍に拡大すると予測されていました。その状況が一変し、航空機の需要は激減して一気に減産態勢になりました。

そのような状況下で業務に対する考え方を大きく変える必要に迫られたことが、DX 活動の推進につながったと、民間機セグメント工作部工務課課長の松村一毅氏は語ります。

「激変した民間航空機の市場において、今後の需要の回復を見据えたうえで、"行動こそが価値を生む" という思いでデジタル化による製造プロセスの変革を進めました。Google Cloud を採用したのは、再生可能エネルギーの活用を推進しており、我々の進める持続可能な航空機生産に合致したクラウドであると考えたからです。日頃から検索エンジンなどを使って身近に感じていたことや、10X 思考や 20% ルール（※）などといった Google の文化を取り入れていきたいという思いもありました。」

^{※ 10X 思考: 前年度の 10% 増ではなく「10倍」増の成果を目指す思考。20% ルール: 業務時間の内の 20% を「普段の業務とは異なる」業務（Google においては新規事業立案）に充ててよいという制度。}

江波工場での DX 活動は、Google Workspace の導入に始まり、現場で使われているさまざまなデータの収集や蓄積、分析や可視化へと進んでいきました。民間機セグメント工作部工務課の松田達也氏は、DX 活動のコンセプトについて次のように説明します。

「航空機の製造プロセスは労働集約型作業であり、熟練作業者の暗黙知に頼って進められているというのが現状です。テクノロジーによってこの暗黙知を形式知に変え、作業員のパフォーマンスを『視える化』することで、DX 活動を通じたモチベーションの向上を狙いました。そのためにはまずデータを集めなければなりません。そのうえで集めたデータを分析や可視化をして現場の暗黙知を見つけ出し、形式知にしていくというのが私たちの活動のテーマになりました。」

データの蓄積と分析を進める中で浮かび上がってきたのが、組立作業に使用するシールの廃棄量の問題でした。航空機の製造では、材料の腐食予防や気密性の向上、空気抵抗を減らす平滑性の確保などの目的で、シールと呼ばれる特殊な材料を使用します。シールは製造メーカーで混合し、冷凍された状態で納品されますが、有効期限があるため冷凍後数週間で使用できなくなります。また、解凍してから使用できる時間にも制限があり、その条件は工場内の温度や湿度で変わるため、必要量の予測が難しいという特性があります。民間機セグメント工作部工務課の福田博樹氏は次のように説明します。

「従来はシールの在庫数は紙ベースで管理しており、熟練作業者の暗黙知に頼って手配数量を決めていました。しかし航空機が多品種少量生産という都合上、日々変化していく必要量の予測は非常に困難でした。シールが枯渇すれば組み立て作業を中止しなければならず、製造の遅れに直結します。そのため、ある程度の廃棄を見越してでも多めに発注するのがそれまでのやり方だったのですが、結果として月平均で数百万円分（2020 年当時）、年換算すると数千万円もの廃棄が発生していたことが明らかになりました。そこで、もしここで必要量の正確な予測ができれば、廃棄コストを削減できると考えました。」

Vertex AI の需要予測でシールの廃棄額を月数百万円から 10 万円以下まで削減、念願の廃棄ゼロも達成

江波工場ではまず、現場の作業担当者が使用する紙の在庫管理シートを元にシール使用量の実績データを収集し、需要予測のための基準量データベースを構築しました。そして、SQL ベースのシステムを構築して生産スケジュールから必要となるシールの量を算出しました。シールは 10 種類あり、それを 260 箇所の作業場所で使用しているため、全部で 2,600 通りの予測が必要でした。

基準量データベースによる需要予測によって、シールの廃棄はひと月当たり 75% 減の 100 万円程度まで削減することができました。しかしこの方法では、データ収集とそれに基づく予測の作業に毎月 40 時間もかかってしまい、継続して実施するのは難しいという問題がありました。

そこで注目したのが BigQuery と Vertex AI です。福田氏は次のように語ります。

「基準量データベースを使った予測では、どうしても廃棄額を月 100 万円以下に下げることができませんでした。そこでアプローチを変えて、Google Cloud チームの協力も得ながら AI での予測に挑戦してみました。Vertex AI は専門知識がなくても扱え、少ないデータで機械学習を活用できることから、十分なデータが取れない状況の中でも効果が期待できると考えました。具体的な取り組みとしては、まず BigQuery にシール使用量のデータを格納して Vertex AI Workbench 上で需要予測を算出し、基準量データベースを使った過去の実際の手配計画とを比較しました。その結果、Vertex AI の予測のほうが本来の需要に近いという結果が得られ、さらなる廃棄量削減ができるという手応えを感じました。」

実際に Vertex AI の予測値によるシール手配を開始したところ、最初の月の廃棄額は 10 万円以下となり、従来の 50 分の 1、基準量データベースと比べても 10 分の 1 まで削減できました。しかし、福田氏は最初から AI を完全に信頼できたわけではなかったと話します。

「AI の予測値は根拠が明らかでないこともあり、当初は完全に信じることができずに、予測値に対して経験に基づいた係数を掛けて手配数を決めていました。しかし、この係数掛けが外れて廃棄量が増えたり、逆に在庫が足りなくなって生産に必要なシールが枯渇するという事態も発生し、混乱を引き起こしてしまいました。この経験から、予測結果に手を加えるのではなく、予実管理によって予測精度自体の向上を目指すように方針を切り替えました。」

デジタル化の成果としてシールの調達計画や実際の調達数、廃棄量などといった予実管理のデータは蓄積できていました。このデータに基づいて、どのような要素を入力すればより実績値に近づくのかを検証しました。この試行錯誤が可能になったのは、予測にかかる時間を大幅に短縮できたことによる効果が大きいと福田氏は言います。

「基準量データベースでは、ひと月分の予測値の算出に 40 時間くらいかかっていました。それが Vertex AI では 10 分程度で算出できるようになり、さまざまな検証を行う時間的な余裕が生まれました。予測が当たらないということは、まだ何か別の、現場で暗黙的に使われている判断材料があるかもしれません。現場の作業員から話を聞いていろいろな要素を試す中で、その日の気温や作業員の熟練度など、いくつかの重要な要素がわかってきました。この試行錯誤によって、最終的に 2023 年 7 月には廃棄量ゼロという目標も達成することができました。」

Google の文化を取り入れて積極的に DX を推進した結果がコスト削減成功につながった

江波工場がシール廃棄量の削減に成功したのは、単なる AI 導入の成果というわけではなく、Google Cloud チームの協力の下で進めてきた DX 活動が実を結んだ結果だと松村氏は語ります。

「Google が持つ 10X 思考や 20% ルールなどの文化は、私たちにとっては非常に斬新で興味を引かれるものでした。ずっと自分たちのルールの中でやってきましたが、そのルールを飛び越えてチャレンジしてもいいということを学びました。DX 活動が継続できたのは、普段の業務に加えて 20% の部分で新しいことにチャレンジしてみようという考え方を社内で共有できたからだと認識しています。」

現場の声を直接聞いて、予測精度の向上に務めた福田氏は次のように話します。

「私自身、担当に就いた当初は AI や機械学習に関する知識は全くありませんでした。とにかくチャレンジしてみようという気持ちで試行錯誤し、Google Cloud チームのサポートもあって成果が出るにつれてワクワク感が増していきました。シールの枯渇が発生した際などには、現場の作業員や Google のサポートメンバーが全力でフォローしてくれました。AI による廃棄削減とはいっても、製造業はやはり現場あってのものです。その意味で、DX 活動やコスト削減に対する経営陣の強い思いと、現場の熱意がうまく掛け合わさったことで、成功につながったと感じています。」

江波工場では、シール需要予測以外にも Google Cloud を活用したさまざまな取り組みを実施しています。実際に導入されたシステムとしては、現場の予実管理をクラウド上で行う「Cloud IE着完」や、機械の点検や故障の履歴を管理する「電子点検簿」などがあります。また文化面での取り組みもあり、Google の CSI:Lab の発案から、現場の作業員に感謝の気持ちを伝える「ありがとうリレー」という活動も始めました。シール需要予測の成功を受けて、塗料の使用量を BigQuery と Vertex AI で予測するという取り組みも進んでいます。

「Google Cloud チームと一緒に活動して自社の文化を一緒に変えたことで、いろいろなサービスを自分たちで作って現場にも広げていくという挑戦ができるようになりました。シール需要予測の事例に関しては、顧客やカスタマーエアライン、競合他社からも注目を集めています。この活動を通して、私たち江波工場のプレゼンスは大きく向上したと実感しています。」（松田氏）

また松村氏は、製造業の分野には、テクノロジー企業と一緒にチャレンジできることがまだあるはずだと語ります。

「暗黙知とテクノロジーを組み合わせるという今回の取り組みは、現場にとっても新しい発見がたくさんありました。モノづくりに関わる人たちは基本的に新しいことを知るのが好きなので、その好奇心が刺激されれば DX などももっと進んでいくでしょうし、IT 技術を組み合わせた新しいチャレンジも増えると考えています。」

三菱重工業株式会社
1950 年 1 月 11 日設立。産業機械、エネルギー関連機器、自動車、船舶、航空機、宇宙機器など幅広い分野で製品とサービスを提供する、三菱グループの重工業メーカー。高度な技術と品質を持ち、グローバルな事業を展開している。広島にある民間機セグメント江波工場は、大型民間航空機における日本最大規模のアルミ胴体パネル組立拠点であり、複雑な後部胴体の製造技術を強みとして、ボーイング社向けの航空機部品の生産を行っている。

インタビュイー（写真左から）
・民間機セグメント工作部工務課課長　松村一毅氏
・民間機セグメント工作部工務課　福田博樹氏
・民間機セグメント工作部工務課　松田達也氏

その他の導入事例はこちらをご覧ください。

MDE と ABAP SDK for Google Cloud を使用して施設管理を自動化する

Mon, 20 Nov 2023 01:20:00 +0000

※この投稿は米国時間 2023 年 11 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud のお客様の多くは、複数の製造施設を運営しており、頻繁に機械のメンテナンスを行ったり、生産のダウンタイムを短縮したりすることで、費用を削減する方法や、効率を向上させる方法を常に模索しています。

これまで、製造現場のアセットのモニタリングやメンテナンスは、ほとんどが手作業で事後対応の面倒なプロセスでした。Google Cloud は、AI と ML のポートフォリオを活用してこのプロセスを支援します。現在、センサーは機械から運用データを収集し、Google Cloud にストリーミングしています。Google Cloud に取り込まれたデータを使用して、機械学習や統計計算でパターンを特定し、メンテナンスの問題を予測することで、問題が発生する前に解決することも可能になりました。このソリューションパターンは、予測メンテナンスとして知られています。施設管理者は、予測メンテナンスに基づくテクニカルソリューションを活用することで、機械や設備が故障する前に、その異常を検知できるようになります。また、施設管理者は、予測メンテナンスを活用することで、設備が稼働している時間を避けて都合の良いときにメンテナンスをスケジュールできるため、時間と費用を大幅に節約できます。

巨大なデータセットの生産データを大規模に分析することは、常に困難が伴います。特に、生産パイプラインの何千ものアセットに関わる複数の生産施設のデータがある場合はなおさらです。この課題を解決するために、Manufacturing Data Engine は、メーカーがエンドツーエンドで製造現場のビジネスプロセスを管理できるように設計されています。

Manufacturing Data Engine

Manufacturing Data Engine（MDE）は、製造データの取り込み、処理、コンテキスト化、保管、利用を加速、簡素化、強化するスケーラブルなソリューションで、モニタリング、分析、ML のユースケースに対応しています。このコンポーネントスイートによって、Google Cloud の分析機能や AI 機能を活用して変革を加速するメーカーを支援します。

上記のアーキテクチャには以下が含まれます。

Manufacturing Connect: 工場での連携を支えるプロダクトとして、エッジワークロードをサポートし、Google Cloud とデバイスを統合します。250 以上のマシンプロトコルの豊富なライブラリを介して、ほぼすべての製造アセットと迅速に接続できます。
Manufacturing Data Engine: 工場データの処理、コンテキスト化、保存を行います。組み込まれたデータの正規化およびコンテキスト拡充機能により、工場に最適化されたデータレイクハウスをストレージとして、共通のデータモデルを提供します。
カスタマイズ可能な事前定義された分析: ビジネスインサイトとセルフサービス型の分析のために、カスタマイズ可能なダッシュボードと「メタモデル」を提供します。
AI を活用した業務の最適化: Vertex AI などの Google Cloud ツールとのインテグレーションや、AI ユースケースのポートフォリオを活用し、価値を大規模に引き出します。

メーカーを対象とした SAP プロダクト

エンタープライズリソースプランニング（ERP）ソフトウェアの大手ベンダーである SAP と Google Cloud は長年にわたるパートナーであり、BigQuery、Vertex AI、Cloud Pub/Sub などの Google のサービスを活用して、ビジネス領域全体でお客様のビジネス変革を支援してきました。SAP は、メーカー向けに SAP Plant Maintenance を提供しており、設備点検、通知、是正メンテナンス、予測メンテナンス、修理といったメンテナンス業務の管理を支援しています。

ABAP SDK for Google Cloud

ABAP SDK for Google Cloud は、SAP と Google Cloud のサービス間で双方向のリアルタイムインテグレーションを実現します。SAP デベロッパーは、ABAP SDK for Google Cloud を使用することで、Vertex AI、Document AI、Translation AI、Pub/Sub などの Google Cloud サービスと SAP アプリケーションを統合できます。ABAP SDK によって、デジタルトランスフォーメーションを加速し、ビジネスの目標をより速く達成できます。

両方のソリューションの長所を組み合わせる

Plant Maintenance のビジネスプロセスを SAP 上で運用しているメーカーは、Google Cloud の MDE と ABAP SDK for Google Cloud の機能を組み合わせることで、製造現場のアセット用に予測メンテナンスを実装できます。自動車メーカーを例に考えてみましょう。このメーカーは、塗装や組み立ての作業に入る前に、サンドブラストマシンで金属部品を洗浄しており、組み立てラインの中断につながる可能性がある異常がないかどうか、ブラストマシンのモーターの状態をモニタリングしたいと考えています。

