AWS のディープラーニングを使い、自然災害による損害賠償を軽減する
AWS のディープラーニングを使い、自然災害による損害賠償を軽減する:
2017 年のサンタローザ火災やハリケーンハーベイのような自然災害は、毎年何百億 USD もの損害賠償をもたらし、住宅所有者の生活において経済的混乱を招きました。保険会社は影響を受けた家屋を評価するために最善を尽くしますが、評価を開始するまでに数週間かかることもあり、それでようやく家屋を修復し保護することができます。 プロパティデータ分析会社である EagleView 社 は、 AWS における ディープラーニング に取り組んでいます。
EagleView 社のデータサイエンスと機械学習の指導者である Shay Strong は、「通常、保険会社は所有物損害の評価のために損害査定人を派遣するが、その地域が浸水したり、アクセスできないために、対応するのに数週間かかる場合があります。「EagleView 社は、衛星、航空写真、無人機の画像を使い、AWS Cloud でディープラーニングを実行し、24時間以内に損害賠償を正確に評価します。住宅所有者に情報を提供し、次の段階へ準備を迅速に行うために、データを大手保険保険会社や小規模な地域の保険会社の両方に提供しています。
多くの場合、この迅速な処理により、損害賠償において数百万 USD を節約することができます。フロリダ州のハリケーンアーマーからの洪水の際、クライアントはこのタイムリーなデータを使用して、防水シートで家屋の一部を覆い、二次的な水害を防ぐことをできるようにしました。
損害査定人による不動産評価の精度と一致させるために、EagleView 社は嵐の影響を受けた地域の多次元空間 (空間、時間、スペクトル) 全てをカバーする豊富な画像セットを使用する必要があります。この課題を解決するため、EagleView 社は米国全土で、120 台以上の航空機を使用して 1 インチ以下の解像度で撮影します。ディープラーニング画像分類器、オブジェクト検出器、およびセマンティックセグメンテーションアーキテクチャを実行するために、画像を小さな画像タイル（しばしば区画固有のタイルまたは一般的な 256×256 TMS タイル）に分解します。各画像タイルは、対応する地理空間および時間座標と関連付けることができ、追加のメタデータとして保持され、学習プロセスおよび推論プロセスを通じて維持されます。推論後、地理空間データを使用してタイルが貼り合わされて、ニューラルネットワーク予測を含む、関心領域の情報を地理登録したマップを形成することができます。予測は、AWS Cloud で管理されている永続ストレージ用のプロパティレベルのデータベースに集約することもできます。
以下の図は、2017 年のハリケーンハーベイ後のテキサス州ロックポートの一部で、EagleView 社のディープラーニングモデルによる損傷予測の精度を示しています。左の画像の緑色の箇所は、人間の分析結果による壊滅的な構造的損傷が発生する土地を示します。右側の画像のピンクの箇所は、モデルが作成したセグメント化した損傷予測です。このデータの場合、モデルは人間の分析と比較してアドレス当たり 96 ％ の精度を持ちます。
「暫定的な前処理能にディープラーニングを使い、アドレスレベルの属性を生成する前に画像が良好であるかどうか (たとえば、曇っていないか、ぼやけていないかなど)、また画像に関心のある適切な土地が含まれているかどうかを見極めます。我々は中間神経網を鎖状につないで、画像を前処理して、土地属性を生成するニューラルネットの効率と精度を向上させています。」と Strong 氏は付け加えています。
EagleView 社は、Apache MXNet フレームワークを使用してディープラーニングモデルを構築しました。モデルは、 AWS 上の Amazon EC2 P2、P3、およびG3 GPU インスタンスを使用してトレーニングしています。 準備が整ったら、モデルを大量の Amazon ECS コンテナにデプロイして、EagleView 社が毎日収集するテラバイト級の航空写真データを処理します。同社は、Amazon S3 に格納されている、不動産中心の空中映像のペタバイト級のデータを蓄積しています。その結果は、データの種類に基づいて Amazon Redshift、Amazon Aurora、および Amazon S3 の組み合わせで格納されます。例えば、セグメント化されたラスタマップなどのディープラーニング画像製品は S3 に格納され、Amazon Redshift データベースにおいて所在地住所の関数として参照されます。結果の情報は、API またはカスタムユーザーインターフェイスを使用して EagleView 社のクライアントに提供されます。
