AI×IoT×ビッグデータ技術 エンジニアの成長ブログ

人工知能(AI)やIoT、ビッグデータ技術に関連する「技術書、Eラーニング、事例、勉強会」などでの学びブログです。

IoTパーツ屋さんについて

vstoneとか秋川電子さんで、買い物したりすると

www.vstone.co.jp

 

イメージがついて来て、オンラインでググって、100個位デバイスまみれになれば、見えてくることもあるかもしれません。

 

ちなみに、vstoneは、あのロボホンで有名な高橋先生ゆかりのお店です。

高橋智隆 - Wikipedia

IoTのベネフィットの基本スコープ

1.見えなかったものが見える化される

2.離れていても見える
3.全体の状況・トレンドが見える
4.リアルタイムに分析・予測・判断できる
5.自律的に制御できる
6.遠くから動かせる
7.まとめて動かせる
 
辺りでしょうか。
目的やベネフィットがはっきりしなくて、
IoTしたいは、うまくいきませんので、
こういったことを留意しながらKPI/KGIを設定していく必要があります。
 

IoTエンジニアになるための技術を学べる講座比較

1.WINスクール

www.winschool.jp

 【内容】

  RaspberryPiで検知した内容をLINE API経由で通知するといった内容。

  ここは、他にCAN APIやETEC資格対策もあり、内容的には幅がある感じ。

 

2.ヒューマンアカデミー

haa.athuman.com

 【内容】

  ここは、算数やコーディングとか初心者対応付きで、

  とりあえずはRaspberryPi使えたといったところを目指せる感じ。

 

3.ウフル

uhuru.co.jp

 【内容】

  ユースケース解説もあり、mbedなど商用ベースに近い内容。

       IoT検定対応してて安心感もあり。

 

4.日立インフォメーションアカデミー

www.nikkeibpm.co.jp

 【内容】

  LPWAやセキュリティ、Node-Redまでカバーしていて、

  さすが、日立製作所系ではあります。

 

(総評)

それぞれ、ニーズに合わせて選択すると良さそうですが、

第1回「第四次産業革命スキル習得講座」を認定しました(METI/経済産業省)

みたいな動向もありますので、併せてチェックして、ハイスキルなAI×IoTエンジニアを目指しましょう。

 

  

 

家電とIoTプラットフォーム

1.スマートサーモスタットnest

developers.nest.com

とかがあり、開発エンジニアを外部から巻き込むオープンプラットフォーム戦略をとっている。

 

2.aiotプラットフォーム、sharp

www.sharp.co.jp

そんなにオープンではないプラットフォーム戦略。

 

3.nokia home control center

support.health.nokia.com

こちらは、コントロールセンターを中心としたオープンプラットフォーム戦略。

体重計のWiscaleなどヘルスケアにも重点で競争力高め。

 

4.Arrayent

www.arrayent.com

世界中の家電ブランドメーカーにプラットフォームを提供する中間支援戦略。

 

どれも、スマートホームに対して、

支配的地位を得るために頑張っている感じではないでしょうか。

ビッグデータエンジニアの技術スキル要素

1.サーバのクラスタリング

  https://kubernetes.io/ を使う。

  場合により、kubeflowを構築。

 

2.pub/subのスケーリング

 

3.リアルタイム分散処理

  sparkなどで、mapreduce処理

 

4.リアルタイムでダッシュボードに出す

  elasticsearch

 

5.データホースの運用監視

 

6.各パブリッククラウドの特性に合わせた最適化

 

7.永続化DB/KVSの管理

 

大体のことは、勉強できる環境にありますが、

実践するには、科学的な地頭が必要だと思います。実際問題は、GAE/bigquery/data labo等を使いこなせればなんとかなる部分も多いです。

チャットボットをDeepLearningで開発するには

結構当たり前の話ですが、RNN系の実装のseq2seqモデルで、学習データを食わせるわけですが、単純な実装だとダメです。

そこで、attention seq2seqの登場です。

でも、それだけではまだダメです。

 

そこで、インテント単位の中身をBoWとかWord2Vecでベクトル的に値化したり、

単語をkuromojiなどで、分解して、この名詞は苗字らしいとかもわかるようにして

よりコンテキストを理解していきます。

そうすることで、FAQ応答などのユースケースはある程度の精度が出てきます。

 

ただ、学習データは良質にしていくこと、モデルも業務の内容に合わせて

チューニングしていかないと、軽量で良い分解をしてくれるようなスケーラブルなモデルにならないので、エンジニア自身がFAQの中身を理解していく必要が出てきます。

結局そこが質的な差になって行くので、クライアントの気持ちを分かれるかが運命の分かれ道かもしれません。

 

それでもダメなら、下記のようにモデルをビジュアル化して、より中身を理解すると良さそうです。

projector.tensorflow.org