SHOEISHA iD

※旧SEメンバーシップ会員の方は、同じ登録情報(メールアドレス&パスワード)でログインいただけます

CodeZine編集部では、現場で活躍するデベロッパーをスターにするためのカンファレンス「Developers Summit」や、エンジニアの生きざまをブーストするためのイベント「Developers Boost」など、さまざまなカンファレンスを企画・運営しています。

注目スタートアップから学ぶ、ビジネスの課題を解決するAWSの活用術

AWSで賢く機械学習を実現するには? FiNCの画像解析とレコメンドシステムに学ぶ

注目スタートアップから学ぶ、ビジネスの課題を解決するAWSの活用術 第4回

  • X ポスト
  • このエントリーをはてなブックマークに追加

 急成長中のスタートアップ企業は、多様なAWSサービスをどう選択・活用し、ビジネス課題を解決しているのでしょうか。本連載では、スタートアップ企業の中でエンジニアリングをリードしている担当者がそのアーキテクチャをひも解き、AWS活用術を紹介していきます。第4回はFiNCのエンジニアリングマネージャー 鈴木健二氏が担当、テーマは「機械学習(画像解析・パーソナライズ)」です。記事の最後には、SAによるポイント解説もあります。(編集部)

  • X ポスト
  • このエントリーをはてなブックマークに追加

はじめに

 株式会社FiNC Technologiesでエンジニアリングマネージャーをしています、鈴木健二と申します。簡単に自己紹介をさせていただきますと、新卒でメガベンチャーに入社しソーシャルゲームのインフラ基盤の運用などを経験したのち、スタートアップの起業を経てFiNC Technologiesに入社しました。現在では、SREチームや、AIの検討・導入を推進するチームに所属しています。

 FiNC Technologiesは、予防ヘルスケア×AI(人工知能)に特化したヘルステックベンチャーです。今回は、FiNC Technologiesがヘルスケア領域においてどのようにAI技術を活用しているか、またAWSのサービスによってそれをどのように運用しているかについて説明します。

 ヘルスケアサービスの提供にあたり、重要なポイントは2つあります。1つ目は、いかに簡易にライフログ(身長、体重、歩数、食事記録など)を取得するのかという点。2つ目は、取得したログからサービスユーザーが次にどのような行動をとれば最適な健康管理や生活習慣改善につながるのかを提示するレコメンドのシステムです。

 ライフログを簡単に入力するためツールとして、AIを活用した食事画像解析と、レコメンドシステムの例としてECサイトやアプリ内コンテンツのレコメンドをどのようにAWSを利用して構築しているのかを解説します。

AIのサポートによる食事画像解析

 FiNCアプリの機能の1つに「食事記録」があります。従来の食事記録アプリでは、ユーザーが自分で手入力したり、選択肢から選択したりすることによって記録していました。

 しかしながら、それではユーザーの負荷が高く、食事記録が継続しないといった問題点がありました。FiNCアプリではAI技術を活用し、ユーザーが食事画像をアップロードするだけで画像が解析され、メニューとカロリーが自動でアプリに記録される仕組みになっています。

運用方法

 この食事解析機能は2019年初頭にリリースしましたが、当時の開発運用体制は以下の通りでした。

  • GPUサーバーにて大量の食事画像を学習し推論モデルを構築
  • AWSのAmazon EC2上に推論モデルを配置
  • APIを活用して、アプリケーションから利用する

 ここで問題だったのは、運用面でした。FiNCのサービス基盤はAmazon ECSで構築されていたのですが、このモデルは推論にもGPUが必要だったため、従来のデプロイパイプラインと同じ仕組みではデプロイできず、GPUサーバーをAmazon EC2で専用に立てていたため新しくデプロイフローを構築する必要がありました。また、APIのスケーリングに関しても別の仕組みを整える必要がありました。

注:Amazon ECSは、2019年2月4日時点でGPU対応インスタンスのサポートを強化しています(詳細)。

 そこで、運用を簡略化しモデルの開発だけに注力できるようにするためにAmazon SageMakerの利用を開始しました。現在はAmazon SageMakerを利用して以下のように運用しています。

  • GPUサーバーにて大量の食事画像を学習し推論モデルを構築
  • 構築したモデルをDocker Image化してAmazon ECRにpushする
  • Amazon SageMaker側でモデルを選択しendpointを作成する

 作成したエンドポイントには簡単にオートスケール設定が書けるので、高負荷時の運用に関しても簡単になっています。また、複数のモデルを重み付けしながらリリースできるので新しいモデルのリリース時に、ユーザーの10%だけに適用することもできます。このようにして運用のコストをかけずに推論APIを活用できるようになりました。

次のページ
Amazon Personalizeによるレコメンドシステム

この記事は参考になりましたか?

  • X ポスト
  • このエントリーをはてなブックマークに追加
注目スタートアップから学ぶ、ビジネスの課題を解決するAWSの活用術連載記事一覧

もっと読む

この記事の著者

塚田 朗弘(アマゾン ウェブ サービス ジャパン株式会社)(ツカダ アキヒロ)

 アマゾン ウェブ サービス ジャパン株式会社 ソリューションアーキテクト。 2011年から生放送系ウェブサービスの開発を経験した後、2013年よりスタートアップ企業にJoin。CTOとしてモバイルアプリ、サーバサイド、AWS上のインフラ管理を担当しつつ、採用やチームマネジメントを行う。2015年8...

※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です

鈴木健二(株式会社FiNC Technologies 技術推進チーム、マネージャー)(スズキケンジ)

 1984年生まれ。大手ソーシャルゲーム会社にてインフラエンジニアとして従事、数多くのヒットタイトルの運用に携わる。FiNC TechnologiesではエンジニアリングマネージャーとしてSRE、マイクロサービス運用基盤を担当。

※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です

この記事は参考になりましたか?

この記事をシェア

  • X ポスト
  • このエントリーをはてなブックマークに追加
CodeZine(コードジン)
https://codezine.jp/article/detail/11965 2020/03/04 11:00

おすすめ

アクセスランキング

アクセスランキング

イベント

CodeZine編集部では、現場で活躍するデベロッパーをスターにするためのカンファレンス「Developers Summit」や、エンジニアの生きざまをブーストするためのイベント「Developers Boost」など、さまざまなカンファレンスを企画・運営しています。

新規会員登録無料のご案内

  • ・全ての過去記事が閲覧できます
  • ・会員限定メルマガを受信できます

メールバックナンバー

アクセスランキング

アクセスランキング