Amazon Lookout for Vision

解決する課題

製造ラインでの外観検査（傷・欠け・汚れ・部品の欠落などの目視チェック）は、人手では速度と品質を一定に保つのが難しく、熟練者への依存も大きくなります。Amazon Lookout for Vision は、こうした製品画像からの異常検出を機械学習で自動化することを狙った産業向けの画像検査サービスでした。

• 製品画像から欠陥や異常を検出し、正常か異常かを判定
• 異常の位置や種類を画像上で特定（局在化）するモデルにも対応
• 機械学習の専門知識がなくても、自社の画像を与えて検査モデルを学習

主要概念と用語

• プロジェクト: ある検査対象（製品やラインなど）に対するデータセットとモデルをまとめる単位
• データセット: 学習・評価に使う画像の集合。学習用とテスト用に分けて用意する
• ラベル: 各画像が**正常（normal）か異常（anomaly）**かを示す教師データ
• 画像分類モデル: 画像全体が正常か異常かを判定するタイプのモデル
• 異常局在化（セグメンテーション）モデル: 画像のどこに、どの種類の異常があるかを領域として示すタイプのモデル
• モデルバージョン: 学習のたびに作られるモデルの版。精度指標を比較して採用版を選ぶ
• トライアル検出: ラベルなしの新しい画像でモデルの当たり具合を試し、結果をフィードバックして改善する仕組み
• モデルのホスティング（開始・停止）: 推論に使うにはモデルを明示的に開始し、不要時は停止して費用を抑える運用単位
• エッジ実行: モデルをパッケージ化し、AWS IoT Greengrass を通じて現場のデバイス上で推論する利用形態

仕様・制限・クォータ

• 入力は製品の静止画像で、学習・推論ともに画像を対象とする（動画そのものの解析ではない）
• モデルは正常か異常かの画像分類と、異常の位置・種類を示す局在化の二系統がある
• 学習には正常画像と、可能なら異常画像を用意する。少量データから始められる設計だった
• 推論は、クラウド上でホストしたモデルへの同期 API 呼び出しと、エッジ（IoT Greengrass）での実行の両方に対応していた
• クラウドのモデルは利用前に開始が必要で、使い終えたら停止して稼働時間に対する費用を止める
• 学習画像数やプロジェクト数などにアカウント単位のクォータが存在した

提供終了に伴い、コンソールや API、ドキュメントの利用可否は変化しています。具体的な上限値や対応状況は、移行先サービスの最新の公式情報で確認してください。

内部の仕組み

利用者から見ると、ラベル付きの製品画像を与えるとマネージドな機械学習が検査モデルを学習し、新しい画像を渡すと正常・異常の判定（および異常領域）を返す仕組みでした。

• 学習: 正常・異常のラベル付き画像から、サービスが特徴抽出やモデル選択を自動で行い、検査モデルを学習する
• 評価: テスト用データセットで精度指標を算出し、モデルバージョンごとに比較できる
• クラウド推論: モデルを開始してホストし、画像を渡すと異常判定や信頼度、異常領域を含む構造化結果を返す
• エッジ推論: モデルをパッケージ化してデバイスへ配布し、現場でネットワークに依存せず推論する

モデルの学習基盤・スケーリング・ハードウェア管理はすべて AWS 側が担う設計でした。

設計パターン / ベストプラクティス

提供終了済みのため、ここでは「外観検査を機械学習で自動化する」考え方として整理します。後継サービスでも有効です。

• 正常データを軸にする: 異常サンプルは集めにくいため、まず正常画像を十分に用意し、検出したい異常を段階的に追加する
• 撮影条件をそろえる: 照明・角度・解像度を学習時と推論時で一致させると精度が安定する
• しきい値で運用を制御する: 判定の信頼度にしきい値を設け、グレーゾーンは人手の再検査に回す
• エッジとクラウドを使い分ける: 低遅延やオフライン要件があるラインはエッジ、集約管理したい場合はクラウドという切り分けを検討する

運用・監視

• 推論 API の呼び出し回数やレイテンシ、エラー率は CloudWatch のメトリクスで監視する
• API 操作やモデルの開始・停止といった監査証跡は CloudTrail に記録される
• クラウドのモデルは開始したままにすると稼働時間で課金されるため、検査が走らない時間帯は停止する運用を組む
• トライアル検出や本番結果のフィードバックを使い、誤検出・見逃しを継続的に見直す

コスト

• 課金は基本的に、モデルの学習時間、推論のためにホストした稼働時間、エッジ実行に応じた費用などで構成された
• クラウド推論は、開始してから停止するまでのホスト時間に課金される点が特徴で、止め忘れがコスト増の主因になりやすい
• 提供終了に伴い、現在は新規の課金は発生せず、代替サービスの料金体系で見積もり直す必要がある

具体的な単価は移行先サービスごとに異なるため、最新の公式料金ページで確認してください。少量データで検証してから本番ボリュームを見積もるのが安全です。

セキュリティ

• アクセス制御は IAM で行い、学習画像を置く S3 バケットやモデル操作への最小権限のみを付与する
• 転送は TLS で保護し、S3 上の学習画像は S3 側の暗号化（KMS 管理鍵を含む）で保存時を保護する
• 製品画像には製造ノウハウなどの機微情報が含まれ得るため、保管目的・期間・取り扱いに配慮する
• エッジ実行では、配布先デバイスやモデルパッケージの取り扱いを含めて保護範囲を設計する

関連サービス・比較

外観検査や画像分類を機械学習で行いたい場合、現在の代替は汎用基盤の Amazon SageMaker が中心です。位置づけの違いを比較します。

ハンズオン / CLI例

提供終了に伴い実行できない場合がありますが、概念把握のための代表的な呼び出し例を示します。

# プロジェクトの一覧を確認する（操作の起点を把握する例）
aws lookoutvision list-projects

# ホスト中のモデルに画像を渡し、正常/異常を判定する（推論の例）
aws lookoutvision detect-anomalies \
  --project-name my-inspection-project \
  --model-version "1" \
  --content-type image/jpeg \
  --body sample.jpg