MDE は、モーターに取り付けられた振動センサーからシャフトの振動の形式でセンサーデータのストリームを受信でき、振動ストリームの異常パターンを検出する ML モデルを構築できます。
ML モデルによって異常が検出されると、MDE でイベントがトリガーされ、設備情報を含む通知が Cloud Pub/Sub トピックにパブリッシュされます。
SAP の自動化プログラムがバックグラウンドで定期的に実行され、ABAP SDK for Google Cloud を使用して、Cloud Pub/Sub から設備情報をネイティブに取り込み、SAP で Plant Maintenance のオーダーを作成します。
SAP のビジネスユーザーがオーダーの処理を開始します。ABAP SDK for Google Cloud を活用して、現在のオーダーステータスを別の Cloud Pub/Sub トピックにパブリッシュするように ABAP ロジックを記述できます。このトピックは、BigQuery データセットへの情報ソースとして使用できます。
ダッシュボードは、BigQuery データセットに基づいて施設管理者向けに設計でき、以下のような指標の追跡に使用できます。
- メンテナンスオーダーのリアルタイムのステータス
- オーダーの遅延の可視性

結論と展望

製造データを SAP のようなエンタープライズソフトウェアに統合することで、製造現場の業務の可視性がかつてないほど高くなり、以下のことが可能になります。

メンテナンススケジュールを計画および最適化することで、ダウンタイムを削減する。ダウンタイムは、年間売上高の約 11% の損失に相当する可能性がある（リンク）
組み立てラインの中断や高価な修理につながるような致命的な故障を回避する
生産ラインのサイクルタイムを効率化する

MDE は、製造現場のデータを効率的に合理化し、収集する機会を提供します。一方、ABAP SDK for Google Cloud は、SAP システムに製造に関するインサイトをもたらす可能性を広げます。お客様は、同様のソリューションパターンに従って、Google Cloud の他のソリューションやサービスを SAP システムでネイティブに利用でき、ABAP SDK for Google Cloud はそのインテグレーションを可能にします。また、パートナーは SDK を使用して、これらのインテグレーションパターンをパッケージ化されたソリューションに変換できます。

Google Cloud の Manufacturing Data Engine と ABAP SDK for Google Cloud の詳細を確認し、今すぐ新たな一歩を踏み出しましょう。

ー Google Cloud、SAP カスタマー エンジニア Manas Srivastava

ー Google Cloud、SAP アプリケーション エンジニア Devesh Singh

OPPO によるモバイルデバイスの AI 機能を強化するための Google Vertex AI 活用法

Thu, 18 May 2023 02:30:00 +0000

※この投稿は米国時間 2023 年 5 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

昨今の消費者にはこれまで以上に多くのオプションがあります。そのため、企業はエンドユーザーに可能な限り最良のデバイス性能を提供することに専念する必要があります。大手モバイルデバイスメーカー OPPO では、クラウドや AI などの最新テクノロジーをより有効に活用できる方法を常に模索しています。その一例が AndesBrain 戦略です。この戦略では、モバイルデバイスの AI モデルの開発プロセスにおいて、クラウドツールをモバイルハードウェアと統合することで、エンドデバイスのスマート化を目指しています。

OPPO がこの戦略を採用したのは、モバイルデバイスにおける AI 機能の可能性を信じているからです。エンドデバイス上で AI モデルを実行し、ユーザーデータをクラウドに送信せず、モバイルハードウェア上に保持することにより、ユーザーのプライバシー保護をさらに強化できます。その一方で、より複雑な AI モデルに対応するためにモバイルチップのコンピューティング能力が急速に向上しています。クラウドプラットフォームを AI モデルトレーニング用のモバイルチップとリンクすることで、クラウドコンピューティングリソースを活用し、さまざまなモバイルハードウェアに適応する高性能な ML モデルを開発できます。

2022 年に、OPPO は StarFire 上で AI エンジニアリング戦略の実装を開始しました。StarFire は、クラウドとエンドデバイスを統合してサービスを提供する自社開発の ML プラットフォームであり、AndesBrain の 6 つの機能の 1 つを形成しています。当社では、StarFire を通じて、さまざまな先進的なクラウド技術を活用し、自社の開発ニーズに応えることができるようになりました。また、AI モデルの開発プロセスを容易にし、モバイルデバイスの AI 機能を強化するため、Google Cloud および Qualcomm Technologies と協力して、Google Cloud Vertex AI Neural Architecture Search（Vertex AI NAS）を初めてスマートフォンに組み込みました。では OPPO が学んだことを詳しく見ていきましょう。

モバイルデバイスの AI モデル開発における課題

モバイルデバイスの AI モデルを開発する際の大きなボトルネックの 1 つは、コンピュータチップに比べてモバイルチップのコンピューティング能力が限られていることです。Vertex AI NAS を使用する前は、OPPO のエンジニアは主に 2 つのメソッドを使用して、モバイルデバイスが対応できる AI モデルを開発していました。1 つは、クラウドプラットフォームでトレーニングしたニューラルネットワークを、ネットワークのプルーニングやモデルの圧縮によって単純化し、モバイルチップに適したものにすることです。もう 1 つは、空間方向の分離可能な畳み込みなどのテクノロジーに基づいて構築された、より軽量なニューラルネットワークアーキテクチャを採用することです。

この 2 つのメソッドには、次の 3 つの課題があります。

長い開発期間: AI モデルがモバイルデバイス上でスムーズに動作するかどうかを確認するためには、テストを繰り返し、ハードウェアの特性に合わせて手動でモデルを調整する必要があります。モバイルデバイスごとに備えているコンピューティング能力やメモリが異なるため、AI モデルのカスタマイズは多大な人件費を要し、開発期間が長期化する要因にもなります。
精度の低さ: モバイルデバイスは、その限られたコンピューティング能力のため、軽量な AI モデルにしか対応できません。しかし、クラウドプラットフォームでトレーニング済みの AI モデルをプルーニングや圧縮すると、モデルの精度が低下します。クラウド環境で 95% の精度を持つ AI モデルを開発できても、エンドデバイスでは実行できません。
パフォーマンスの妥協: モバイルデバイスに搭載される各 AI モデルは、精度、レイテンシ、消費電力のバランスを取る必要があります。高精度、低レイテンシ、低消費電力を同時に達成することはできません。その結果、パフォーマンスの妥協は避けられません。

AI モデル開発における Vertex AI NAS の優位性

ニューラルアーキテクチャ検索技術は、デベロッパーのニーズに応じてニューラルネットワークのパフォーマンスを最適化するようトレーニングされた AI を作るために、2017 年に Google Brain チームによって初めて開発されました。特定のタスクに最適なニューラルネットワークのアーキテクチャを自動的に検出、設計するニューラルアーキテクチャ検索技術により、デベロッパーはより簡単に AI モデルのパフォーマンス向上を実現できます。

Vertex AI NAS は現在、パブリッククラウドプラットフォームで利用できる唯一のフルマネージドニューラルアーキテクチャ検索サービスです。OPPO の ML プラットフォーム StarFire はクラウドベースであるため、Vertex AI NAS とこのプラットフォームを容易に接続して AI モデルを開発できます。それに加え、デバイスの AI モデル開発に Vertex AI NAS を採用したのは、以下の 3 つの利点があるからです。

ニューラルネットワーク設計の自動化: 前述のとおり、モバイルデバイスの AI モデル開発には、労力も時間もかかります。Vertex AI NAS によってニューラルネットワークの設計が自動化されるため、開発時間を大幅に短縮し、さまざまなモバイルチップに AI モデルを容易に適応できます。
カスタム報酬パラメータ: Vertex AI NAS は、NAS ツールの中では珍しくカスタム報酬パラメータに対応しています。これは、検索制約を自由に追加できることを意味し、この検索制約のために AI モデルを最適化する必要があります。この特長を活用することで、検索制約という機能を追加することができ、モバイルデバイスの AI モデル消費電力を 27% 削減することに成功しました。
モバイルデバイス向けに AI モデルを圧縮する必要がない: 接続されたモバイルチップから送り返されるリアルタイムの報酬に基づき、Vertex AI NAS はモバイルデバイスに適したニューラルネットワークアーキテクチャを直接設計できます。そのため、追加処理を行うことなく、そのままエンドデバイスで実行でき、AI モデルの適応化に要する時間と労力を節約できます。

OPPO がモバイルデバイスの AI モデルのエネルギー効率を高めるために、どのように Vertex AI NAS を活用しているか

モバイルデバイス上の AI モデル、特にマルチメディアや画像処理に関連するコンピューティング集約型モデルの優れたユーザーエクスペリエンスを実現するためには、消費電力を下げることが重要になります。AI モデルの消費電力が高すぎると、モバイルデバイスが過熱し、バッテリーの寿命が短くなる可能性があります。そのため、OPPO では Vertex AI NAS を使用してモバイルデバイス上の AI 処理のエネルギー効率を高めることを主な目的としています。

この目標を達成するために、私たちはまず、デフォルトではレイテンシとメモリの報酬にしか対応していない Vertex AI NAS に、カスタム検索制約を追加しました。これにより、Vertex AI NAS は、電力、レイテンシ、メモリの報酬に基づいてニューラルネットワークを検索できるようになり、レイテンシとメモリ消費量を望ましいレベルに抑えつつ、AI モデルの消費電力を削減できています。

次に、Cloud Storage を介して StarFire プラットフォームと Vertex AI NAS を接続しました。これと同時に、Qualcomm が提供する SDK を使用して、Qualcomm の Snapdragon 8 Gen 2 チップセットを搭載したスマートフォンと StarFire を連携させました。この仕組みのもと、Vertex AI NAS は最新のニューラルネットワークアーキテクチャを Cloud Storage 経由で StarFire に常時送信し、StarFire はそのモデルをチップセットにエクスポートしてテストできます。テスト結果は、StarFire と Cloud Storage を通じて再び Vertex AI NAS に返され、Vertex AI NAS はその報酬をもとに次のアーキテクチャ検索ができます。

目標を達成するまでこの処理を繰り返した結果、最終的には、最適化前と同じレベルの精度を維持しながら、AI モデルの消費電力を 27%、演算レイテンシを 40% 削減することに成功しました。

用途の幅を広げる

Vertex AI NAS を通じて、初めて AI モデルの最適化に成功したことは、OPPO にとって実に喜ばしいことです。このエネルギー効率の高い AI モデルを将来の OPPO スマートフォンにデプロイし、Vertex AI NAS が対応している同じモデルトレーニングプロセスを他の AI プロダクトのアルゴリズム開発にも導入する予定です。また、電力だけでなく、帯域幅やオペレーター操作性など、他の報酬パラメータも検索制約として Vertex AI NAS に追加し、より包括的なモデル最適化を実現したいと考えています。

Vertex AI NAS は OPPO スマートフォンの AI 機能の最適化を大幅に進めましたが、まだまだ大きな可能性を秘めていると考えています。今後も Google Cloud と連携し、Vertex AI NAS の活用を拡大していきます。Vertex AI NAS の採用に興味をお持ちのデベロッパーの方で、カスタム検索制約が必要な場合は、開発プロセスを開始する前に最も関連性の高いハードウェア報酬パラメータをターゲットとし、検索空間の構築方法を理解しておくことをおすすめします。

- OPPO、シニアアルゴリズムエンジニア Hongyu Li 氏
- OPPO、AI Platform 責任者 Leslie Li 氏

大規模データに対応する低レイテンシの異常検出サービス、Timeseries Insights API の一般提供を開始

Thu, 20 Apr 2023 01:00:00 +0000

※この投稿は米国時間 2023 年 4 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび、Timeseries Insights API の一般提供を開始いたしました。Timeseries Insights API は、大規模データを対象にニアリアルタイムで時系列の異常検出を実現するパワフルかつ効率的なサービスです。センサーの値やクリック、ニュースなど、さまざまなソースに対応し、テラバイト（TB）規模の時系列データを 1 秒未満で処理して分析情報を取得できるのが特徴です。

Timeseries Insights API は、Google Cloud の Manufacturing Data Engine とネイティブに連携動作します。製造業各社は、このパワフルなサービスを使うことで、Manufacturing Data Engine によって格納された大量データから簡単に異常検出を行うことが可能となります。

主な機能と利点

Google Cloud の Timeseries Insights API には以下のような特長があります。

異常およびトレンドの検出: イベントの複数の項目を参照して、トレンドと異常を検出します。
大量データに対応: 数百億件のイベントを含む TB 規模のデータセットに対応し、1 秒に数千件のクエリを実行できます。
低レイテンシのクエリ: レイテンシ 1 秒未満のニアリアルタイムでクエリ結果が返されるので、ユーザー向けインタラクティブアプリケーションのバックエンドで使用するのに最適です。
リアルタイム分析: ストリーミング更新方式のインターフェースを使って、時系列データをコンテキストに基づきリアルタイムで分析できます。
サーバーレス、フルマネージド: フルマネージドなので、管理インフラストラクチャの心配が無用。分析情報に集中できます。
柔軟性の高いクエリ言語: 直感的でわかりやすい API およびパラメータが付属しているため、クエリを簡単に作成できます。

ユースケースとアーリーアドプターの紹介

Timeseries Insights API の時系列データ予測および分析情報は、さまざまな業種での活用方法が考えられます。たとえば、IoT 企業では、複数のセンサーデータソースの相関関係をリアルタイムで分析するために利用できます。コンテンツプロバイダは、ニュースとイベントストリームをモニタリングしてトレンドクラスタを特定できます。ネットワークインフラストラクチャやモニタリングのプロバイダなら、トラフィックログを分析して異常な動作を検出することが可能です。

GDELT プロジェクト（Global Database of Events, Language, and Tone）は、世界中のニュースメディアをリアルタイムでモニタリングすることを目的とした巨大なオープンデータプロジェクトで、グローバルに広がる人間社会の挙動、考え方、態度を網羅するオープンリポジトリを提供しています。同プロジェクトは現在、8 兆 5 千億超のデータポイントを擁し、150 の言語で伝えられる世界中の出来事や報道をカバーしています。テキスト、テレビ、ラジオ、画像など、さまざまなフォーマットのニュースに対応し、古いものでは 200 年前のニュースに遡るほか、世界中のほぼすべての国の情報がリアルタイムで反映されています。

