Upgrade to Pro — share decks privately, control downloads, hide ads and more …

DRIVE CHARTにおけるAI開発とアーキテクチャ全容

moyomot
December 05, 2022
850

DRIVE CHARTにおけるAI開発とアーキテクチャ全容

moyomot

December 05, 2022
Tweet

Transcript

  1. Mobility Technologies Co., Ltd. 3 Agenda 01|Mobility Technologiesについて 02|DRIVE CHARTについて

    03|ビジネス戦略について 04|アーキテクチャとAI開発について 05|おわりに
  2. Mobility Technologies Co., Ltd. ▪ 1977年 8月 株式会社日交計算センター設立 ▪ 2015年

    8月 JapanTaxi株式会社に商号変更 ▪ 2020年 4月 DeNAのMOV/DRIVE CHART事業などと統合し       株式会社Mobility Technologiesに商号変更 Moblility Technologiesについて 4
  3. Mobility Technologies Co., Ltd. 8 Agenda 01|Mobility Technologiesについて 02|DRIVE CHARTについて

    03|ビジネス戦略について 04|アーキテクチャとAI開発について 05|おわりに
  4. Mobility Technologies Co., Ltd. 企業は社有車の事故を防止する必要がある 11 ▪ 社員が社有車で事故を起こせば会社の責任 ▪ 企業は事故を起こさないための仕組みづくりが必要

    ▪ やみくもに事故削減活動を行ってもキリがない ▪ すべての運転記録をチェックするのは現実的ではない ▪ 社員それぞれの事故のリスクを把握し効率・効果的な指導、改善が求められる ▪ 運転の癖を可視化し、社員ごとに指導内容をカスタマイズできる https://drive-chart.com/magazines/mg_220131
  5. Mobility Technologies Co., Ltd. 事故削減に向けたDRIVE CHARTの考え方 12 引用:警察庁交通局「令和元年中の交通事故の発生状況」 12 法令違反別交通事故割合(2019年)

    ▪ 「軽度のリスク運転行動」を徹底的に減らすことで「重度のリスク運転行動」が自ずと減 り、最終的に「事故」が減ることを想定 ▪ 「軽度のリスク運転行動」を駆逐するための改善を継続的に行うことで事故削減の実現 を目指す
  6. Mobility Technologies Co., Ltd. DRIVE CHARTが提供する代表的な機能 13 ▪ 危険シーン検知 ▪

    脇見運転、車間距離不足、一時不停止、速度超過、急ハンドル、急加速、急減速、急後退 ▪ 日報・月報自動作成機能 ▪ 車両別 / ドライバー別の走行データをもとに日報 / 月報を生成 ▪ ライブマップ機能 ▪ 車両の位置、直近のリスク運転が発生した場所を地図上に描画 ▪ ヒヤリハット通知メール ▪ 危険度が高い項目の検出時には警報でドライバーに知らせ、管理者にもメール通知 https://drive-chart.com/features
  7. Mobility Technologies Co., Ltd. 14 Agenda 01|Mobility Technologiesについて 02|DRIVE CHARTについて

    03|ビジネス戦略について 04|アーキテクチャとAI開発について 05|おわりに
  8. Mobility Technologies Co., Ltd. 運用コンサルサポート 15 ▪ 効率的な事故削減はAIによるものだけではない!? ▪ 契約台数4万台の裏にはカスタマーサクセスによる徹底したアフターサポート

    ▪ 設置サポート / 手配 ▪ 使い方アドバイス / ルール設計 ▪ 社内周知サポート ▪ 活用フォロー / 見える化支援 https://drive-chart.com/magazines/mg_211011
  9. Mobility Technologies Co., Ltd. 多くの営業車を保有するお客様の事例 16 ▪ 営業の人たちにとって運転は移動手段であり営業活動が本職 ▪ DRIVE

    CHARTの導入と運用を会社のプロジェクトとして立ち上げ ▪ 事故削減という目的の共有 ▪ 具体的な削減目標と期間の設定 ▪ 体制の整備 ▪ DRIVE CHART浸透のために ▪ 現場の方々をプロジェクトに巻き込み、ルールやドキュメントを策定 ▪ 似た状況の他社事例を共有 カスタマーサクセス事例 1/2
  10. Mobility Technologies Co., Ltd. 規模が比較的小さなお客様の事例 17 ▪ コミュニケーションが問題になることは少ない傾向 ▪ 同じ職場で普段から顔を合わせている

