« Nutanix .NEXT CONFERENCE @NICE Day1 速報 | メイン | 「D・・・は永遠の輝き」:ROBOシリーズ »

2017/11/10

Nutanix .NEXT CONFERENCE @NICE Day2 速報(IoT&AI)

情報は原文の投稿時のままの情報ですので、現時点では投稿時の情報と製品とで差異が出ている場合があります。

当社のNutanix社製品についてはこちら。本ブログのNutanix関連記事のまとめページはこちら

ネットワールドのNutanix関連情報はぜひ以下のポータルから取得ください(初回はID、パスワードの取得が必要です)。

今回のNutanix .NEXT 2017 Europeの内容については以下のセミナーでもカバーします。ぜひ足をお運び下さい。

ネットワールドが Nutanix の売り方、お教えします セミナー
ネットワールドの販売ノウハウに加え、Nutanix.NEXT Europeからの超最新情報、InstantOn VDI for Citrix 、Microsoft Cloud Solution Provider(CSP)まで

Nutanix .NEXT CONFERENCE @NICE Day1 速報も合わせてご参照下さい。

Fig300

皆様、おはようございます。昨日の工藤の記事に引き続き、Nutanix .NEXT CONFERENCE @NICE Day2の情報をお伝え致します。写真は宿泊しているホテルのそばから崖を登ってニースの旧市街と湾を見下ろしている写真です。この写真を取った時は良かったのですが、その後ニースは嵐に見舞われて・・・土砂降りです。そんな中行われたDay2のキーノートは昨日のちょっと先という話ではなく、もう少し長期的な話でした。

スタートはVP Product MarketingのRaja Mukhopadhyay氏が登壇、Nutanixが定義する3つのクラウド(コア、分散、エッジ)のエッジの話をしようということです。絵にすると以下の部分。

Fig301

店舗(ROBO)などではなく、もっと分散された部分です。

Fig302

こうしたエッジに収集されるデータは例えば自動車の場合、1日1台あたり16TB、1都市あたりでなんと1PBにも及ぶそうです。こんな大量のデータをクラウドに全て送ることはできません。実際に送られているのは1都市あたり1日10GB、つまりデータの取捨選択が行われているのです。

Fig303

ウェブスケールを超える、プラネットスケールと言う言葉が出てきます。先の例は車の例でしたが、プライベートクラウドのデータセンタに3千200万台のサーバがあり、Top3のパブリッククラウドのプロバイダー(おそらくAWS,Azure,Goole)は3百50万台のサーバを保持しています。一方で分散クラウド(店舗、ROBO)には3百万台のサーバが配備されている中で、エッジグラウドにはなんと30億台ものデバイスが存在するとのこと。恐ろしいほどのデータが常に生み出されているということです。

当然、取捨選択が必要です。欲しいデータもしくはそのデータの中から導き出された知見のみをクラウド(分散クラウド、もしくはコアクラウド)へと転送する機能がエッジには必要なのです。

Fig304

エッジで取得されたデータは分散クラウド→プライベートクラウド→パブリッククラウドというパイプラインを通りながら、その形を変え、データ量は減らしながらも途中経過でインテリジェンスが加えられていきます。また、エッジのコンピューティングリソースは限られていますので、仮想マシンはもちろん、コンテナでもそのリソースにかかるコストが大きいということが起きえます。

Fig305

Satyam氏の話は既存のIoTシステムについての話から。Satyam氏によると既存のIoTのシステムはビジネス上の制約ではなく、技術的な制約が多く、IoT関連技術を採用しようとする際に技術的な制約のためにビジネスの足かせになっているケースが多いということ。

Fig307

つまり、収益を上げたいがためのIoTなのに、技術的な課題のためにビジネスに制限をつけているということになります。

Fig306

デモは空港を想定、空港の中にある様々なセンサー(ビデオカメラ等)からの情報をかしこく処理して、ビジネスに必要なデータだけをクラウドに抽出するというものです。

ユースケース1 : 駐車場のカメラから赤い車が「いるか、いないか」を判断する

Fig308

どのデータ(Data)を元にするかを選んで、処理(Processing)では「object recognition(物体認識)」を選択、認識する対象は「赤い車(red car)」です。自然言語で指定できるようです。更に結果は「いる/いない」の2種類ですのでその結果を最終的にCloudへ送る、という操作も全てこのUI内で完結しています。コアクラウドへ送るデータを最小に留めながら、得られる知見を最大化するというアプローチです。通常IoTという場合様々な手法が存在しますが、SDN(ネットワーク)ではなくSDS(ストレージ)でのIoTへのアプローチは大変珍しいように思います。

Fig309

プログラミングをすること無く、必要な情報(駐車場に赤い車がいるかどうか)を抽出できています。

Fig310

単に抽出するだけでなく、GCP上のDBに必要な情報を登録することも行われています。

更にこうしたエッジでは様々なセンサーに対応することができなくてはならないため、仮想マシンやコンテナでもオーバーヘッドが大きすぎるということに備え、ファンクション(※AWSでいうLamda的な、いわゆるサーバレスアーキテクチャ)も採用できるようにする計画があるようです。今後予定されている1ノードクラスタ、2ノードクラスタでは非常に重要になってくるでしょう、

Fig312

ユースケースその2 : ターミナルのビデオカメラからそこに「何人いるのか?」を知る

同様に、今度は同じソース(ビデオ)から人が何人いるのか?数えるシステムを作っていました。

Fig314

同じくObject Recognitionから今度は人間(Person)を認識し、戻す値はCounted(集計)です。

Fig315

うまく行っています。ビデオをすべてクラウドに上げるということは膨大なコストですが、このように何人の人がいるのか、ということだけにフォーカスしてデータを拾い上げればビデオのような非構造化データではなく、構造化データとしてデータを吸い上げることができます。帯域の削減はもちろん、クラウド側で処理しやすい形状でのデータ入力が可能となります。

Fig316

こうしたエッジに大量にばらまかれているセンサーを管理するのも大変です。NutanixアプライアンスであればPrism Centralで管理ができましたし、今度はアプリケーションをCalmで管理していくことになるでしょう。そしてファンクションの機能についてはPrism Central(のクラウド版)にてサポートされる予定です。

Fig317

拡張性についてはPrism Centralの分散アーキテクチャ化によって、更に大きくなり、リソースのフットプリントの小ささという意味では2ノード、1ノードと幅をひろげていきます。また動作するものもファンクションだけになりますのでCPUやメモリなど限られたリソースを最大限に有効活用できます。

この後はPresidentのSudheesh Nair氏によるAI講座。ニューラルネット、教師あり学習、教師なし学習など大学の講義系のセッションがありましたが、こちらでは割愛したいと思います。

来週になってしまいますが、ブレイクアウトセッションの内容や昨日、本日の記事でカバーできていない部分の記事を上げたいと思いますので今しばらくお待ち下さい。

記事担当者: マーケティング本部 三好哲生 (@Networld_NTNX

Ntc2017_2