GDELT では、Timeseries Insights API を使って地球規模の膨大なアーカイブから情報をふるいにかけ、翌日のビッグニュースの兆しをリアルタイムでいち早く捉えることを可能にしています。

「GDELT では、Google Cloud のさまざまな AI API を使用しています。具体的には、Video API、Vision API、Speech-To-Text API、Natural Language API、Translation API を使って、世界中から怒涛のように押し寄せる大量データにアノテーションを付与しています」と、GDELT プロジェクトの発起人である Kalev Leetaru 氏は語ります。「Timeseries API のおかげで、これらのアノテーションをすべて参照して、速報に伴う突発的な波の発生から、徐々に展開するストーリーの緩やかな流れまで、そしてその間にあるあらゆる異常をすべてリアルタイムで観察することができます。」

Google Cloud の Manufacturing Data Engine とのインテグレーション

製造業においては、異常検出によって潜在的問題を特定して早めに対処することで、混乱、損害、ダウンタイムを未然に防ぐことができます。たとえば、センサーやその他のソースからのデータをモニタリングして異常なパターンを特定し、機器の故障や品質の問題などの兆候を見つけることが可能です。アラート機能も搭載されているので、メンテナンス担当者や工場の監督者は、早い段階で予防策を講じることができます。

最大の特徴は、Timeseries Insights API に基づく異常検出は、迅速かつ広範囲に、低費用で実装できるという点です。Timeseries Insights API はラベルなしのデータから自動学習するフルマネージドサービスであるため、あらゆる機械にすばやく展開でき、ML の専門知識やドメインごとの入力操作は不要です。それに対して、予測的メンテナンス方式は機械ごとのセットアップが必要となり費用が比較的高くつくため、重要度の高い一部の機械のみに実装が限られがちです。

また、Timeseries Insights API に基づく異常検出は、従来のしきい値ベースのサービスと根本的に異なります。人手入力やデータのラベル付けがほぼ不要なだけでなく、しきい値ベースのシステムでは正常動作範囲内とみなされるような重大イベントも捉えることが可能です。

Timeseries Insights API が一般提供になったこの機会に、企業の皆様はぜひこの優れたツールをお試しになり、時系列データから有益情報を引き出して、運用の最適化やダウンタイムの短縮、競争の一歩先を行くためにお役立てください。詳しい情報を確認して使用を開始するには Timeseries Insights API のドキュメントをご覧ください。

- プロダクトマネージャー Alex Martin
- 製造業向けソリューションマネージャー Julian Geiger

Built with BigQuery: Leverege がビジネスクリティカルなエンタープライズ IoT ソリューションを大規模に提供する際に BigQuery がいかに役立つか

Mon, 27 Feb 2023 03:00:00 +0000

※この投稿は米国時間 2023 年 2 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

はじめに

Leverege は、世界中のマーケットリーダーが迅速かつ費用対効果の高いエンタープライズ IoT アプリケーションを構築し、データ中心の意思決定能力、オペレーションの最適化、カスタマーエクスペリエンスの向上、カスタマーバリューの提供、収益の増加を実現できるようにするソフトウェア企業です。Leverege の主要な SaaS 製品である Leverege IoT Stack は、Google Cloud 上でネイティブに動作し、Google の膨大な AI / ML プロダクトとシームレスに統合されます。

Leverege は、データと分析パイプラインの重要なコンポーネントとして BigQuery を使用し、革新的な IoT ソリューションを大規模に実現しています。BigQuery は、データウェアハウジング機能、すぐに使用できるデータ管理機能、リアルタイム分析、クロスクラウドデータ統合、セキュリティおよびコンプライアンス基準など、IoT システムに理想的な基盤を提供します。これらの機能により、お客様はデータプロセスを簡単に統合できます。そして、得られたデータセットを使用してトレンドを特定し、業務へ分析情報を適用できます。

コンテキストと IoT 業界の背景

モノのインターネット（IoT）は、センサー、マシン、デバイスをインターネットに接続し、あらゆる業界の企業が、エッジおよびクラウドを含めて、物理的な世界からデジタルの世界へデータを移動できるようにするものです。企業は大規模な IoT ソリューションを採用することで、効率の向上、費用の削減、収益の増加、イノベーションの推進に必要なデータを取得できます。

IoT ソリューションの力とその世界経済への影響により、堅牢で安全なエンタープライズデータウェアハウス機能への需要が高まっています。大規模な技術要件の多くは事前に予測することができないため、IoT ではインフラストラクチャレベルでの課題が顕著です。膨大な IoT データセットを管理する必要があるお客様もいれば、リアルタイムのデータストリーミングやきめ細かなアクセス制御を必要とするお客様もいます。

IoT 分野でのインフラストラクチャ要件は多岐にわたるため、Leverege は業界屈指のクラウドコンピューティングプロバイダである Google と提携するに至りました。技術面では、お客様のニーズに応え、スケールアップを実現するために、フル機能のデータウェアハウスが必要です。財務面では、エンドツーエンドのソリューションは、ソリューションの各コンポーネント（ハードウェア、接続性、インフラストラクチャ、ソフトウェア）を考慮し、全体的な費用を管理、削減するように設計する必要があります。

Google Cloud Platform と BigQuery のスケーラビリティと柔軟性を活用することで、Leverege のお客様は、数百万台ものコネクテッドデバイスからのデータを手ごろな費用で保存、処理、分析し、センサーデータから必要な価値を抽出できます。

Google Cloud を利用した Leverege の概要

Leverege は、組織が測定可能なビジネス上の価値をもたらす IoT ソリューションを迅速かつ簡単に構築、デプロイできるよう、カスタマイズ可能な多層 IoT スタックを提供します。Leverege IoT Stack は、次の 3 つのコンポーネントで構成されています。

Leverege Connect は、デバイス管理に焦点を当てており、分散型 IoT デバイスの安全なプロビジョニング、接続、管理を可能にします。Leverege Connect は 2023 年 8 月に廃止される Google IoT Core の代替として機能し、MQTT、HTTP、UDP、CoAP などのプロトコルをサポートします。
Leverege Architect はデータ管理に重点を置いており、AI / ML を適用して強力な分析情報を得る機能や、API 経由で外部サービスに公開する機能を備えています。それにより、デバイスやビジネスデータの取り込み、編成、コンテキスト化を可能にします。
Leverege Build では、アプリケーション開発を最適化し、ロールごとにカスタマイズされたエクスペリエンスのエンドユーザーアプリケーションを生成、構成、ブランディングできます。さらに、これらをすべてノーコードツールを使用して実行できます。

Leverege IoT Stack は、マイクロサービス群を管理するためのフルマネージド Kubernetes Service である Google Kubernetes Engine（GKE）でデプロイされます。Leverege では、フルマネージドサービスである Google Cloud Pub/Sub をデータ取り込み用のメッセージルーティングの主要手段として使用し、Google Firebase をリアルタイムデータとユーザーインターフェースのホスティング用として使用しています。BigQuery は、データの長期保存、履歴のクエリと分析、リアルタイムの分析情報取得のために使用されています。

BigQuery の活用による IoT ソリューションの大規模な実現と管理

ユースケース #1: 世界最大手自動車卸売業者の車両オークションの自動化

世界有数の中古車市場であるこの企業は、最大 600 エーカーの駐車場で対面式とオンライン式での同時カーオークションを効率的に組織化して実施するという、費用のかさむ課題に直面していました。IoT ソリューションを導入する以前は、毎日数千台の車両を手作業でステージングしており、数百人もの人が見つけにくい情報をもとに特定の車両を探し出し、正確な順序で並べようとしていました。この手動によるプロセスは非常に非効率的で信頼性が低く、車両がオークションに出品されない、あるいは順番がずれるといったことが日常的にあったため、カスタマーエクスペリエンスに悪影響を及ぼしていました。

この問題を解決するために、このお客様は低コストでバッテリー寿命の長い GPS トラッカーを構築し、敷地内の全車両に設置しました。Leverege は、これらのデバイスを総合的なエンドツーエンドソリューションに統合し、正確な車両位置、診断、自動クエリ、分析レポート、興味のある車両への徒歩ルート案内について、完全に認知、可視化できるようにしました。このデジタルトランスフォーメーションにより、このお客様は年間数百万ドルを節約し、同時に顧客満足度を大幅に向上させることができました。

ソリューションが全国規模に拡大した後は、デバイスとシステムの健全性をモニタリングすることが、運用の成功にとって最も重要でした。BigQuery のデータパーティショニングと自律的な分析ジョブにより、非常に大規模なデータセットを使用してシステムのアラートと全体のシステム状態のレポートを管理、セグメント化するコスト効率の良い方法が可能になりました。

ユースケース #2: 世界のどこにいてもボートの状態と準備状況をリアルタイムで分析

世界最大のボートエンジンメーカーと連携し、Leverege は、ボート所有者と船体管理者が世界中のボートの状態、準備状況、位置情報に 24 時間 365 日リアルタイムでアクセスできる IoT ソリューションを実現しました。

ボート所有者にリアルタイムの船舶データをシームレスかつ確実に提供するには、ハードウェア、ソフトウェア、接続性などの技術的統合が必要であり、これは IoT ソリューションに特に適した課題でした。このお客様の「コネクテッドボート」製品では、電気、機械、エンジンの各サブシステムのステータスを含む大量の異種データを報告します。このデータのなかには、インシデントや問題が発生してボート所有者が調査しなければならない場合にのみ、履歴的に重要になってくるものがあります。

BigQuery を使用すると、Leverege は低いストレージコストで履歴データの全容を記録できますが、テーブルパーティショニングを使用することで、オンデマンドでデータの小さなセグメントにアクセスする場合にのみ料金を支払うだけで済みます。

これらの各例では、BigQuery を使用した履歴分析により、課題の特定や業務効率の向上が期待できます。また、一般公開データセットと限定公開データセットの両方を使用できます。これは、自動車卸売業者が特定の車両のデータを公開することはできても、データセット全体を公開することはできない（つまり、API クエリは不可）ということです。同様に、ボートのエンジンメーカーが、異なるエンドユーザーにデータのサブセットを提供することも可能です。

Leverege IoT Stack リファレンスアーキテクチャ: コンポーネントを統合し、堅牢でスケーラブルかつ安全なソリューションを実現

Leverege IoT Stack は、Google Cloud のインフラストラクチャ上に構築され、堅牢でスケーラブルかつ安全なソリューションを提供するために連携する、いくつかのコアコンポーネントを利用しています。これらのコンポーネントは次のとおりです。

GKE: Leverege は GKE を使用して一連のマイクロサービスをデプロイし、エンドツーエンドの IoT ソリューションを簡単にスケーリングしています。これらのマイクロサービスは、デバイス管理、データの取り込み、リアルタイムのデータ処理などのタスクを処理します。さらに、GKE により、高度なビジネス継続性を確保し、自己修復とフォールトトレランスを実現することで、Leverege はエンタープライズレベルの可用性と稼働時間を提供できます。これらの機能は、Leverege がサービスレベル契約で指定された要件を満たすために不可欠なものです。
Pub/Sub: Leverege は、Pub/Sub を使用してデータ取り込みのためのメッセージのルーティングをオーケストレートし、お客様がほぼリアルタイムでデータを処理できるようにしています。これにより、高度に自動スケール可能でフォールトトレラントなメッセージキューイングシステムを実現しています。
Firebase: Leverege はリアルタイムデータと UI ホスティングに Firebase を使用し、応答性に優れたインタラクティブなユーザーエクスペリエンスをお客様に提供しています。Firebase を利用することで、お客様は IoT データに簡単にアクセスして可視化し、最小限の労力でアプリケーションを構築、スケーリングできます。

BigQuery: BigQuery が Leverege ソリューションの根幹となります。これにより、お客様は長期間のデータ保存や、SQL のような複雑な履歴クエリを実行できます。これらのクエリは大量のデータに対してリアルタイムで実行でき、業務効率の向上に役立つ実用的な分析情報をお客様に提供します。

ソリューション: BigQuery の主要機能を IoT ユースケースに活用

多くのテクノロジー企業が、ビジネスクリティカルな成果を実現するために BigQuery の特定の機能を幅広く活用しています。1 秒未満のレイテンシを要求するものや、適応性の高い ML モデルを必要とするものなど、そのユースケースはさまざまです。一方、企業における IoT のユースケースは、通常幅広い要件が含まれるため、BigQuery の主要機能をフルに活用することが求められます。たとえば、Leverege は次のような一連の BigQuery 機能を使用しています。

データストレージ: BigQuery は無制限のストレージプラットフォームとして機能し、Leverege のお客様はリアルタイムデータや履歴データを含む大規模な IoT データを高可用性のもとに保存、管理できます。Leverege の統合デバイスによっては、1 日に何千回も報告できます。数百万ものデバイス規模で、Leverege のお客様はスケーラブルなデータウェアハウスを必要としているのです。
リアルタイムストリーミング: BigQuery は十分なストリーミング機能も備えており、Leverege IoT Stack は大量のデータをほぼリアルタイムで取り込んで処理できます。この機能は、履歴データを使用してすぐに利用できるチャートやグラフを提供する Leverage Build のコンポーネントにとって非常に重要です。これらのツールは、リアルタイムのデータを統合して利用することで、より価値を発揮します。ストリーミング機能により、お客様は Google Firebase を検索しなくても、簡単に全範囲のデータにアクセスできます。
データパーティショニング: BigQuery は、カスタマイズ可能なデータパーティショニングにより、費用対効果の高い高速クエリを実現します。Leverege IoT Stack では、ほぼすべての履歴テーブルを取り込み時間ごとに分割します。ほとんどの内部履歴クエリは時間ベースであるため、大幅な費用削減につながります。
データ暗号化: BigQuery にはデフォルトで保存データの暗号化が組み込まれており、お客様は機密データを安全に保管して不正なアクセスから保護できます。
アクセス制御: BigQuery は、多数の安全なデータ共有機能を提供します。Leverege は、リンクされたデータセットと行レベルのポリシーを備えた承認済みビューを使用して、厳密なアクセス制御を実施しています。多くの IoT プロジェクトではマルチテナンシーとデータのサイロ化が許容されているため、これらのポリシーは非常に重要です。
データガバナンス: BigQuery は、堅牢なデータガバナンスとセキュリティ機能を提供しています。これにはきめ細かいアクセス制御が含まれており、その機能を利用して Leverege は行レベルにまで複雑なアクセス制御ポリシーを適用しています。