    ▪ IT環境の整備が進んでおらず、Web操作面の説明を実施 ▪ 効果や有効性を高めるために ▪ 個別の説明会で機能や使い方の案内 ▪ 動画を活用してリスク運転の実例を紹介 ▪ 当たり前のことを着実に実施 ▪ お客様の規模や業態、課題、DRIVE CHART活用レベルなどに合わせて、カスタマーサクセスが事 故削減を支援を実施 カスタマーサクセス事例 2/2
  11. Mobility Technologies Co., Ltd. リスク運転検知以外にも充実した機能の提供 18 ▪ アルコールチェック ▪ 法令により一部事業者のアルコールチェックが義務化

    ▪ DRIVE CHARTで一気通貫に管理して業務効率化 ▪ 一元管理、自動連携、通知機能 ▪ 遠隔動画取得 ▪ 車両が遠方で、SDカード内の映像確認に時間を要する場合 ▪ 迅速に映像をダウンロードすることができる ▪ 事故や事故に至らないトラブルやクレームの状況確認が可能 ▪ 顔認証 ▪ 動画とドライバーを照合して紐付ける機能 ▪ AIが自動的に紐付け、管理責任者の大幅な業務効率化を実現 ▪ お客様課題を解決する機能開発を日々実施
  12. Mobility Technologies Co., Ltd. 19 Agenda 01|Mobility Technologiesについて 02|DRIVE CHARTについて

    03|ビジネス戦略について 04|アーキテクチャとAI開発について 05|おわりに
  13. Mobility Technologies Co., Ltd. リスク運転検知のシステム要件 20 ▪ リスク運転を逐次検知したい ▪ コストを最適化したい

    ▪ トラフィックの多いときは容易にサーバーをスケールアウト ▪ トラフィックの少ないときは容易にサーバーをスケールイン ▪ 柔軟かつロバストに開発したい ▪ リスク運転検知ごとに開発体制を分けたい ▪ 問題が発生したときの影響範囲を最小化したい ▪ リスク運転検知の推論処理を高速化したい システムアーキテクチャ
  14. Mobility Technologies Co., Ltd. リスク運転検知のシステム概要 21 ▪ 逐次検知するためにバッチ処理ではなくAmazon SQSを使用した非同期推論をサービスを構築 ▪

    すべてのAPIはAmazon ECSで稼働 ▪ トラフィックに応じてスケールアウト/インできる ▪ Amazon EC2 スポットインスタンスを活用しコスト最適化 ▪ リスク運転ごとに検知APIを用意しマイクロサービス化で開発柔軟性向上 車両データAPI リスク運転検知 ゲートウェイ 車間距離不足検知API 脇見運転検知API 一時不停止検知API … 運転動画 センサーデータ リスク運転記録 車間距離不足検知モデル 一時不停止検知モデル 脇見運転検知モデル Amazon SQS Amazon ECS Amazon ECS Amazon ECS Amazon S3 Amazon Aurora システムアーキテクチャ 3軸加速度 センサ 3軸角速度 センサ GPS
  15. Mobility Technologies Co., Ltd. リスク運転検知の推論処理を高速化したい 22 ▪ 高速化のアプローチ ▪ 深層学習モデルを見直し、高速化するようアーキテクチャを変える

    ▪ 深層学習モデルで処理する入力動画から画像を間引く ▪ PyTorchのGPU推論モードを使用して推論処理を実行する ▪ CPU上でマルチスレッドやSIMDを使った高速推論を行う ▪ 脇見検知をCPU PytorchからOpenVINO Runtimeへ置き換え ▪ 推論速度は1/3に改善 ▪ コスト最適化にも寄与 ▪ 機械学習モデルの学習はAmazon EC2のGPUインスタンスを使用することが多い https://lab.mo-t.com/blog/improve-ai-performance-on-server-cpu
  16. Mobility Technologies Co., Ltd. 顔認証システムのシステム要件 23 ▪ 顔認証がないと ▪ 運転データが車両にしか紐づかず、ドライバー別に紐づけなおす手間が生じる