Strong 氏は、EagleView 社が他のディープラーニングフレームワークよりも MXNet を選択した理由として、「MXNetを採用したのは、柔軟性、スケーラビリティ、革新のペースの点です。MXNet を使用することで、強力な P3 GPU インスタンスでモデルをトレーニングすることができ、モデルを素早く反復して構築することができます。それらを低コスト CPU インスタンスにデプロイして推論することができます。MXNet はペタバイト級のイメージストレージと関連データを含む、操作に必要な種類のスケールを処理することもできる。最後に、MXNet の技術革新のペースにより、ディープラーニング空間の進歩に容易に追いつけます。」と語りました。
EagleView 社の次のステップの1つは、Gluon を用いることです。これは、TensorFlow、PyTorch、または他のフレームワークでネイティブに開発された R＆D モデルを MXNet に変換するための、オープンソースのディープラーニングインターフェイスです。その後、EagleView 社は、データ・サイエンティストや他のオープンソースの開発者が作った機械学習モデルを大規模な推論を実行するためのMXNet に取り入れることができます。
「AWS の手頃な価格とスケーラビリティのおかげで、保険査定などの多くのタスクで人間が達成できる精度レベルになるまでディープラーニングモデルを実行することが可能になります。EagleView 社の保険顧客にとって、一貫性、正確性、規模は不可欠です。「これは、保険のような歴史の長い産業を混乱させる潜在的可能性を秘めています。
詳細な学習を開始するには、Amazon SageMaker ML サービスで完全に管理した経験として MXNet を試すことができるでしょう。
2017 年のサンタローザ火災やハリケーンハーベイのような自然災害は、毎年何百億 USD もの損害賠償をもたらし、住宅所有者の生活において経済的混乱を招きました。保険会社は影響を受けた家屋を評価するために最善を尽くしますが、評価を開始するまでに数週間かかることもあり、それでようやく家屋を修復し保護することができます。 プロパティデータ分析会社である EagleView 社 は、 AWS における ディープラーニング に取り組んでいます。
EagleView 社のデータサイエンスと機械学習の指導者である Shay Strong は、「通常、保険会社は所有物損害の評価のために損害査定人を派遣するが、その地域が浸水したり、アクセスできないために、対応するのに数週間かかる場合があります。「EagleView 社は、衛星、航空写真、無人機の画像を使い、AWS Cloud でディープラーニングを実行し、24時間以内に損害賠償を正確に評価します。住宅所有者に情報を提供し、次の段階へ準備を迅速に行うために、データを大手保険保険会社や小規模な地域の保険会社の両方に提供しています。
多くの場合、この迅速な処理により、損害賠償において数百万 USD を節約することができます。フロリダ州のハリケーンアーマーからの洪水の際、クライアントはこのタイムリーなデータを使用して、防水シートで家屋の一部を覆い、二次的な水害を防ぐことをできるようにしました。
損害査定人による不動産評価の精度と一致させるために、EagleView 社は嵐の影響を受けた地域の多次元空間 (空間、時間、スペクトル) 全てをカバーする豊富な画像セットを使用する必要があります。この課題を解決するため、EagleView 社は米国全土で、120 台以上の航空機を使用して 1 インチ以下の解像度で撮影します。ディープラーニング画像分類器、オブジェクト検出器、およびセマンティックセグメンテーションアーキテクチャを実行するために、画像を小さな画像タイル（しばしば区画固有のタイルまたは一般的な 256×256 TMS タイル）に分解します。各画像タイルは、対応する地理空間および時間座標と関連付けることができ、追加のメタデータとして保持され、学習プロセスおよび推論プロセスを通じて維持されます。推論後、地理空間データを使用してタイルが貼り合わされて、ニューラルネットワーク予測を含む、関心領域の情報を地理登録したマップを形成することができます。予測は、AWS Cloud で管理されている永続ストレージ用のプロパティレベルのデータベースに集約することもできます。