BigQuery の主要機能に加えて、Leverege は BigQuery Analytics Hub の限定公開データエクスチェンジを使用しており、データセットの承認済みビューは従来の方法（CSV エクスポートや FTP ドロップなど）に比べて明確な利点を提供します。Leverege の BigQuery データセットに対する承認済みビューでは、複雑なアクセスポリシーを適用できます。また、Leverege のお客様は Looker などのツールを使用してデータを分析することもできます。これらの BigQuery の機能を使用することで、Leverege は、直接アクセスではなく、ソースデータへの制御された従量制のアクセスをお客様に提供できます。この機能は、企業全体のガバナンス要件を満たすために不可欠です。

また、BigQuery に組み込まれた機械学習機能により、データ内の傾向やパターンの高度な分析と予測が可能になり、データを外部システムに移動することなく、価値ある分析情報をお客様に提供できます。さらに、BigQuery では自動データ更新やマテリアライズドビューを設定でき、パフォーマンスの向上と無駄な費用の削減が可能です。これにより、お客様は常に最新かつ正確なデータを使用できます。

メリットと成果

Google Cloud インフラストラクチャと BigQuery の機能により、Levere は高度にスケーラブルな IoT スタックを提供できます。IoT の主な課題は、小規模なソリューションをデプロイするのではなく、大規模でパフォーマンス性の高いソリューションやアプリケーションを、再構築することなく短期間でスケーリングしてデプロイ、管理することです。

BigQuery テーブルのパーティショニングは、データを任意の期間で分けられたミニテーブルに分割します。多くの Leverage のお客様では、データが日ごとに分割され、Leverege IoT Stack を介してデータをクエリする場合に適用されます。データテーブルの期間別のパーティショニングにより、クエリを対象の期間内に収まる小さなデータのサブセットに限定できます。パーティショニングを使用することで、Leverege は最小限の費用でパフォーマンスの高いソリューションを実現できます。

BigQuery のクラスタリングでは、データを指定されたフィールドに分割することで、さらにパフォーマンスを向上させることが可能です。クエリをより効率的にするために、Leverege はクラスタリングを使用して、事前に指定されたフィルタ条件を満たすデータに対してクエリを行います。10 万台のデバイスを扱う大規模ソリューションでは、Leverege はデータテーブルをクラスタリングして、単一のデバイスの履歴に対してクエリを実行することで検索を大幅に高速化し、システムパフォーマンスの大幅な向上を実現できます。さらに、再クラスタリングはバックグラウンドでシームレスに行われ、追加費用は発生しません。

Leverege IoT Stack と BigQuery を含む Google Cloud との統合により、現在、ビジネスに不可欠なエンタープライズ IoT ソリューションが大規模に強化されています。次世代の IoT ソリューションの実現には、インフラストラクチャとアプリケーションレベルでの継続的かつペースの速い開発が非常に重要になります。

Leverege の機能に関する詳細やデモのリクエストについては、こちらをクリックしてください。

ISV にとっての Built with BigQuery のメリット

Google は、Google Data Cloud Summit の一環として、4 月にリリースした Built with BigQuery のイニシアチブを通じて、Leverege のようなテック企業が Google のデータクラウド上で革新的なアプリケーションを構築できるよう、テクノロジーへのシンプルなアクセス、役に立つ専任のエンジニアリングサポート、共同市場開拓プログラムなどを提供しています。参加企業には以下のメリットがあります。

Google が資金提供した事前構成済みのサンドボックスを使って、すぐに構築に着手できます。
ISV センターオブエクセレンスの専任エキスパートから、重要なユースケース、アーキテクチャパターン、ベストプラクティスについてのインサイトを得て、プロダクトの設計とアーキテクチャを加速できます。
共同マーケティングプログラムを利用して、認知度の向上、需要の創出、導入の拡大を図り、より大きな成功を実現できます。

BigQuery は、Google Cloud のオープンかつ安全でサステナブルなプラットフォームに統合された、パワフルでスケーラビリティの高いデータウェアハウスのメリットを ISV に提供します。Google が提供する巨大なパートナーエコシステムと、マルチクラウド、オープンソースツール、API のサポートを利用すれば、テクノロジー企業は、データロックインを回避するために必要な移植性と拡張性を得ることができます。

Built with BigQuery の詳細については、こちらをクリックしてご確認ください。

^{このブログ投稿を共同で執筆してくれた Google Cloud と Leverege のチームメンバーに感謝します（Leverege: DevOps 責任者 Tony Lioon 氏、Google: ソリューションアーキテクト Sujit Khasnis、トランスフォーメーションテクニカルリード Adnan Fida）}

- Google、クラウドパートナーエンジニアリング担当ディレクター、Ali Arsanjani 博士

- Leverege、ビジネス開発担当シニアバイスプレジデント、Justin Mikolay 氏

Google Cloud が Catena-X に参加し、自動車業界におけるデータ主権エコシステムの構築を支援

Tue, 14 Feb 2023 03:40:00 +0000

※この投稿は米国時間 2023 年 2 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

自動車業界は長年にわたり、デジタル設計やデジタル現場などのさまざまな分野で自動化とデジタル化の最前線に立ってきました。それと並行して、自動車メーカーはバリューチェーンのサプライヤーに重点を置き、エコシステム内で広範なパートナーシップを展開しています。

バリューチェーン全体でパートナーが互いに連携し合う方法をデジタル化および自動化したこと、そしてデジタル主権とオープン標準に基づく先進的なデータ交換方法を確立したことは、自動車業界が遂げた明らかな進化です。そして、この先進的な取り組みの推進力となっているのが Catena-X です。

Catena-X は、自動車産業の中核的ビジネスプロセスに対応するエンドツーエンドのデータチェーンを実現するため、信頼性が高く連携的、かつオープンで安全なデータエコシステムを構築しています。原材料サプライヤーから相手先ブランド製品製造企業（OEM）、廃棄物処理パートナー（リサイクル業者など）に至るまでの自動車業界のバリューチェーン全体が、今回初めてソフトウェアプロバイダやソリューションプロバイダとグローバルに協力し、共有サービスエコシステムの構築に取り組んでいます。

この独自のデータスペースでは、すべてのパートナーが自社データの主権を管理し、オープンで相互運用可能なソリューションポートフォリオを介してそれぞれの市場参加者と協力できます。その結果、原材料の調達先や CO2 フットプリントなどがより可視化されて、パートナー企業がバリューチェーンを脱炭素化する機会が生まれ、復元力と柔軟性に優れたバリューチェーンを実現することができます。オープンソースに基づくこのデータスペースは、オープンイノベーションと共同アプローチを醸成する独自の環境を業界全体に提供します。

Google Cloud は、自動車業界の安全な企業間データ流通を可能にするアライアンス、Catena-X Automotive Network に参加して、最高水準の安全なデータ主権管理、データ分析、高度な AI テクノロジーのネイティブ統合、オープンソースへの取り組みをコミュニティにもたらしています。これらはすべて、Catena-X がその使命を達成するうえで役立ち、自動車業界の参加企業がデータドリブン型ビジネスになるための後押しとなります。

Catena-X Automotive Network の取締役会長である Oliver Ganser 氏は次のように述べています。「Google Cloud が Catena-X の一員になったことで、世界的な採用が進み、オープンソースに基づくデータスペースを共同で構築する能力が強化されると期待しています。」

Google Cloud によって可能になることの例:

エンドツーエンドの自動車サプライチェーン: Google Cloud テクノロジーにより、企業は限定公開データ、コミュニティデータ、公開データのデータソースを接続して結合し、需要管理と容量管理を向上させることができます。その結果、リアルタイムの分析情報が向上し、結果が改善され、効率が大幅に高まり、リスクの予測と軽減、および費用の削減が実現します。これによって、企業はサプライチェーンをデジタル化し、より持続可能なエンドツーエンドのサプライチェーンを運用する機能を構築することもできます。
デジタル主権: 2021 年 9 月に Google Cloud は、最高水準のデジタル主権を実現するクラウドサービス提供のための取り組み「Cloud On Europe’s Terms」を発表しました。データ主権は、Catena-X だけでなく、Gaia-X 向けの安全な連携型データスペースを初めて実際に実装した IDSA においても重要な設計基準です。Google Cloud は、データ主権に関連した独自の機能を提供するだけでなく、運用主権とソフトウェア主権を強化するオプションも進化させ続けており、ドイツの T-Systems やフランスの S3NS など、信頼できるローカルプロバイダと提携してこれらの機能を市場に投入しています。
Eclipse データスペースコネクタ（EDC）: Catena-X が業界全体でパートナーをつなぐことに成功した主な要因は、データスペースコネクタの存在です。Google Cloud は、International Data Spaces Association（IDSA）のメンバーとして、オープンソースデータスペースコネクタに積極的に貢献しています。
組み込まれたサステナビリティ: Google Cloud は、業界有数のクリーンなクラウドを提供しており、2017 年以来、事業活動で使用する電力を 100% 再生可能エネルギーで調達しています（カーボンクレジットによるオフセットだけでなく、実際の電力使用による排出量も削減）。また、お客様がデータ分析と AI テクノロジーを活用してデータの課題を解決できるようにすることで、バリューチェーンでの二酸化炭素排出量を最小限に抑えるという、Catena-X の主要な優先事項とユースケースに即した取り組みも進めています。

Google のエンジニアリング担当バイスプレジデントであり、Google Cloud のセキュリティおよび主権担当リージョナル CTO でもある Wieland Holfelder 博士は、次のように述べています。「Catena-X は、データ、プライバシー、主権をエコシステムの中心に据えることで、貢献者がデータから最大の価値を引き出せるようにしています。データはすでに存在しても常にアクセスできるとは限らないことが多いため、ビジネス上の成果を向上させるためにすぐに使用できるわけではありません。」

Google Cloud は、自動車業界の信頼できるパートナーとして、最新のデータプロダクトを「デジタルスレッド」全体で安全かつシームレスに共有できるオープンデータエコシステムを構築し、運用しています。このエンドツーエンドのデータ統合により、サイロを解消し、データ民主化戦略を実行することが可能になります。Catena-X は、パートナーエコシステムを通じて各企業が利用できるデータのプールを拡大し、データドリブン型バリューチェーンの独自の実装を生み出しています。

- Google Cloud、ドイツ自動車担当責任者 Gerhard Keller
- Google Cloud、自動車業界向けソリューショングローバル担当ディレクター Matthias Breunig

AI でメーカーのアセットの利用率と生産の稼働時間を向上させる

Wed, 07 Dec 2022 05:10:00 +0000

※この投稿は米国時間 2022 年 11 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

現在、競争力を強化して、持続可能な成長と新しいサービスの提供を図るメーカーは、革新的な技術に賭けて、工場のデジタル化に向けて取り組んでいます。エネルギーコストの高騰、人件費の増加、原材料の不足といったマクロ経済的要因により、オペレーションの最適化と自動化について早急に対応する必要性に迫られています。

クラウドの機能が加速度的に成熟したおかげで、メーカーには前述の目標を達成するための実用的な手段が提供されるようになりました。メーカーは、予測メンテナンス、異常検出、アセット利用率の管理などの実用的なユースケースに AI と機械学習（ML）を導入するための新しい方法を見出しています。しかし、データアクセシビリティ、インフラストラクチャ、テクノロジーに関する課題によって、メーカーの大規模な AI 採用が困難になっています。

Google Cloud は専用のツールとソリューションを作成することで、製造データを整理し、そのアクセス性と有用性を高めました。また、価値創出までの時間を短縮して、メーカーが重要な手段をすばやく講じることができるようにしました。今回の投稿では、メーカーが Google Cloud の製造ソリューションを使用して、ML 対応機能のトレーニング、デプロイ、その価値の抽出を行い、アセットの利用率とメンテナンスの必要性を予測する方法について実例をご紹介します。

機械学習による分析情報の取得はアクセス可能なデータから始まる

機械学習プロジェクトを成功させる最初のステップは、必要なデータを共通のリポジトリに統合することです。このために、Google Cloud は Litmus Automation と共同開発した工場向けエッジプラットフォームである Manufacturing Connectを使用して、製造アセットに接続し、アセットテレメトリーを Pub/Sub にストリーミングします。

テレメトリーメッセージが Pub/Sub にパブリッシュされると、Dataflow は構造に基づいて各メッセージを特定し、Manufacturing Data Engine で事前構成された、対応する正規化と変換を適用します。処理されたメッセージはユーザー構成に基づいて Cloud Storage や BigQuery、Cloud BigTable にルーティングされます。

図 1. Manufacturing Data Engine を使用した機械学習のアーキテクチャ概要図

機械学習モデルをトレーニングするために、メーカーは Vertex AI AutoML を使用して、Manufacturing Data Engine に保存されているトレーニングデータに基づいてノーコードモデルを構築できます。

次に、ユーザーは Vertex AI でバッチ予測ジョブをトリガーするか、AutoML モデルをエクスポートして Manufacturing Connect のエッジコンポーネントでモデルを実行し、リアルタイム予測を行うことができます。モデルのデプロイ方法を問わず、予測と説明の結果は Manufacturing Data Engine に取り込まれ、Looker で分析、可視化できます。

アセットの状態を分類するための構成

次に示すシナリオは、架空の会社 Cymbal Materials に基づいたものです。この会社は、実在しないディスクリート製造企業で、10 か国以上で 50 を超える工場を運営しています。Cymbal Materials の製造プロセスのうち、90% はフライス加工を伴います。この処理は産業用コンピュータ数値制御（CNC）のフライス盤を使用して行われます。工場では定期的な保守チェックリストを実施していますが、想定外の不明な障害が時折発生します。一方、Cymbal Materials の工場労働者の多くは、工場内の人手不足や離職率の高さにより、障害を特定してトラブルシューティングする経験が欠如しています。そのため、Cymbal Materials は Google Cloud と連携し、Manufacturing Connect、Manufacturing Data Engine、Vertex AI を利用して、障害を特定し分析できる機械学習モデルを構築しています。