    ▪ 自動でドライバーを顔認証を行いシステム上の社員情報と紐付ける機能 ▪ 1車両に複数ドライバーの方が乗車する ▪ どの車両にどのドライバーが乗車するか決まっていない ▪ システム要件 ▪ 定期的に顔認証用の機械学習モデルを学習する必要がある ▪ 数百ギガバイト規模データセットを学習するパイプラインが必要
  17. Mobility Technologies Co., Ltd. 顔認証システムの学習パイプライン概要図 24 ▪ 学習にはAmazon Sagemakerを採用 ▪

    マネージドサービス ▪ インスタンスの起動停止管理、ライブラリ管理、サーバー管理が不要 ▪ モニタリング項目の充実 ▪ パイプラインはAmazon Managed Workflows for Apache Airflow を採用 ▪ マーネジドサービス ▪ ワークフローとしての機能が充実 ▪ データ取得、前処理、後処理、結果保存などは ECS上でバッチ処理として稼働 ▪ マルチGPUで高速化 顔画像データ 運転データ Amazon SageMaker Amazon ECS データ取得 Amazon ECS 前処理 学習・評価 Amazon ECS 後処理 Amazon ECS 結果保存 モデル Amazon Managed Workflows for Apache Airflow
  18. Mobility Technologies Co., Ltd. シミュレーション環境について 25 Amazon EKS ▪ AI開発者がロジック変更前後でリスク検知がどのように変化するのか確認したい

    ▪ リスク検知シミュレーション機能 ▪ データの種類が多く手動で集めるのに時間を要する ▪ センサーデータ、動画、特徴量 ▪ ロジック変更後は直感的な操作(Web上のUI)で比較できるようにしたい ▪ Amazon EKS + Kubeflow Pipelinesを採用 ▪ Apache AirflowやAWS Step FunctionsよりもリッチなUIで直感的な操作が可能 https://lab.mo-t.com/blog/chart-kfp-on-eks AI開発
  19. Mobility Technologies Co., Ltd. Kubeflow Pipelinesの活用 27 ▪ AI開発者とシミュレーション、実験を繰り返しながら開発 ▪

    実験条件は可能な限りパラメータ化 ▪ シミュレーション以外にも様々な処理で活躍 ▪ データフロー ▪ センサーデータ、動画データの統一的処理 ▪ アノテーション用ETL ▪ PyTorchモデルからエッジデプロイ用モデルへの変換・ベンチマーク AI開発
  20. Mobility Technologies Co., Ltd. AI開発全体 28 ▪ 開発環境はAmazon EC2 +

    SessionManager(AWS Systems Managerの一機能) ▪ セキュリティリスクとコストを考慮 ▪ 個人情報を含むデータを使用する場合、セキュリティが担保された専用の環境での開発が必要 ▪ SSHをインターネットに公開することなくプライベートサブネットにある EC2インスタンスに接続できる ▪ AWS Direct Connect使用せずともセキュリティを担保 ▪ アクセス権をIAMで管理できる ▪ アクティブディレクトリによるSSOでアカウントを一元管理できる ▪ 統合開発環境を利用できる ▪ 以前はAWS Cloud9やAmazon SageMaker Notebookも利用していた ▪ データ準備はKubeflow ▪ アノテーショングループに依頼 ▪ 開発 ▪ 仮説 => 実験 => 評価 => 議論 AI開発 データ準備 アノテーション 開発 評価
  21. Mobility Technologies Co., Ltd. 29 Agenda 01|Mobility Technologiesについて 02|DRIVE CHARTについて

    03|ビジネス戦略について 04|アーキテクチャとAI開発について 05|おわりに
  22. Mobility Technologies Co., Ltd. DRIVE CHART AI開発の魅力 30 ▪ 社会貢献につながる交通事故削減サービスの開発

    ▪ サービスの順調な成長 ▪ 膨大な動画データ、センサーデータを取り扱う ▪ アノテーショングループと共同してデータ作成 ▪ 多様なコンピュータビジョンに関する深層学習モデルを本番環境で運用している ▪ 車両に搭載するエッジデバイスからサーバーサイドまで一気通貫の開発運用
  23. Mobility Technologies Co., Ltd. DRIVE CHART AI開発のこれから 31 ▪ 機械学習モデルの高速な改善

    ▪ MLOps環境の改善 ▪ カスタマーサクセスなど組織横断の改善 ▪ これまで蓄積してきた知見をスケールする仕組みに ▪ さらなる困難な課題を解決していく ▪ より影響のある新しいリスク検知の開発 ▪ よりコスト最適化されたインフラ環境の構築 ▪ 生産性を落とさずスケールさせるチームビルディング