了解AIoT 及 Big Data 在 AWS 上的應用

大數據成為企業的重要資產,科技人才如何運用這些資源創造企業新價值,提升競爭力?
伊雲谷培訓講師團隊 eCloudture 結合 AWS 雲端基礎概念,延伸人工智慧、物聯網及大數據的發展脈絡和實務經驗,帶領學員認識資料科學的進程、現代企業的商業轉型及資料技術的應用。

什麼是 AIoT?

過去幾年物聯網技術越趨成熟,透過設備連網再將資料上傳雲端的技術,改寫了許多產業的運行模式。然而,隨著商業規模的擴展,所須要的可連網裝置也將隨之增加,假設我們現在擁有一兆個裝置,這麼多裝置所產生的大量數據,我們該如何處理與管理呢?
因應這樣的商業趨勢,AIoT 的概念與技術開始發展起來,而什麼是 AIoT?簡單來說就是 AI 與 IoT 的結合,近幾年來在全球消費市場最熱門的話題有:無人商店、臉部辨識支付、倉儲物流機器人、無人送貨機、情感社交機器人,這些創新智慧運用的背後,都是人工智慧(AI)與物聯網(IoT)快速匯流並進化成 AIoT 之後的多元應用。
但實務上而言,這幾年 AIoT 的技術並還沒有完全成熟,真正要看到 AIoT 的技術走進我們的日常生活場景還需要一段時間。

AWS 的 IoT 相關服務

  • AWS IoT Core
  • AWS IoT Device Manager
  • AWS IoT Greengrass
  • AWS IoT Defender
  • AWS IoT Analytics

在 AWS 的 IoT 架構中,我們會透過 Device SDK  AWS IoT Core 連結,AWS IoT Core 是一項託管的雲端服務,目前支援 HTTP、WebSocket 及 MQTT 三種通訊協定,可以讓您的 Device 安全地與雲端應用進行互動,並能隨時追蹤所有 Device,您可以在 AWS IoT Core 這項服務進行加密連線、授權認證、處理裝置資料並採取行動、以及隨時讀取和設定裝置狀態等相關任務。(閱讀更多了解 AWS IoT Core 之其他應用:實現真正的物聯網價值

除了透過 AWS IoT Core 收集和管理裝置之外,AWS 也提供以下的幾項服務來協助使用者進行管理與監控的工作。使用者可利用 AWS IoT Device Manager 來遠端管理大量的 IoT 裝置,對這些連線的裝置進行追蹤、監控和故障診斷及韌體更新等管理工作,減少使用者管理大量且多樣化的裝置時所耗費的成本和心力。而 AWS IoT Greengrass 可以先在本機收集資料後再於特定時間點上將資料傳送到  AWS IoT 進行分析,即使在網路環境品質不好的地方也能與其他裝置安全地通訊。另外,AWS IoT Device Defender 則可以協助使用者監控裝置是否在安全狀態,例如當您的 Device 可能正遭受 DDoS 安全隱憂時,AWS IoT Device Defender 可即時的偵測並且採取回應。

AWS IoT Analytics 是一個全託管的 IoT 資料分析服務,將分析 IoT 裝置資料所需的每個困難步驟自動化,包含篩選只從裝置收集所需特定資料、轉換資料格式和豐富資料、IoT 資料上執行查詢以及存放經過處理的資料等,您可以執行更複雜的分析和機器學習推論,或者自訂分析,在 Jupyter Notebook中建立自訂的分析自動化,按您的排程執行。

在 Big Data上的應用 – Machine Learning

一般而言,進行機器學習的訓練需要乾淨、整齊的數據,但從 IoT 裝置產生的數據可能並不齊全或是格式混亂的,而 AWS IoT Analytics 可以事先處理這些數據,在收集數據的階段可以先篩選且過濾掉雜亂或是會引起干擾的數據,再進行預先處理與後續的分析程序。

機器學習在 AWS 上的應用分成三個層面:應用程式層面(Application Services)、平台層面(Platform Services)及架構與介面層面(Framework & Interfaces)。以下列出幾項 AWS 在各層面有哪些服務:

1. 應用程式層面(Application Services)

視覺(Vision)
  • Amazon Rekognition Image:影像辨識
  • Amazon Rekognition Video:影片辨識
  • Amazon Textract:語音轉換
聊天機器人(Chatbots)
  • Amazon Lex:語音及文字交談之相關應用
語音(Speech)
  • Amazon Polly:將文字轉換成模擬真人說話的音檔
  • Amazon Transcribe:自動語音辨識(ASR)
語言(Language)
  • Amazon Comprehend:自然語言處理服務
  • Amazon Translate:語言翻譯
整合(Vertical)
  • Amazon Personalize:智能個人化推薦引擎
  • Amazon Forecast:進行準確時間序列預測

2. 平台層面(Platform Services):

  • Amazon Sagemaker
  • Amazon DeepLens
  • Amazon DeepRacer
  • Amazon Marketplace for ML

3. 架構與介面層面(Framework & Interfaces):
若使用者已經有擅長的機器學習演算法,也可以使用 AWS GPU 系列的基礎設施更自主彈性的建立機器學習的應用場景。

除此之外,機器學習還有另一種使用場景:強化式學習(Reinforcement Learning),有別於監督式及非監督式學習,強化式學習是通過不斷與環境互動,利用環境給予的獎懲來不斷改進策略,以獲得更大的累積獎懲。和監督式機器學習最大不同在於它是學習過程是動態的,且主要用來解決決策問題,更像是人類大腦了。

以上為本次線上研討會的重點節錄,如果想要了解更多 AIoT 及 Big Data 在 AWS 上的相關應用及實際案例,或是想參加實作增加實戰經驗,趕快聯絡我們了解更多數據培訓課程的相關資訊吧!

更多資訊
AIoT & Big Data 培訓課程 
了解 eCloudture 講師團隊

2021-05-28T13:39:49+00:00 2019/03/07 |大數據|