試験運用のために、Cymbal Materials は製造エンジニアとデータサイエンティストからなるチームを結成し、工具摩耗検出の問題を解決する実現可能性を評価します。コンプライアンスの問題を回避するため、Cymbal Materials チームは、Kaggle でホストされている工具摩耗検出の公開データセットを最初に利用することにしました。このデータセットは、CNC フライス盤で 2 インチ × 2 インチ × 1.5 インチのワックスブロックの加工テストを実施して収集したものです。また、4 基のモーター（X、Y、Z 軸およびスピンドル）からの測定値と、CNC フライス盤のプログラム値が含まれ、Cymbal Materials が CNC フライス盤向けに収集したデータにうまく対応しています。

図 2. Manufacturing Data Engine を使用した機械学習のアーキテクチャ図

まず、Cymbal Materials のデータサイエンティストは、Kaggle から工具摩耗検出データセットをダウンロードし、Cloud Storage にアップロードします。次に、Vertex AI を使用して以下を行います。

Vertex AI Workbench を使用して探索的データ分析を実施する
Vertex AI AutoML を使用して機械学習モデルをトレーニングする
機械学習モデルをデプロイしてバッチ予測を実施し、エッジデプロイ用に AutoML モデルをエクスポートする

Vertex Explainable AI を使用して予測を解釈する

図 3. Vertex AI AutoML モデルのパフォーマンス

AutoML 表形式モデルの優れたパフォーマンスを確認した後、Cymbal Materials のデータサイエンティストは、AutoML モデルを使用して工場にある実際の CNC フライス盤テレメトリーで予測し、AutoML モデルの一般化可能性を検証することにしました。そこで、Cymbal Materials の 1 つの工場に Manufacturing Connect をデプロイし、1 台の CNC フライス盤のテレメトリーを Manufacturing Data Engine にストリーミングするように製造エンジニアに依頼します。

Manufacturing Connect には、250 以上の通信プロトコルの豊富なライブラリを介して製造アセットからデータを収集できるエッジコンポーネントが含まれています。Manufacturing Connect のエッジコンポーネントには組み込みの Node-RED と Docker ランタイムが付属し、これらはエッジでのカスタムワークフローと機械学習モデルの実行をサポートしています。

Manufacturing Connect は定義済みの階層を使用して、アセットのテレメトリーと状態を Pub/Sub に push します。

図 4. Manufacturing Connect のユーザーインターフェース

工場のオペレーションデータが Pub/Sub に取り込まれたら、Cymbal Materials は Manufacturing Data Engine を使用して以下を行います。

変化が緩やかなメタデータを使用してリアルタイムのオペレーションデータを正規化、変換、コンテキスト化する
過去のオペレーションデータと予測結果を一括で取り込む
Cloud Storage や BigQuery、Cloud BigTable にデータを動的にルーティングする

図 5. Manufacturing Connect での Manufacturing Data Engine の構成

データサイエンティストは、トレーニング済みの AutoML 表形式モデルと CNC フライス盤のリアルタイムテレメトリーを使用して、BigQuery で CNC フライス盤テレメトリーのバッチ予測ジョブをトリガーします。Cloud Storage に予測結果を出力するようにバッチ予測を構成して、バッチ予測ジョブの完了後に Manufacturing Data Engine で予測結果を一括で取り込めるようにします。

予測結果を利用するために、Cymbal Materials の製造エンジニアは Looker を使用してビジュアライゼーションを作成します。ここでは、ダッシュボードを使用して以下を行うことができます。

CNC フライス盤の実際および予測の工具状態を時系列に可視化する
関連付けられる上位の特徴を要約して予測結果を説明する
アセットの予測された工具状態に基づいてアラートを作成する
サプライヤーに連絡するか、アセットのメンテナンスをスケジュールして、対処する

図 6. Looker ダッシュボードに表示される CNC フライス盤の摩耗予測

エッジからクラウドまで、メーカーの生産効率を向上させる

工場のデジタル化による価値創出の取り組み全体を支援するため、メーカーは単純なビジュアリゼーションから予測 ML モデルまでの機能を求めています。ここで取り上げたような堅牢なソリューションを導入することは、エンジニアが工場のデータから分析情報を引き出すための近道になります。

製造データ向けの共通データリポジトリ、業界をリードする機械学習プラットフォーム、汎用性の高いダッシュボードコンポーネントがあれば、メーカーのデジタルトランスフォーメーションを加速させることができます。

このソリューションは、産業環境において Google Cloud のデータ分析と人工知能の機能を最大限に引き出します。Manufacturing Connect は産業機械と Manufacturing Data Engine の間のリンクを作成します。Manufacturing Data Engine は、製造データが処理、正規化、コンテキスト化され、すぐに使用可能な形式で保存されるクラウドプラットフォームです。Vertex AI では Manufacturing Data Engine に保存されたデータを使用して、機械学習モデルを構築、デプロイ、スケーリングできます。Vertex AI には、ノーコードでモデルをトレーニングする AutoML や、コードファーストでカスタムモデルをトレーニングする Workbench が含まれています。

変化する顧客の期待に応えるためのメーカーの変革に Google Cloud がどのように役立つかについては、Google Cloud Next のメーカー向けプレイリストをご覧ください。

次のステップ

- Google Cloud、Cloud メーカー向けソリューション担当業界ソリューションアーキテクト Ka Wo Fong
- Google Cloud、製造、工業、輸送担当グローバルテクニカルディレクター Charlie Sheridan

自動運転の実現に求められる、大規模な ML ワークフローを Dataflow ML で実行する方法

Wed, 30 Nov 2022 05:30:00 +0000

※この投稿は米国時間 2022 年 11 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。

自動運転技術の開発は、量とデータ形式、どちらの観点から見てもデータとの闘いと言えるでしょう。そのデータには、LIDAR から取得したポイントクラウド 3D データ、複数のカメラから取得した動画データ、GPS の位置情報、ミリ波レーダー、ステアリング、各種センサー情報が含まれます。しかし忙しい都会といえども、役立つ情報が含まれているのは元データの 1% 未満であるため、情報をフィルタリングして解釈し、それらを組み合わせて一貫した方法で使用するには、かなりの労力が必要となります。こうしたデータクレンジング作業をすべて回避する方法の一つとして、3D 仮想空間でのシミュレーションの実行が挙げられます。これにより、データを生成して多くのパターンを大規模に検証できますが、実世界での動きと照らし合わせるためには、今後も実走行から得られる元データが不可欠です。しかし、このようなデータの調査は容易ではありません。エンジニアにとって、データを徹底的に精査し、対象となる特定の場面を切り出すというのは大きな課題です。信号が青で、一定数の歩行者がいる場面を探し出そうとしているところを想像してみてください。まるで、山積みの DVD の中から特定のミーム 1 つを見つけ出すようなものです。

このブログでは、自動運転開発において、画像のデータセットを使って対象の場面を探し出すために Dataflow ML をどのように活用できるかについて説明します。

検出されたオブジェクトの種類と位置のマッピング

Dataflow ML とは

Google Cloud Dataflow は、フルマネージドデータ処理サービスであり、ユーザーは大規模なデータに対するバッチやストリーミングパイプラインを、費用対効果の高い、高速かつスケーラブルな方法で実行できます。開発者は、このような大規模なデータ処理の動きを簡素化するオープンソースの統合型プログラミングモデルの Apache Beam を使用して、パイプラインを記述できます。パイプラインは汎用的な変換で表され、ソースやシンクからの読み取りと書き込みに加え、マッピング、ウィンドウ処理、グループ化といったデータ操作など、さまざまな操作を実行できます。

Dataflow ML のリリースブログで説明したように、人工知能や機械学習機能を運用化にする企業が増えています。私たちはすべての開発者に ML / AI のユースケースを拡大したいと考え、その結果、RunInference という新しい Beam 変換を開発しました。

RunInference を使用すると、開発者は本番環境パイプラインで使用できる事前トレーニング済みモデルをプラグインできます。この API は、Beam のコアプリミティブを使ってモデルの使用を本番環境に対応させる作業を行うため、ユーザーはモデルのトレーニングや特徴量エンジニアリングなどのモデルの研究開発に集中できます。GPU のサポートなどの Dataflow の既存機能と組み合わせることで、ユーザーは前処理と後処理を実行する複雑なワークフローグラフを自由に作成したり、マルチモデルパイプラインを構築したりできます。

メタデータを抽出するためのシンプルな ML パイプラインの構築

では、自動運転に必要な大量のデータを処理するために、Dataflow ML パイプラインを実行してみましょう。このワークフローを再現したい場合は、こちらのデモコードを使用してください。オープンソースのデータセットを使用しているため、大量のデータを扱うことはありません。Dataflow はデータ量に応じて（具体的にはスループットにより）自動的にスケールするので、データが 10 倍または 1,000 倍に増えてもパイプラインの変更は不要です。また、Dataflow はバッチジョブとストリーミングジョブの両方をサポートしています。このデモでは、バッチジョブを実行して、保存された画像を処理します。では、走行中の車両からアップロードされる各画像をほぼリアルタイムで処理したい場合は、どうすればよいでしょうか。Pub/Sub などの最初の変換を変更することで、パイプラインをバッチからストリーミングに簡単に変換できます。

パイプラインの形状は、以下の画像のようになります。まず、BigQuery から画像のパスを読み込み、Google Cloud Storage からその画像を読み込んで、各画像に対して推論を行ってから、その結果を BigQuery に保存します。

パイプラインが各画像に対して推論を行い、その結果が BigQuery に保存されます

Dataflow では、パイプラインにおいて Java、Python、または両方の組み合わせ（Beam の言語間変換を使用）を選択できます。デモコードは、最初にイメージをビルドし、次にそれを Dataflow 環境にデプロイします。この方法は複雑に見えるかもしれませんが、実行環境の違いをなくすために重要です。

ML ワークロードを容易に処理

RunInference を使用

RunInference を使用した Beam パイプラインの記述は、以下のようになります。

code_block: <ListValue: [StructValue([('code', "from apache_beam.ml.inference.base import RunInference\r\nwith pipeline as p:\r\n predictions = ( p | 'Read' >> beam.ReadFromSource('a_source')\r\n | 'RunInference' >> RunInference(<model_handler>))"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39d07f7430>)])]>

データは、Beam の I/O 変換のいずれかを使用してソースから読み取られます。そのデータは次に RunInference 変換に渡され、ここで ModelHandler オブジェクトがパラメータとして取り込まれます。この ModelHandler オブジェクトは、使用される基盤となるモデルをラップするものです。

インポートする ModelHandler は、フレームワークと、入力を含むデータ構造の種類によって異なります。たとえば、Scikit-learn モデルを使用していて、入力データが numpy 配列であれば、SklearnModelHandlerNumpy を使う必要があります。PyTorch テンソルの場合は、PytorchModelHandlerTensor を使用してください。

code_block: <ListValue: [StructValue([('code', 'from apache_beam.ml.inference.sklearn_inference import SklearnModelHandlerNumpy\r\nfrom apache_beam.ml.inference.pytorch_inference import PytorchModelHandlerTensor'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39d07f7ac0>)])]>

ModelHandler では、Scikit-learn に対しては pickle 化モデルへのパス、PyTorch モデルに対してはモデルの重みとして知られる state_dict など、他にもいくつかのパラメータを必要とする場合があります。詳しくは、事前トレーニング済みモデルの読み込み方法のドキュメントをご確認ください。

RunInference でのバッチ処理

このデモパイプラインのコードが示すように、ModelHandler の batch_elements_kwargs 関数を設定しました。これにはどのような意味があるでしょう。RunInference では、BatchElements 変換による動的バッチ処理が行われ、ダウンストリームのオペレーションにかかる時間をプロファイリングすることで、平均化された処理の要素をバッチ処理します。ただし、API は異なる形の要素をバッチ処理できないため、変換に渡されるサンプルは同じディメンションまたは長さでなければなりません。

BatchElements 変換は、PyTorchRunInference 変換のグラフビューで確認できます

バッチサイズは、実行時に 1〜10,000 のデフォルトの範囲で調整される場合があります。ModelHandler の batch_elements_kwargs 関数をオーバーライドして、バッチの最大サイズ（max_batch_size）と最小サイズ（min_batch_size）を必要な値に設定することで、バッチ処理の動作を変更できます。

code_block: <ListValue: [StructValue([('code', "class PytorchNoBatchModelHandler(PytorchModelHandlerKeyedTensor):\r\n def batch_elements_kwargs(self):\r\n return {'min_batch_size':10, 'max_batch_size':10}"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39d07f7940>)])]>

RunInference でのバッチ処理について詳しくは、テンソル要素のバッチ処理ができない場合のトラブルシューティングについて説明したセクションをご覧ください。batch_elements_kwargs をオーバーライドする別の例については、言語モデリングの例をご参照ください。

次のステップ

ここでは、特定の条件下で画像を検索するために、Dataflow ML でオブジェクト検出モデルを実行しました。オブジェクト検出は、モデルが学習したクラスしか検出できないため、より柔軟に場面を探索したい場合は、特徴抽出モデルを使用して Vertex AI Matching Engine のインデックスを作成します。Vertex AI Matching Engine は、50 パーセンタイルのレイテインシ（最低 5 ミリ秒）で同様の特徴を持つデータを検索できます。

また、データセットに緯度と経度の情報が含まれている場合、BigQuery GIS と、Looker などの BI ツールを組み合わせて、データ分析を加速させることも可能です。

Looker Studio に構築された、検出された各オブジェクトの位置情報のヒートマップ

Dataflow についての詳細は、以下のリンクよりご覧ください。

追加資料

Apache Beam のウェブサイトで、RunInference Beam 変換について詳しくご紹介しています。
Beam Summit 2022 での RunInference の解説については、こちらの動画をご覧ください。
パイプラインで TensorFlow モデルを使用する方法については、こちらのブログ投稿をご覧ください。
RunInference を使用してオブジェクト検出や言語モデリングなどのタスクを実行するパイプラインの例をご覧ください。

- Dataflow ML ソフトウェアエンジニア Andy Ye
- 自動車業界担当カスタマーエンジニア Hayato Yoshikawa

トヨタと Google Cloud が提携し、AI を活用した音声サービスをトヨタと LEXUS の車両に提供

Fri, 14 Oct 2022 00:00:00 +0000

※この投稿は米国時間 2022 年 10 月 11 日に、米国トヨタと Google Cloud により発表された Google Cloud Press Release の抄訳です。

