Ya sea que se trate de vehículos conectados, dispositivos inteligentes para el hogar o aplicaciones industriales, las aplicaciones IoT se están haciendo rápidamente más inteligentes. El cómputo en el borde ayuda a liderear esta transformación ya que los dispositivos IoT no sólo recopilan y transmiten datos, sino que también realizan análisis predictivos y responden a eventos locales, aún sin conectividad a la nube. En esta sesión, aprenda sobre las inferencias de "machine learning" en el borde, por qué es importante y cómo usarla para construir aplicaciones IoT inteligentes. A través de casos de uso de clientes, demostraremos cómo utilizar AWS Greengrass para localizar modelos entrenados de "machine learning" en la nube, desplegarlos en sus dispositivos AWS Greengrass, habilitar el acceso al poder de cómputo del dispositivo y aplicar modelos para los datos generados localmente sin conexión a la nube.

1. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Enterprise Solutions Architect, Amazon Web Services
MXO205
Lleve la Inteligencia al borde del IoT
con AWS Greengrass
Cindy Polin

2. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
AWS IoT Arquitectura
Asegura la
conectividad
del dispositivo
y mensajeríaEndpoints
AWS IoT Core
Incorporación por
flota, administración
y actualizaciones
SW
Auditoría y
protección de
flotilla
IoT data
analytics e
inteligencia
Gateway
AWS Greengrass
Things
Sensar & Actuar
Cloud
Almacenamiento & Cómputo
Amazon
Inteligencia
Conocimiento & Lógica → AcciónAWS IoT 1-Click

3. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
¿Cómo puedo
extender la
inteligencia de
AWS hacia el
borde?

4. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Sincronización
de datos y
estado
Acciones
locales
Triggers
locales
Seguridad
AWS Greengrass
Extienda la inteligencia hacia el borde
Inferencias
locales ML
Preview today
Actualizaciones
Over the air
Protocolo
adaptado
para OPC-
UA
Acceso
recursos
locales
Versión 1.5.0

5. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Inferencia de ML de AWS Greengrass
Construya y entrene
modelos de ML en la
nube
Acelere las aplicaciones de
inferencia ML en el borde
Dispositivos actúan
rápidamente –
incluso estando
desconectados
Utilice AWS Greengrass
para desplegar modelos
optimizados en su
dispositivo destino

6. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Machine Learning en el borde
AWS Greengrass ML Inference

7. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Casos de uso
Reconocimiento
voz/sonido
Evitar
colisiones
Reconocimiento
de imagen
Detección de
anomalías
Más
!
Agricultura
inteligente
Mantenimiento
predictivo
Automóviles
conectados
Video vigilancia Robótica

8. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Beneficios de inferencias de ML en el borde
Latencia Ancho de
banda
Disponibilidad Privacidad

9. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.

10. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
¿Quién es
Yanmar?
Fabricante de motores de diesel y equipos
industriales japonés fundado en 1912
Enfocado en contribuir a la realización de una sociedad
sustentable en el próximo siglo
Comprometido a proporcionar soluciones óptimas
para los clientes en la producción de alimentos y el
aprovechamiento de la energía

11. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Desafíos comerciales de Yanmar
Mientras la agricultura está bajo presión, Yanmar está
comprometido a desarrollar tecnología de invernadero
transformacional
Buscando aumentar la
inteligencia de las
operaciones de
invernadero
Trabajando para
entregar la cantidad
correcta de apoyo
ambiental para cultivos
de invernadero
Gestionar activamente el
crecimiento de las
plantas en invernaderos
© 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.

12. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Cómo AWS resuelve los desafíos de
Yammar
Despliegue AWS Greengrass y AWS Greengrass ML Inference
en el ecosistema de la cámara de efecto invernadero
Se evitarán tarifas de red 3G
AWS Greengrass ML Inference
accesa modelos entrenados
para procesar imágenes de
plantas de invernadero
Los modelos de ML detectan
anomalías desencadenando
alertas y pasos correctivos
Resuelve tres desafíos
principales
1
2
3
La solución de
agricultura de precisión
impulsada por IoT
permite a los
agricultores cultivar
mediante el despliegue
de inteligencia

13. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
First Last
Title

14. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
¿Quién es
Det
Forenede
Dampskibs
-Selskab
(DFDS)?
Compañía europea de envío y logística fundada en
1866
La visión de la compañía es ofrecer un alto rendimiento
y confiabilidad superior para los servicios de envío y
soluciones flexibles de transporte
En 2017, DFDS alcanzó un retorno de inversión de
capital del 19%, excediendo el resultado del año pasado
por 1.2%

15. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Deseo de mejorar la eficiencia energética y reducir
la huella de carbono
Fue importante para DFDS
encontrar una solución que
pudiera ejecutarse
localmente en los barcos
DFDS estaba buscando
aumentar la eficiencia
operacional de sus barcos para
minimizar el consumo de
combustible
Retos comerciales de DFDS
© 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.

16. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Cómo AWS resuelve los desafíos de
DFDSImplementando AWS Greengrass ML Inference para
reducir el consumo de energía de su propia flota
Los modelos de ML
predicen la propulsión
del barco utilizando
datos de sensores
Los modelos de ML
minimizan la potencia
de propulsión de los
barcos
El modelo ML se
ejecuta localmente
con re-
entrenamiento
hecho en la nube
La solución
proporciona
múltiples
beneficios a
DFDS
1 2 3 Los datos se
envían a la nube
a pesar de la
conectividad
esporádica
4 5 Construyendo
una mina de oro
de datos con
potencial para
ejecutar otros
proyectos
Ps/stb Draft RadarClinómetro Potencia en el eje, Paso de hélice,
RPM del eje

17. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Visión general de AWS Greengrass
ML Inference

18. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Inteligencia en dispositivos
Sensar
Genera y recibe datos ricos del
entorno
Inferir
Extrae relevancia de grandes
cantidades de datos en tiempo
real
Acción
Toma acciones inteligentes

19. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
¿Por qué es difícil?
Recopilar y
mover datos
a la nube
Procesar
datos,
construir y
entrenar su
modelo
Implemente
el modelo en
el dispostivo
destino
Construya
ML
framework
(e.g.,
MXNet) para
diferentes
dispostivos
Escriba la
aplicación de
inferencia y
despliéguela
en el
dispositivo
destino
Utilice
aceleradores
tales como
GPU

20. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
ML Inference utilizando AWS Greengrass
Entrenamiento en la nube
• Poder de cómputo masivo
• Largo repositorio de datos
Modelos entrenados y
Lambdas
Inteligencia
extraídaInferencias y
tomar acciones
localmente en el
dispositivo
AWS Cloud
para
entrenamiento
Inferencias en el borde
• Baja latencia
• Ahorros de ancho de banda
• Regulación/Privacidad
• Confiabilidad

21. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Implemente modelos
entrenados a dispositivos
destino para usted
• Localice los modelos
entrenados de Amazon
SageMaker en la consola AWS
Greengrass
• O traiga sus propios modelos
• Agregue su modelo entrenado
como un recurso de
“Machine Learning”
para el grupo AWS Greengrass
• Despliegue hacia los
dispositivos AWS Greengrass
Implementar modelos entrenados en la nube

22. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Accese a los aceleradores
ML en el dispositivo tales
como GPU y FPGA desde
funciones Lambda para
acelerar la inferencia
• No require de código
• Simplemente declare el
acelerador como un “Local
Resource” que las
funciones de Lambda
necesitan para acceder
Accese a los aceleradores de hardware

23. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
MXNet y TensorFlow
packages pre-construídos,
así que no tendrá la
necesidad de construirlos
desde cero para sus
dispositivos
• Intel Atom
• NVIDIA Jetson TX2
• Raspberry Pi
Usted siempre puede traer sus
propios frameworks
MXNet y TensorFlow pre-construído para
dispositivos

24. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Ejemplos de Lambda para
ayudarte a crear
aplicaciones de inferencia
mostrándote cómo
• Cargar modelos
entrenados
• Aplíquelos a los datos
generados localmente para
la inferencia local
• Toma de acciones
Ejemplos de inferencia de Lambda

25. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Demo

26. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Beneficios de inferencias en AWS Greengrass
ML
Implementar
modelos entrenados
en la nube
Habilitar el acceso a
la GPU
Utilice MXNet y
TensorFlow pre-
constuídos o traiga
su propio ML
framework
Acciones Lambda

27. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Resumen

28. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Clientes y socios

29. © 2018, Amazon Web Services, Inc. or its affiliates. All rights reserved.
¡Gracias!