論文の概要: Seamless Deployment of Machine Learning Inference at the Far Edge: An Empirical AWS IoT Greengrass Architecture for Industrial Predictive Maintenance
- arxiv url: http://arxiv.org/abs/2610.14815v1
- Date: Sat, 10 Oct 2026 11:22:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.107716
- Title: Seamless Deployment of Machine Learning Inference at the Far Edge: An Empirical AWS IoT Greengrass Architecture for Industrial Predictive Maintenance
- Title（参考訳）: 遠縁における機械学習推論のシームレス展開 - 産業的な予測的メンテナンスのための実証的なAWS IoT Greengrassアーキテクチャ
- Abstract要約: 本稿では,AWS IoT CoreとAWS IoT Greengrass v2上に構築された予測メンテナンスを実現するためのハイブリッドクラウドエッジアーキテクチャを提案する。
我々は、エンドツーエンドの推論遅延、帯域消費、推測精度を計測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial IoT sensors produce continuous, high-volume data streams that predictive maintenance needs to analyse in real time. Cloud-centric architectures send all raw telemetry to central servers, which costs latency, bandwidth and resilience. This paper presents a hybrid cloud-edge architecture for manufacturing predictive maintenance built on AWS IoT Core and AWS IoT Greengrass v2, with local machine learning inference at the edge and selective cloud synchronization. We deploy two configurations on real AWS infrastructure and compare them: a cloud-only baseline (Configuration A) and the proposed hybrid edge architecture (Configuration B). We measure end-to-end inference latency, bandwidth consumption and inference accuracy. Configuration B cuts cloud-bound bandwidth by 86.8% (63.6 KB to 7.2 KB per 200-reading window) and decision latency by 256x (23.1 ms cloud round trip to 0.09 ms local inference). At the edge, with no cloud involvement, it keeps an anomaly-class F1 score of 0.84 and 91% recall. The evaluation also instruments system uptime and Stream Manager queuing under cloud disconnection; the quantitative disconnection experiment is left as planned work. Our review of the literature points to four gaps that this work addresses: the lack of empirically validated Greengrass v2 deployments for predictive maintenance, unquantified bandwidth savings from selective edge synchronization, unmeasured resilience under cloud disconnection, and the open MLOps feedback loop at the edge.
- Abstract（参考訳）: 産業用IoTセンサは、予測メンテナンスがリアルタイムに分析する必要がある、連続的で高ボリュームのデータストリームを生成する。
クラウド中心のアーキテクチャは、すべての生のテレメトリを中央サーバに送信する。
本稿では,AWS IoT CoreとAWS IoT Greengrass v2上に構築された予測メンテナンスを実現するためのハイブリッドクラウドエッジアーキテクチャを提案する。
クラウドのみのベースライン(Configuration A)と提案されているハイブリッドエッジアーキテクチャ(Configuration B)です。
我々は、エンドツーエンドの推論遅延、帯域消費、推測精度を計測する。
構成Bは、クラウドバウンドの帯域幅を86.8%削減(63.6KBから7.2KB/200-reading window)、決定遅延を256倍(23.1msのクラウドラウンドトリップから0.09msのローカル推論)する。
雲を伴わないエッジでは、異常クラスのF1スコアは0.84、リコールは91%である。
評価は,雲解離時のシステムアップタイムとストリームマネージャの待ち行列を計測し,定量的解離実験を計画作業として残している。
今回の文献のレビューでは,予測メンテナンスのための実証済みのGreengrass v2デプロイメントの欠如,選択的エッジ同期による帯域幅の削減,クラウド切断時のレジリエンスの未測定,エッジでのオープンMLOpsフィードバックループ,という4つのギャップが指摘されている。
関連論文リスト
- DySCo: Dynamic Sharding for Collaborative Edge-Cloud LLM Inference with Depth-Synchronized Batching [1.6601126647731343]
大規模言語モデル(LLM)は、広汎なインテリジェントアプリケーションをサポートするためにますます使われています。
LLMは主にクラウドにデプロイされるが、レイヤワイドのエッジクラウド推論により、リソースに制約のあるエッジデバイスは、フルにホストできないLLMにコントリビュートすることができる。
ローカルキャッシュを保持するエグゼキュータであるDySCoを紹介し、dyForwardを紹介します。
論文 参考訳（メタデータ） (2026-10-06T12:42:11Z) - Adaptive DNN Partitioning and Offloading in Heterogeneous Edge-Cloud Continuum [0.0]
ニューラルネットワーク層を異種連続体に動的に分割するフレームワークを提案する。
広く採用されている3つの畳み込みニューラルネットワーク(VGG16、AlexNet、MobileNetV2)上で、このフレームワークを評価する。
その結果、このフレームワークは、それぞれ27.09-35.82%と6.34-22.92%のエネルギーとエンドツーエンドのレイテンシの低減を実現している。
論文 参考訳（メタデータ） (2026-05-10T16:09:06Z) - Secure and Low-Latency IoT Analytics Using an Edge-Based Streaming Architecture [0.0]
従来のクラウド中心アーキテクチャは低レイテンシと帯域幅の効率の要求を満たすことができない。
本稿では,IoT環境におけるリアルタイムストリーミング分析のためのエッジベースの軽量フレームワークであるEdgeStreamを提案する。
論文 参考訳（メタデータ） (2026-04-23T09:49:18Z) - Vision-Language Models on the Edge for Real-Time Robotic Perception [0.22940141855172028]
6G内のエッジインテリジェンス、特にOpen RANとMulti- Access Edge Computingは、これらの課題に対処するための経路を提供する。
本研究は,Unitree G1ヒューマノイドロボットを具現化したテストベッドとして,ORAN/MECインフラストラクチャ上でのビジョンランゲージモデルの展開について検討する。
その結果,エッジデプロイメントはクラウドに近い精度を保ちながら,エンドツーエンドのレイテンシを5%削減できることがわかった。
論文 参考訳（メタデータ） (2026-01-21T12:09:48Z) - Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
我々は,ポイントクラウドのための新しい固有textbfPointGST (textbfGraph textbfSpectral textbfTuning) 法を提案する。
ポイントGSTは事前訓練されたモデルを凍結し、スペクトル領域の微調整パラメータのための軽量で訓練可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。
さまざまなタスクにわたる挑戦的なポイントクラウドデータセットの実験では、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータも大幅に削減されていることが示されている。
論文 参考訳（メタデータ） (2024-10-10T17:00:04Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - Hierarchical Quantized Federated Learning: Convergence Analysis and
System Design [7.481427303081613]
フェデレーション学習は、クライアントのプライベートデータなしでディープニューラルネットワークをトレーニングするコラボレーティブマシンである。
以前の作業は、クラウドまたはエッジで1つの中央パラメータを仮定します。
本稿では,両クラウドサーバの利点を活用し,階層型量子化フェデレート学習システムについて考察する。
論文 参考訳（メタデータ） (2021-03-26T05:48:36Z) - Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud
System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。
まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。
次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。
第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文 参考訳（メタデータ） (2021-01-17T03:45:25Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳（メタデータ） (2020-03-10T05:52:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。