Google Cloud の新製品 Speech On-Device は、インターネット接続不要の組み込みデバイスで AI 駆動の音声サービスを実現

トヨタ、次世代マルチメディアシステムで車載用音声認識システムの Speech On-Device を活用

トヨタと Google Cloud は本日、トヨタと LEXUS の次世代オーディオマルチメディアシステムと Google Cloud の AI ベースの音声サービスを連携させるパートナーシップの拡大を発表しました。これにより、2023 年モデルのトヨタカローラシリーズ、タンドラ、セコイア、LEXUS NX、LEXUS RX、および EV モデルの LEXUS RZ など、最新世代のトヨタオーディオマルチメディアおよび LEXUS インターフェースインフォテインメントシステムで本パートナーシップの成果を体験いただけます。

日常生活における音声アシスタントの普及に伴い、正確で一貫性のある音声によるインタラクションへの消費者の期待が高まっています。¹自然言語処理は非常に複雑で、専用のコンピューターが必要なため、高品質の音声結果を提供するために不可欠な機械学習機能は、これまでクラウドへの接続に依存していました。

トヨタの最新世代の Automotive Grade Linux（AGL）ベースのオーディオマルチメディアおよび LEXUS インターフェイスインフォテインメントシステムを搭載した車両は、すでに Google Cloud の Speech-to-Text サービスを活用して、車載クエリの自動音声認識を正確に実行しています。Google Cloud のテクノロジーを活用するトヨタの音声アシスタントは、2018 年に Toyota Motor North America Connected Technologies と Toyota Connected 組織によって共同開発されました。今回のパートナーシップは、最新のトヨタと LEXUS のインフォテインメントシステムでもたらされた AI と機械学習のイノベーションを裏付けるものです。

本日発表したパートナーシップの強みは、トヨタの次世代システムにおける自然音声機能にインターネット接続が不要となる点です。

未来のイノベーションをともに推進

トヨタと Google Cloud のコラボレーションを強化する本パートナーシップは、インターネット接続の有無にかかわらず、今後提供されるトヨタおよび LEXUS 車に、クラウド上で利用できる強力なAIベースの音声認識・合成機能を組み込みデバイスに搭載可能な Google Cloud の新たな AI 製品である「Speech On-Device」を追加して、将来のイノベーションを促進することを目指しています。

車載システム向けのSpeech On-Device により、インターネット接続を必要とせずに車両のマルチメディアシステムプロセッサが音声要求を直接処理し、一部の車両での音声クエリの実行が可能になります。現在、音声によるインタラクションはクラウドではなくローカルで行われるため、ドライバーは音声コマンドに影響を与えるトンネルや電波の届かない場所について懸念する必要はありません。

Toyota Motor North America のコネクテッドテクノロジー担当グループバイスプレジデントであり、TOYOTA Connected North America の CEO 兼社長である Steve Basra 氏は、次のように述べています。「本日の発表は、トヨタとGoogle Cloud が長年にわたる提携のもと、互いに技術を高めることで得られた成果です。車載音声 AI の開発における次の段階について発表し、スピードや使いやすさなど、トヨタと LEXUS のドライバーにさらに多くのメリットをもたらすことができることを嬉しく思います。」

Google Cloud の Speech On-Device テクノロジー

Speech On-Device は、Google Assistant と Google Pixel のイノベーションに基づいて構築されており、クラウドでホストされているものと同等の品質を持つフル機能の音声モデルを、わずかなモデルのサイズとコンピューティング要件で、エッジの小型デバイス上でローカルに実行できるようにします。この新製品により、Google Cloud のお客様はインターネット非接続環境でも高品質の音声サービスを利用できるようになり、車からテレビ、さらには売店など、さまざまな新たなユースケース創出の可能性をもたらします。

Google Cloud グローバルストラテジックカスタマー & インダストリー担当バイスプレジデントである Umesh Vemuri は次のように述べています。「トヨタと緊密に連携し、車載デバイスの要件と機能を理解することで、サーバー並みの品質を提供しながら、わずかな処理能力でドライバーに最高の体験を約束することができました。」

トヨタのネイティブプラットフォーム上で開発中の次世代マルチメディアシステムにおいて、車載型の Speech On-Device は、次世代のトヨタ音声アシスタントシステムのコンポーネントとして使用されます。これらのテクノロジーを組み合わせることで、インターネット接続を必要とせず、車両のマルチメディアシステムプロセッサが音声リクエストを直接処理し、一部の車両で音声クエリを実行できるようになります。

Speech On-Device は、Google Cloud をご利用の一部のお客様を対象に提供しています。価格と提供時期については、営業担当者にお問い合わせください。

その他のリソース

最新の Google Cloud に関するニュースは、ブログをご覧ください。
今回のパートナーシップと Speech On-Device の詳細は、Gooogle Cloud Next '22 のトヨタのセッションをご覧ください。

^{トヨタについて}

^{トヨタ (NYSE:TM) は、60 年以上にわたって米国の文化的基盤の一部となっており、トヨタと LEXUS のブランド、および約 1,500 店の販売店を通じて、持続可能な次世代モビリティの推進に取り組んでいます。トヨタは米国で 39,000 人以上の従業員を直接雇用し、9 つの製造工場で約 3,200 万台の乗用車とトラックの設計、エンジニアリング、組み立てを行っています。2025 年までに、ノースカロライナ州にあるトヨタの第 10 工場で、電気自動車用の自動車用バッテリーの製造を開始予定です。他のどの自動車メーカーよりも多くの電気自動車が走行中で、同社の 2021 年の米国における販売台数の 4 分の 1 が電気自動車でした。}

^{トヨタは、モビリティを含む STEM ベースの分野でのキャリアを目指す次世代を鼓舞するため、没入型体験を提供し、米国の製造施設の多くを仮想訪問できるバーチャル教育ハブを www.TourToyota.com 内に開設しました。このハブには、Toyota USA Foundation パートナーによる無料の STEM ベースのレッスンとカリキュラム、バーチャルなフィールドトリップなども含まれます。トヨタの詳細については、 www.ToyotaNewsroom.com をご覧ください。}

^{Toyota Connected, Inc.について}

^{テキサス州プラノに本拠地を置く TOYOTA Connected North America (TCNA) は、インテリジェントなモバイル社会に向けたトヨタのグローバルな取り組みを推進するため、2016 年に設立されました。 Toyota Connected は、車両から収集されたビッグデータをクラウドプラットフォームで分析することで、安全でシームレスな状況に応じたサービスを顧客に提供し、ディーラー、販売店、パートナーに利益をもたらしながら、顧客体験を向上させることで、人間らしい運転体験を提供します。 TCNA は、人間中心のモビリティに対するトヨタの信念と、個人のプライバシーに対する基本的な取り組みを中核に掲げています。}

^{*1 https://www.pwc.com/us/en/services/consulting/library/consumer-intelligence-series/voice-assistants.html SOURCE Google Cloud}

Cloud Run と Firestore を活用したモビリティダッシュボードの構築

Tue, 12 Jul 2022 00:00:00 +0000

※この投稿は米国時間 2022 年 6 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

膨大な量のデータを理解する鍵は可視化にあります。今日では、BigQuery や Looker により、ペタバイト規模のデータを分析し、洗練された方法で分析情報を抽出することが可能となっています。しかし、毎秒アクティブに変化するデータをモニタリングするにはどうしたら良いでしょうか？この投稿では、Cloud Run と Firestore を活用したリアルタイムダッシュボードの構築方法について説明します。

モビリティダッシュボード

リアルタイムな更新が必要なビジネスユースケースは数多く存在します。例として、小売店での在庫のモニタリング、セキュリティカメラ、ライドシェアなどの MaaS（Mobility as a Service）アプリケーションなどが挙げられます。MaaS ビジネスの分野では、車両の位置を把握することがビジネスの意思決定を行ううえで非常に役立ちます。この投稿では、地図上で車両をリアルタイムにモニタリングできるモビリティダッシュボードを構築していきます。

アーキテクチャ

クライアントサイドで設定を行うことなく、ウェブブラウザからこのダッシュボードにアクセスできる必要があります。Cloud Run が適している理由は、URL を生成でき、何百万人ものユーザーに対応できるスケーラビリティも当然備えているためです。まず、地理空間データをプロットできるアプリと、地理空間データの更新をブロードキャストできるデータベースを実装する必要があります。今回使用する機能とアーキテクチャは次のとおりです。

Cloud Run - ウェブアプリ（ダッシュボード）のホスティング
（streamlit - データを可視化してウェブアプリを構築するライブラリ）
（pydeck - 地理空間データをプロットするライブラリ）
Firestore - データの同期を維持するフルマネージドデータベース

以下の図は、このシステムの簡易的なアーキテクチャを示したものです。本番環境では、データの取り込みと変換パイプラインも実装しなければならない場合があります。

最終形態に進む前に、以下の手順を実行して各コンポーネントを理解しておきましょう。

ステップ 1: Cloud Run と streamlit でデータ可視化ウェブアプリを構築する

streamlit は、フロントエンド（HTML や JS など）の知識がなくても見栄えのよいデータ可視化アプリを作成できる OSS ウェブアプリフレームワークです。データ分析で pandas の DataFrame を使い慣れている場合、実装にそれほど時間はかからないでしょう。たとえば、次の数行のコードで DataFrame を簡単に可視化できます。

code_block: <ListValue: [StructValue([('code', "import streamlit as st\r\nchart_data = pd.DataFrame(\r\n np.random.randn(20, 3),\r\n columns=['a', 'b', 'c'])\r\nst.line_chart(chart_data)"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea0d0>)])]>

ウェブアプリ上のグラフ（ソース）

このアプリは Cloud Run 上で簡単に実行できます。streamlit を requirements.txt に追加して、一般的な python のウェブアプリイメージから Dockerfile を作成するだけです。Docker に慣れていない場合は、buildpacks を使用してこのジョブを実行できます。Dockerfile を作成する代わりに、次の 1 行のみで Procfile を作成できます。

code_block: <ListValue: [StructValue([('code', 'web: streamlit run app.py --server.port $PORT --server.enableCORS=false'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea1f0>)])]>

以上をまとめると、最低限必要なファイルは次のとおりです。

code_block: <ListValue: [StructValue([('code', '.\r\n|-- app.py\r\n|-- Procfile\r\n|-- requirements.txt'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea100>)])]>

デプロイも簡単です。以下のたった 1 つのコマンドで、このアプリを Cloud Run にデプロイできます。

code_block: <ListValue: [StructValue([('code', '$ gcloud run deploy mydashboard --source .'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea190>)])]>

このコマンドは、buildpacks と Cloud Build を使用してイメージを構築および作成するため、ローカルシステムにビルド環境を構築する必要はありません。デプロイが完了したら、生成された URL（例: https://xxx-[…].run.app）からウェブアプリにアクセスできます。この URL をウェブブラウザにコピーして貼り付けると、最初のダッシュボードウェブアプリが表示されます。

ステップ 2: Firestore データベース内の変更を受信するコールバック関数を追加する

ステップ 1 では、データを固定した条件で可視化したり、streamlit 上の UI 関数でインタラクティブに可視化したりできます。ステップ 2 では、このデータが自動で更新されるようにします。

Firestore はスケーラブルな NoSQL データベースであり、リアルタイムリスナーを通じてクライアントアプリ間のデータの同期を維持します。Android と iOS で使用でき、主要なプログラミング言語で SDK も用意されています。Python で streamlit を使用するため、Python クライアントを使用します。

この投稿では、Firestore の詳しい使用方法については省きますが、特定の「コレクション」が変更になった場合に呼び出されるコールバック関数は簡単に実装できます。[参照]

code_block: <ListValue: [StructValue([('code', "from google.cloud import firestore_v1\r\ndb = firestore_v1.Client()\r\ncollection_ref = db.collection(u'users')\r\ndef on_snapshot(collection_snapshot, changes, read_time):\r\n for doc in collection_snapshot.documents:\r\n print(u'{} => {}'.format(doc.id, doc.to_dict()))\r\n# このコレクションを監視する\r\ncollection_watch = collection_ref.on_snapshot(on_snapshot)"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea430>)])]>

このコードでは、users コレクションが変更された場合に on_snapshot コールバック関数が呼び出されます。ドキュメントの変更も監視できます。

Firestore はフルマネージドデータベースであるため、事前にサービスをプロビジョニングしておく必要はありません。「モード」とロケーションを選択するだけで使用できます。リアルタイム同期機能を使用する場合は、「ネイティブモード」と、最も近いロケーションまたは希望するロケーションを選択します。

streamlit と Firestore の併用

ここでは、streamlit で Firestore を実装します。on_snapshot コールバック関数を追加して、Firestore から送信された最新データでグラフを更新します。なお、streamlit でコールバック関数を使用する際、on_snapshot 関数はサブスレッドで実行しますが、streamlit での UI 操作はメインスレッドで実行する必要があるので注意してください。そのため、スレッド間のデータを同期するのにキューを使用します。コードは次のようになります。

code_block: <ListValue: [StructValue([('code', 'from queue import Queue\r\nq = Queue()\r\ndef on_snapshot(collection_snapshot, changes, read_time):\r\n for doc in collection_snapshot.documents:\r\n q.put(doc.to_dict()) # データをキューに入れる\r\n# 以下はメインスレッドで実行される\r\nsnap = st.empty() # プレースホルダ\r\nwhile True:\r\n # q.get() はブロッキング関数なので、タイムアウトの追加を推奨します\r\n doc = q.get() # キューからの読み取り\r\n snap.write(doc) # UI を変更する'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea580>)])]>

このアプリをデプロイし、参照するコレクションに何か記述すると、ウェブアプリ上でデータが更新されたことを確認できます。

ステップ 3: streamlit で地理空間データをプロットする

Cloud Run でウェブアプリをホストする方法がわかったので、次に Firestore でデータを更新する方法を説明します。まず、streamlit で地理空間データをプロットする方法が必要です。streamlit で緯度と経度を含む地理空間データをプロットする方法はいくつかありますが、ここでは pydeck_plot() を使用します。この関数は、地理空間可視化ライブラリ deck.gl のラッパーです。