以下の図は、2017 年のハリケーンハーベイ後のテキサス州ロックポートの一部で、EagleView 社のディープラーニングモデルによる損傷予測の精度を示しています。左の画像の緑色の箇所は、人間の分析結果による壊滅的な構造的損傷が発生する土地を示します。右側の画像のピンクの箇所は、モデルが作成したセグメント化した損傷予測です。このデータの場合、モデルは人間の分析と比較してアドレス当たり 96 ％ の精度を持ちます。
「暫定的な前処理能にディープラーニングを使い、アドレスレベルの属性を生成する前に画像が良好であるかどうか (たとえば、曇っていないか、ぼやけていないかなど)、また画像に関心のある適切な土地が含まれているかどうかを見極めます。我々は中間神経網を鎖状につないで、画像を前処理して、土地属性を生成するニューラルネットの効率と精度を向上させています。」と Strong 氏は付け加えています。
EagleView 社は、Apache MXNet フレームワークを使用してディープラーニングモデルを構築しました。モデルは、 AWS 上の Amazon EC2 P2、P3、およびG3 GPU インスタンスを使用してトレーニングしています。 準備が整ったら、モデルを大量の Amazon ECS コンテナにデプロイして、EagleView 社が毎日収集するテラバイト級の航空写真データを処理します。同社は、Amazon S3 に格納されている、不動産中心の空中映像のペタバイト級のデータを蓄積しています。その結果は、データの種類に基づいて Amazon Redshift、Amazon Aurora、および Amazon S3 の組み合わせで格納されます。例えば、セグメント化されたラスタマップなどのディープラーニング画像製品は S3 に格納され、Amazon Redshift データベースにおいて所在地住所の関数として参照されます。結果の情報は、API またはカスタムユーザーインターフェイスを使用して EagleView 社のクライアントに提供されます。
Strong 氏は、EagleView 社が他のディープラーニングフレームワークよりも MXNet を選択した理由として、「MXNetを採用したのは、柔軟性、スケーラビリティ、革新のペースの点です。MXNet を使用することで、強力な P3 GPU インスタンスでモデルをトレーニングすることができ、モデルを素早く反復して構築することができます。それらを低コスト CPU インスタンスにデプロイして推論することができます。MXNet はペタバイト級のイメージストレージと関連データを含む、操作に必要な種類のスケールを処理することもできる。最後に、MXNet の技術革新のペースにより、ディープラーニング空間の進歩に容易に追いつけます。」と語りました。
EagleView 社の次のステップの1つは、Gluon を用いることです。これは、TensorFlow、PyTorch、または他のフレームワークでネイティブに開発された R＆D モデルを MXNet に変換するための、オープンソースのディープラーニングインターフェイスです。その後、EagleView 社は、データ・サイエンティストや他のオープンソースの開発者が作った機械学習モデルを大規模な推論を実行するためのMXNet に取り入れることができます。
「AWS の手頃な価格とスケーラビリティのおかげで、保険査定などの多くのタスクで人間が達成できる精度レベルになるまでディープラーニングモデルを実行することが可能になります。EagleView 社の保険顧客にとって、一貫性、正確性、規模は不可欠です。「これは、保険のような歴史の長い産業を混乱させる潜在的可能性を秘めています。
詳細な学習を開始するには、Amazon SageMaker ML サービスで完全に管理した経験として MXNet を試すことができるでしょう。
コメント
コメントを投稿