例として、プロットするデータを緯度と経度で提供し、レイヤを追加してそのデータを可視化します。

code_block: <ListValue: [StructValue([('code', 'import streamlit as st\r\nimport pydeck as pdk\r\nimport pandas as pd\r\nimport numpy as np\r\ndf = pd.DataFrame(\r\n np.random.randn(1000, 2) / [50, 50] + [37.76, -122.4],\r\n columns=[\'lat\', \'lon\'])\r\nst.pydeck_chart(pdk.Deck(\r\n map_provider="carto",\r\n map_style=\'road\',\r\n initial_view_state=pdk.ViewState(\r\n latitude=37.76,\r\n longitude=-122.4,\r\n zoom=11,\r\n pitch=50,\r\n ),\r\n layers=[\r\n pdk.Layer(\r\n \'HexagonLayer\',\r\n data=df,\r\n get_position=\'[lon, lat]\',\r\n radius=200,\r\n elevation_scale=4,\r\n elevation_range=[0, 1000],\r\n pickable=True,\r\n extruded=True,\r\n ),\r\n pdk.Layer(\r\n \'ScatterplotLayer\',\r\n data=df,\r\n get_position=\'[lon, lat]\',\r\n get_color=\'[200, 30, 0, 160]\',\r\n get_radius=200,\r\n ),\r\n ],\r\n ))'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea610>)])]>

pydeck_plot を使用したプロット（出典）

pydeck がサポートしている地図プラットフォームはいくつかありますが、ここでは CARTO を使用します。CARTO と deck.gl を使用した例の詳細については、こちらのブログ記事をご覧ください。

Step 4: モビリティデータをプロットする

完成まであと残りわずかです。このステップでは車両の位置をプロットします。pydeck でデータをプロットする方法はいくつかありますが、モビリティデータをプロットする場合には TripsLayer が適しているでしょう。

Google Maps JavaScript API を使用したデモ（出典）

TripsLayer を使用すると、位置情報を時系列で可視化できます。つまり、特定のタイムスタンプを選択すると、直近の期間 n を含む時間内の位置情報をもとに線が描かれます。時間を順に変更することで、データをアニメーションとして表示させることもできます。

最終形態では、IconLayer も追加して最新の位置を特定します。このレイヤは静的な位置をプロットする必要がある場合にも役に立ちます。Google マップの「ピン」のように機能してくれます。

では、このプロットを Firestore とどのように併用するかを説明します。車両ごとにドキュメントを作成し、各車両の最新の緯度、経度、タイムスタンプのみを保存しましょう。なお、位置情報の履歴まで保存する場合は、BigQuery を使用する必要があります。今回はリアルタイムで更新される最新の位置さえわかれば良いので、履歴は保存しません。

Firestore はスケーラブルかつ有用なデータベースですが、NoSQL です。NoSQL には向き不向きがありますので注意してください。

Firestore コンソール内の位置情報

ステップ 5: 実行する

ついに最終ステップまで到達しました。できることなら実際に車に乗り込んでデータを記録したいところです。

今回はデモ用のダミーデータを Firestore に取り込みます。クライアントライブラリを使用することで、簡単にデータを書き込むことができます。

code_block: <ListValue: [StructValue([('code', "db = firestore.Client()\r\ncol_ref = db.collection('connected')\r\ncol_ref.document(str(vehicle_ind)).set({\r\n 'lonlat': [-74, 40.72],\r\n 'timestamp': 0\r\n})"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f39cf8ea7c0>)])]>

ダミーデータを書き込み、Cloud Run でホストされているウェブページを開くと、新しいデータが届いて地図が更新されていることがわかります。

Firestore による streamlit 上でのデータ同期

ダミーデータを使用してタイムスタンプを操作したため、位置情報の更新が実際の時間よりもかなり速くなっていることにご注意ください。実際のデータと更新サイクルを使用することですぐに修正できます。

ご自身のデータでお試しください

この投稿では、Cloud Run と Firestore を活用して、リアルタイムで更新されるダッシュボードの構築方法について説明しました。この他にも、Google Cloud プロダクトを活用したユースケースが見つかりましたらぜひお知らせください。

その他の自動車業界向けソリューションはこちらからご確認ください。
まだ Google Cloud を使用していないお客様は、こちらからお試しください。
ソースコードは、GitHub で確認してください。

- 自動車業界担当カスタマーエンジニア Hayato Yoshikawa

スマートファクトリーを実現する新たなエッジコンセプトを Hannover Messe で探る

Thu, 02 Jun 2022 04:30:00 +0000

※この投稿は米国時間 2022 年 5 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

一般的なスマートファクトリーは、週に約 5 ペタバイトのデータを生成していると言われています。これは 500 万 GB、およそ 2 万台のスマートフォンに相当します。

グローバルな組織は言うまでもなく、1 つの設備でこのような膨大な量のデータを管理することはかなり困難です。製造現場でほぼリアルタイムにデータを管理して、分析情報、機能強化、特に安全性を推進することは、大手メーカーにとって大きな夢です。そして多くの場合、それは現実になりつつあります。エッジコンピューティングでその可能性が解き放たれたおかげです。

エッジコンピューティングは、計算、接続性、データを情報が生成される場所に近づけ、より優れたデータ制御、より高速な分析情報とアクションを可能にします。エッジコンピューティングを活用するには、ハードウェアとソフトウェアがデータをローカルで収集、処理、分析する必要があります。それにより的確な意思決定が可能になり、運用を改善できます。

Hannover Messe 2022 では、Intel と Google Cloud が、最新世代の Intel プロセッサと Google Cloud のデータおよび AI の専門技術を組み合わせた新技術の実装を実証します。この技術によりエッジからクラウドまでの本番環境の運用を最適化できるようになります。この概念実証プロジェクトには、Intel の業界固有のプラットフォームである Edge Insights for Industrial platform（EII）と 2 つの Google Cloud ソリューション（Google Cloud のマネージドアプリケーションプラットフォームの Anthos と新たにリリースされた製造データエンジン）が利用されています。

エッジコンピューティングは、オンサイト上にある眠ったままのデータの宝庫を活用しており、急速な成長が期待されています。The Linux Foundation の「2021 State of the Edge」は、2025 年までに、エッジ関連のデバイスがおよそ 90 ゼタバイトのデータを生成すると予測しています。エッジコンピューティングにより、データのプライバシーとセキュリティが強化され、ローカルストレージとクラウド間の帯域幅のニーズ削減に対応できるようになります。

ビッグデータと AI 主導のデータ分析のパワーが、データが収集された時点で利用でき、ほぼリアルタイムで意思決定を通知、実行、実装できる世界を想像してみてください。

こういったことが、溶接作業から塗装作業などに至るまで製造現場のどこであっても可能になります。データは、たとえばロボット溶接機をモニタリングすることで収集され、製造現場にある産業用 PC（IPC）によって分析されます。エッジ IPC は、溶接機が仕様から外れ始めたことを検出し、不良が発生する前に不良発生率の増加を予測します。そして、直接介入することなくエラーを修正するための予防的なメンテナンスを追加します。AI を使用したリアルタイムの予測分析により、不良が発生する前にこれを高い割合で防ぐことができます。または、同じ IPC ではデジタルカメラを使用して目視検査を行い、リアルタイムで不良をモニタリングおよび特定し、迅速に対処できるようになります。

エッジコンピューティングは、性能の高いアプリケーションを備え、自動車、半導体、電子機器の製造、日用品など、多くの製造部門でデータの収集、処理、保存、分析を支援します。モデリングと分析がローカルまたはクラウドで実行および保存されても、予測、同時、または遅延であっても、技術プロバイダはこのようなニーズに合わせて対応しています。これがエッジコンピューティングの新しい世界です。

Intel と Google Cloud の共同の概念実証は、Google Cloud の機能とソリューションをエッジまで拡張することを目的としています。Intel の幅広い産業向けソリューション、ハードウェア、ソフトウェアが、Google Cloud の業界をリードするツールを網羅するこのエッジ対応ソリューションに統合されます。この概念により、分析情報を取得するまでの時間が短縮され、データ分析と AI がエッジで合理化されます。

Intel® NUCs 上で Google Anthos を実行しているエッジにおける Intel の Edge Insight for Industrial と FIDO Device Onboarding（FDO）。

Intel と Google Cloud の概念実証は、メーカーが Google Cloud の Manufacturing Connect を使用して 250 台を超える工場出荷時のデバイスからデータを収集して分析する方法を示し、エッジでデータの取り込みと AI 分析を実行する高性能なプラットフォームを提供します。

Hannover でのデモで、Intel と Google Cloud は、メーカーがどのようにロボット溶接機から時系列データを取得して、溶接の品質を検査するか説明します。また、予測分析が工場の運用にどのようなメリットをもたらすか説明します。さらに、動画データと画像データが工場のカメラからキャプチャされ、目視検査でモデルスコアリングを使用してプラスチックチップの異常をどのように明らかにするか示します。デモでは、FIDO Device Onboard（FDO）を使用したゼロタッチデバイスのオンボーディングも取り上げ、既存の Anthos クラスタにコンピュータを簡単に追加できることも実例で示します。

Google Cloud のデータ、AI / ML の専門技術と、Google Anthos 上での実行に最適化された Intel の Edge Insight for Industrial プラットフォームを組み合わせることで、メーカーは Google Cloud の製造データエンジンへの効率的で安全な接続を利用して、コンテナ化されたアプリケーションをエッジ、オンプレミスのデータセンター、またはパブリッククラウドで実行および管理できます。完全なエッジツークラウドのソリューションが実現されます。

Fido Device Onboard（FDO）を使用すると、デバイスのオンボーディングを簡素化できます。Fido Device Onboard は、新しい IoT デバイスの高速で安全、スケーラブルなゼロタッチオンボーディングをエッジにもたらすオープン IoT プロトコルです。FDO により、工場では OT インフラストラクチャを複雑にすることなく、環境に自動化とインテリジェンスを簡単に導入できます。

Intel と Google Cloud の実装で、ローカライズされた Intel またはサードパーティーの AI と機械学習アルゴリズムを使用してデータを分析できるようになります。アプリケーションは Intel のハードウェアと Anthos のエコシステムに階層化され、カスタマイズされたデータのモニタリングと取り込み、データの管理と保存、モデリング、分析が可能になります。この共同の概念実証では、第一線のエンジニアが自動化したか、トリガーしたかにかかわらず、意思決定と運用の改善が促されサポートされます。

Intel は、主要なハードウェアパートナーの活気に満ちたエコシステムと協力して、最新世代の Intel プロセッサを使用することにより、産業市場向けのソリューションを開発しています。このプロセッサは、データ集約型のワークロードをエッジで簡単に実行できます。

Intel 産業用 PC エコシステムパートナー

データと AI を製造エンジニアが直接利用できるようにすることで、品質検査ループ、顧客満足度、そして最終的には収益を向上できます。

この新しい製造ソリューションは、2022 年 5 月 30 日から 6 月 2 日に開催される Hannover Messe 2022 で初めて対面によるデモが行われます。ホール 004 のスタンド E68 にお越しください。Google のエキスパートによるオンサイトデモンストレーションをご希望の場合は、ミーティングをリクエストしてください。

- Intel、Internet of Things Group シニアディレクター Ricky Watts 氏
- Google Cloud、産業＆運輸、グローバル製造担当技術ディレクター Charlie Sheridan

Google Cloud の新しいメーカー向けソリューションのご紹介: スマートファクトリーで従業員の作業をスマートに

Wed, 18 May 2022 00:00:00 +0000

※この投稿は米国時間 2022 年 5 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

現在、競争力を強化しサステナブルな成長を図るメーカーは、クラウドや AI などの革新的な技術に賭けて、デジタルトランスフォーメーションに向けて取り組んでいます。McKinsey の調査では、メーカーの 3 分の 2 近くがすでにクラウドソリューションを利用していると報告されています。しかし、アナリストによると、デジタルトランスフォーメーションのプロジェクトを概念実証から本番環境にスケーリングするための実際の作業は、その大多数にとって依然として難しい課題です。

Google は、スケーラビリティの課題はコンテキスト化されたオペレーションデータへのアクセスの欠如と、複雑なデータサイエンスや AI ツールを製造現場で使用するためのスキルギャップの 2 つの要因が中心にあると考えています。

メーカーがデジタルトランスフォーメーションの取り組みを本番環境にスケーリングできるように、Google Cloud はメーカーのニーズに特化した新しい製造ソリューションを発表します。

Google Cloud の新しい製造ソリューションは、異なるアセットとプロセス全体から、統合かつコンテキスト化されたデータへのアクセスを製造エンジニアや工場管理者に提供します。

製造現場からクラウドまで、データ処理のプロセスに沿って新しいソリューションを見ていきましょう。

製造データエンジンは、工場のデータを処理、コンテキスト化、保存するための基盤となるクラウドソリューションです。Cloud Platform は、エッジとクラウドの安全かつ低コストなプライベート接続であらゆる種類のマシンからデータを取得し、テレメトリから画像データまで幅広いデータをサポートします。組み込まれたデータの正規化およびコンテキスト拡充機能により、工場に最適化されたデータレイクハウスをストレージとして、共通のデータモデルを提供します。
Manufacturing Connect は、Litmus Automation と共同開発した工場向けエッジプラットフォームで、250 以上のマシンプロトコルの豊富なライブラリを介して、ほぼすべての製造アセットと迅速につながり、マシンデータをわかりやすいデータセットに変換し、処理、コンテキスト化、保存のために製造データエンジンに送ります。コンテナ化されたワークロードをサポートすることで、メーカーは低レイテンシのデータの可視化、分析、ML 機能をエッジで直接実行できます。

製造データエンジン上に構築されているのは、Google Cloud とパートナーが実現したデータ分析と AI のユースケースで、その数は増え続けています。

製造分析および分析情報: Looker テンプレートと最初から統合され、ダッシュボードと分析のエクスペリエンスを提供します。使いやすいノーコードのデータおよび分析モデルとして、製造エンジニアや工場管理者が迅速にカスタムダッシュボードを作成・変更し、新しいマシン、設定、工場を自動的に追加できるようにします。このソリューションにより、KPI に対するデータのドリルダウン、または工場全体の新しい分析情報や改善の機会をオンデマンドで引き出すことができます。分析情報を共有でき、企業全体やパートナーとのコラボレーションの可能性が広がります。
予測メンテナンス: 事前構築済みの予測メンテナンスの機械学習モデルにより、メーカーは予測精度に妥協することなく、数週間でデプロイできます。メーカーは、Google Cloud のエンジニアと協力しながら、モデルを継続的に改善し、改良を加えることができます。
マシンレベルの異常検出: リアルタイムのマシンデータやセンサーデータに Google Cloud の Time Series Insights API を活用し、発生した異常を特定してアラートを提供する専用インテグレーションです。

「組み立てラインで生成されるセンサーデータの量は増加しており、製品の品質、生産効率、設備の健全性モニタリングに関するスマートアナリティクスの機会が生まれています。しかし、それは同時に、データの取り込みと管理に関する新たな課題も意味します。Google Cloud と連携して、2 つの工場に接続された 100 台以上の主要マシンで運用されるデータプラットフォームを実装し、毎週 2,500 万件以上のレコードをストリーミングして保存しています。データから最適な分析情報を得ることで、予測および予防措置を実行し、製造工場でのさらなる効率化を続けています」- Ford Motor Company、製造テクノロジー開発部門ディレクター、Jason Ryska 氏

「Google Cloud による素晴らしい工場エッジソリューションとの緊密なインテグレーションにより、工場はこれまで以上に簡単にクラウドの機能を利用できるようになりました。Google Cloud のソリューションは、データサイエンティストだけでなく、より幅広い分野のユーザーが、さまざまなユースケースのデータに簡単にアクセス、分析、使用することを可能にします。生産オペレーションを最適化し、一貫して品質を向上させるための新しい製造ソリューションを実装するにあたり、Google Cloud と提携できることを嬉しく思います」- 京セラコミュニケーションシステム株式会社デジタルソリューション事業部、事業部長、秋枝正治氏

「Phononic はソリッドステート冷却と加熱技術のグローバルイノベーターとして、水、電力、化学廃棄物の使用量を削減するサステナブルな製造プラットフォームを開発しました。Google Cloud とのパートナーシップにより、当社のすべての製造プロセスにおけるデータのコンテキスト化が可能になりました。これにより、最終的には当社のオペレーションを最適化する分析と分析情報が提供され、当社は温室効果ガス（GhG）排出量を削減し、サステナブルに冷却する製品を世界中に提供し続けることができます」- Phononic、最高情報責任者、Jason Ruppert 氏

ますます多くのパートナーが、コネクタから AI を活用したユースケースまで、Google Cloud の製造ソリューションを拡張しています。開催予定の Google Cloud 製造スポットライトで、製造データエンジンおよび Manufacturing Connect に関するパートナーの声をお聞きください。

Google Cloud の新しい製造ソリューションにより、スマートな製造オペレーションに不可欠な 3 つの要素（製造現場のエンジニア、データ、AI）が強化、統合されます。

ものづくりのスマート化のハブとなる製造現場のエンジニアの支援

ここ数年、米国内総生産の10% 以上が製造業によるもので、間接的な価値（他産業からの購入分など）を含めると GDP の 24% にのぼります。また、製造業は約 1,500 万人を雇用し、米国全体の雇用の 10% を占めるセクターでもあります。しかし、米国では製造業の従業員の 20% 以上が 55 歳以上であり、平均年齢は 44 歳です。これは世界各国で同様のパターンが見られます。メーカーにとって、退職する従業員に代わる新たな人材を見つけることはますます難しくなっています。

そのため、企業は既存の従業員の能力を高めると同時に、新しい人材を惹き付ける必要があります。このバランスをとるには、Cloud や AI などの重要なテクノロジーを利用しやすくし、メーカーの日常業務に深く根付かせる必要があります。

Google Cloud の製造ソリューションは、この目的を念頭に置いて設計されています。迅速な実装と使いやすさを組み合わせることで、メーカーの従業員は優れたデジタルツールを直接入手し、新しい分析情報を明らかにし、まったく新しい方法でオペレーションを最適化します。

このソリューションの主要な部分は、設定や使用においてローコードまたはノーコードであるため、多くのエンドユーザーに適しているという点です。スケーリングを考慮して設計され、テンプレートに基づくロールアウトや標準化による再利用が可能です。また、ベストプラクティスを念頭に置いて設計されているため、メーカーは基盤となるインフラストラクチャではなくユースケースに貴重なリソースを集中させることができます。

製造エンジニアは、Looker のビジネスインテリジェンスエンジンに構築された製造分析および分析情報を使用して、データの可視化とドリルダウンを行うことができます。製造データエンジンと統合され、自動構成により、製造オペレーションのあらゆる側面を最新の状態で表示できます。最高執行責任者（COO）から工場管理者、製造エンジニアまで、あらゆるユーザーが企業、工場、ラインマシン、センサーレベルで工場データを簡単にブラウジングして確認できるようになります。

Google Cloud とパートナーは、使いやすさを目的として製造ソリューションをゼロから構築するだけでなく、メーカーが専用のイネーブルメントサービスを使用して従業員をスキルアップできるよう積極的にサポートしています。

あらゆるデータポイントを利用しやすく実用的に

データは製造環境におけるデジタルトランスフォーメーションの基軸であり、メーカーには潜在的に豊富なデータがあります。1 台のマシンのパフォーマンスログは 1 週間に 5 GB、一般的なスマートファクトリーは 1 週間に 5 ペタバイトのデータを生成する場合があります。

しかし、多くのメーカーにとって、この豊富なデータとその中に含まれる分析情報は、ほとんどアクセスできないままです。データは部分的にしか取得されない場合が多く、さまざまな異種システムや独自システムに閉じ込められています。

Litmus Automation と共同開発した Manufacturing Connect では、業界をリードする 250 以上のネイティブプロトコルコネクタが提供され、数回のクリックでほぼすべての生産アセットやシステムに素早く接続してデータを取得できます。統合された分析機能とコンテナ化されたワークロードのサポートにより、メーカーはデータのオンプレミス処理というオプションを取得できます。

また、補完的なクラウドコンポーネントにより、メーカーは全工場のエッジインスタンスを一元的に管理、構成、標準化、更新し、グローバル規模でロールアウトできます。同じ UI に統合された Google Cloud の製造データエンジンソリューションを構成することで、ユーザーはクラウドに送信されたデータのダウンストリーム処理も管理できます。

製造データエンジンは、データを構造化し、セマンティックなコンテキスト化を可能にします。そうすることで、企業全体でデータに普遍的にアクセスし、活用できるようになります。製造データの根本的な複雑さを抽象化することで、メーカーとパートナーは、価値が高く、繰り返し可能かつスケーラブルで迅速に実装できる分析や AI ユースケースの開発が可能になります。

幅広いパートナーエコシステムを要するスマートマニュファクチャリング向け AI

メーカーは、費用と生産の最適化を推進するうえで、AI ソリューションの価値を認識しています。そのため、複数の企業が AI イニシアチブの特許を積極的に取得しているほどです。実際、Google が 2021 年 6 月に実施した調査では、日々の業務に AI を使用しているメーカーの 66% が、AI への依存度が高まっていると報告しています。

Google Cloud は、クラウド技術と人工知能を活用し、工場の迅速かつ円滑な運営を支援します。Google Cloud の製造データエンジンを利用するユーザーは、Google Cloud の業界をリードする Vertex AI Platform に直接アクセスできます。このプラットフォームは、製造エンジニア向けの AutoML からエキスパート向けの高度な AI ツールまで、結果の微調整ができる統合 AI / ML ツールを提供しています。Google Cloud により、AI / ML ユースケースの開発はメーカーにとってかつてないほど利用しやすくなりました。

スケーラビリティの壁の向こう側へ: 製造業におけるクラウドと AI の活用

Google のミッションは、データサイロを統合してデジタルトランスフォーメーションを後押しすることです。使いやすい AI テクノロジーおよび製造業向けのデータプラットフォームを提供することで、すべてのエンジニアがデータサイエンティスト並みの業務をこなせるようサポートします。詳細は、Google Cloud メーカースポットライトでご確認ください。

この新しい製造ソリューションは、5 月 30 日から 6 月 2 日に開催される Hannover Messe 2022 で初めて対面によるデモが行われます。ホール 004 のスタンド E68 にお越しください。Google のエキスパートによるオンサイトデモンストレーションをご希望の場合は、ミーティングをリクエストしてください。

- Google Cloud、産業＆運輸、グローバル製造担当技術ディレクター Charlie Sheridan

製造

小規模モデルで高品質を: ドメイン特化型言語モデルを評価する BMW Group の試み

小規模言語モデル: 小さなコンセプト、大きな可能性

基盤モデルを自動車に統合する際の課題

LLM から SLM への変換

圧縮後の品質向上

自動車タスクのパフォーマンス評価

最適な構成を見つけることの難しさ

ソリューション: SLM 最適化のための自動化ワークフロー

実装: Vertex AI Pipelines による自動化ワークフロー

まとめと今後の展望

自動車業界のサイバーセキュリティ強化を目指して Auto-ISAC と Google がパートナーシップを締結

Waze、Memorystore で 1 秒あたり 100 万件以上のリアルタイム読み取りでトラフィックの流れを維持

適切なルートの選択

Waze の新しいデータエンジン

少ないピットストップで高速動作

今後の展望

詳細

Tata Steel、Manufacturing Data Engine で機器と運用のモニタリングを強化

Google Cloud で統合データ基盤を構築する

リアルタイム運用における従来の課題を克服

iMEC: 予測メンテナンスと効率性を強化

動画分析とクラウド ストレージにおける安全性の向上

環境モニタリングのための Google Cloud

Horizon : クラウドでのビルドを加速させる新しい Android Automotive ソリューション

自動車ソフトウェア開発のイノベーションにおける足かせ

HORIZON のご紹介: 共同で未来を切り開く

優れたソフトウェアを実現する主要な機能

自動車 OEM と業界全体に価値をもたらす

Horizon のエコシステム

Vertex AI Gemini Live API で音声駆動型エージェント アプリケーションを構築する

セキュリティ強化のため、Google Cloud は CSP として初めて BRC、MFG-ISAC、関連団体に加盟

-Google Cloud、CISO オフィス、製造 / 産業部門責任者 Vinod D’Souza

AI、エッジ、最新のインフラストラクチャによって最新の製造成果を実現

製造業のユースケース

製造業にとっての Google Distributed Cloud の利点

製造業の未来

三菱重工: Vertex AI で航空機製造における生産材料の需要予測を最適化し、廃棄量の大幅な削減に成功

Google Cloud を活用したデジタル化で製造プロセスの改革に挑む

Vertex AI の需要予測でシールの廃棄額を月数百万円から 10 万円以下まで削減、念願の廃棄ゼロも達成

Google の文化を取り入れて積極的に DX を推進した結果がコスト削減成功につながった

MDE と ABAP SDK for Google Cloud を使用して施設管理を自動化する

Manufacturing Data Engine

メーカーを対象とした SAP プロダクト

ABAP SDK for Google Cloud

両方のソリューションの長所を組み合わせる

結論と展望

OPPO によるモバイル デバイスの AI 機能を強化するための Google Vertex AI 活用法

モバイル デバイスの AI モデル開発における課題

AI モデル開発における Vertex AI NAS の優位性

OPPO がモバイル デバイスの AI モデルのエネルギー効率を高めるために、どのように Vertex AI NAS を活用しているか

用途の幅を広げる

大規模データに対応する低レイテンシの異常検出サービス、Timeseries Insights API の一般提供を開始

主な機能と利点

ユースケースとアーリー アドプターの紹介

Google Cloud の Manufacturing Data Engine とのインテグレーション

Built with BigQuery: Leverege がビジネス クリティカルなエンタープライズ IoT ソリューションを大規模に提供する際に BigQuery がいかに役立つか

はじめに

コンテキストと IoT 業界の背景

Google Cloud を利用した Leverege の概要

BigQuery の活用による IoT ソリューションの大規模な実現と管理

Leverege IoT Stack リファレンス アーキテクチャ: コンポーネントを統合し、堅牢でスケーラブルかつ安全なソリューションを実現

ソリューション: BigQuery の主要機能を IoT ユースケースに活用

メリットと成果

ISV にとっての Built with BigQuery のメリット

Google Cloud が Catena-X に参加し、自動車業界におけるデータ主権エコシステムの構築を支援

AI でメーカーのアセットの利用率と生産の稼働時間を向上させる

機械学習による分析情報の取得はアクセス可能なデータから始まる

アセットの状態を分類するための構成

エッジからクラウドまで、メーカーの生産効率を向上させる

次のステップ

自動運転の実現に求められる、大規模な ML ワークフローを Dataflow ML で実行する方法

Dataflow ML とは

メタデータを抽出するためのシンプルな ML パイプラインの構築

ML ワークロードを容易に処理

RunInference でのバッチ処理

次のステップ

追加資料

Dataflow で ML モデルを本番環境パイプラインに組み込む

トヨタと Google Cloud が提携し、AI を活用した音声サービスをトヨタと LEXUS の車両に提供

動画分析とクラウドストレージにおける安全性の向上

Vertex AI Gemini Live API で音声駆動型エージェントアプリケーションを構築する

OPPO によるモバイルデバイスの AI 機能を強化するための Google Vertex AI 活用法

モバイルデバイスの AI モデル開発における課題

OPPO がモバイルデバイスの AI モデルのエネルギー効率を高めるために、どのように Vertex AI NAS を活用しているか

ユースケースとアーリーアドプターの紹介

Built with BigQuery: Leverege がビジネスクリティカルなエンタープライズ IoT ソリューションを大規模に提供する際に BigQuery がいかに役立つか

Leverege IoT Stack リファレンスアーキテクチャ: コンポーネントを統合し、堅牢でスケーラブルかつ安全なソリューションを実現

トヨタ、次世代マルチメディアシステムで車載用音声認識システムの Speech On-Device を活用

Cloud Run と Firestore を活用したモビリティダッシュボードの構築

モビリティダッシュボード

Step 4: モビリティデータをプロットする

スマートファクトリーを実現する新たなエッジコンセプトを Hannover Messe で探る

スマートファクトリーを実現する新たなエッジコンセプトを Hannover Messe で探る

Google Cloud の新しいメーカー向けソリューションのご紹介: スマートファクトリーで従業員の作業をスマートに

幅広いパートナーエコシステムを要するスマートマニュファクチャリング向け AI