まず、BLOCKS の機械学習の基本を理解しましょう。

BLOCKS の機械学習は、学習と予測の 2 つのステップで構成されます。

学習のステップでは、モデルジェネレーターを使って、CSV 形式のファイルで準備された大量の学習データから特徴を見つけます。

学習データは、問題と答えの組み合わせで準備します。今回のケースでは、気象衛星の雲の画像と気象観測所の気象データから、降水量を判断したいわけです。このため問題は、過去の気象データから「雲の画像と気象データ」を準備します。また回答は、「1 時間後の降水量」を準備します。

BLOCKS では、問題のことを「因子」、答えを「結果となる値」と呼びます。また、学習して得た成果を「モデル」と呼びます。

予測のステップでは、フローデザイナーの予測フローを使って、最新の気象衛星からの雲の画像と気象情報から学習結果のモデルを使って、1 時間後の降水量を導き出します。

「BLOCKS 機械学習の基本」で述べたとおり、学習には大量の学習データが必要です。なおかつ CSV 形式のファイルで、「因子」・「結果となる値」の組み合わせでデータを準備する必要があります。

「因子」内のデータの順序性は問いませんが、「因子」・「結果となる値」は、「因子」→「結果となる値」の順でなければなりません（要は「結果となる値」が最終列）。

また、データはすべて Google Cloud Storage（GCS）上に準備する必要があります。

今回準備する学習データの形式は、以下のとおりとします。これをコンマ区切りの CSV ファイル（BOM なし・UTF-8）で準備します。

• 気象衛星からの雲の画像（画像ファイルへのパス）
• 気温
• 気圧
• 風向
• 風速
• 1 時間後の降水量

なお画像データは、GCS へ配置し、その配置場所へのパス（GCS URL）を画像情報のデータとして準備します。例えば、ci18092513.jpg という気象衛星からの雲の画像ファイルがあるとします。この画像ファイルを GCS の sample-us-central1-data バケット上に配置した場合は、gs://example-us-central1-data/ci18092513.jpg という画像ファイルへの GCS URL がデータとなります。

info_outline バケットは、GCS 上にデータを配置するための特有な場所です。GCS に配置するデータは、すべてこのバケット内に格納します。

info_outline GCS URL は、GCS に配置したデータの場所を指し示す記法です。GCS URL は必ず gs:// で始まり、これが GCS であることを意味します。続いて、データが配置されているバケット名とデータ名を記載します。バケットとデータの間は / で区切ります。

具体的なデータの例は、以下のとおりです（一部抜粋）。

gs://example-us-central1-data/ci18082712.jpg,24.4,1009.6,南南東,1.5,14.5
gs://example-us-central1-data/ci18082713.jpg,24.1,1008.5,南東,3.3,2
gs://example-us-central1-data/ci18082714.jpg,24.9,1007.4,南東,3.5,2
gs://example-us-central1-data/ci18082715.jpg,24.7,1007.2,東南東,2,10
gs://example-us-central1-data/ci18082716.jpg,24.2,1007.5,北北西,2.1,15

データはコンマ区切りで、気象衛星からの雲の画像（GCS URL）・気温・気圧・風向・風速・1 時間後の降水量の順に並べています。

この CSV 形式のデータと画像ファイルを GCS へアップロードします。これには、BLOCKS サポートツールの GCS Explorer（beta）を使用すると便利です。

操作は簡単です。バケットを指定し（❶）、［ファイルをアップロード］（❷）をクリックし、アップロードする CSV ファイルと画像ファイルを選択するだけです。

これで学習データの準備は完了です。

続いて、学習のための準備をします。

学習は、モデルジェネレーターを使いますが、あらかじめどのようなデータを学習するのかを設定しておく必要があります。このためには、今回学習するための専用のモデルジェネレーターを作成します。モデルジェネレーターの作成は、ウィザード形式のため案内に沿って入力をしていくだけの簡単操作です。

おおまかな流れは以下のとおりです。

モデルジェネレーターの利用を開始すると、どのタイプのモデルジェネレーターを作成するか尋ねてきます。今回は、降水量という数値の大小に意味のある予測を行うので、数値回帰タイプを選択します。

続いて、専用のモデルジェネレーターに名前を付けます（例：降水量の予測）。

最後に、準備した学習データの形式について設定します。

［項目を追加する］ボタンをクリックして、項目名・型・型別設定を項目数分、設定していくだけです。設定する内容は、以下のとおりです。

info_outline マルチモーダルで画像データを指定するときは、型に［画像 URL］を選択します。なおかつ、画像データは GCS にアップロードし、その画像への GCS URL をデータとして設定することになります。

これで学習のための準備は完了です。

続いて、予測データを準備します。

ファイルの形式は、学習時と同様にコンマ区切りの CSV ファイル（BOM なし・UTF-8）です。ただしデータの内容には、「結果となる値」は不要です。また、予測用データには、行毎の各データを特定するためのキーとなる列や各列がどのような値かを示すヘッダーも必要です。

以下は、予測データの例です。

key,weather_satellite_images,temperature,barometric_pressure,wind_direction,wind_speed
2019-09-19 13:00,gs://magellan-iot-sample-us-central1-data/ci19091913.jpg,28.4,1010.9,北,8.4

• 1 行目がヘッダーです。
• キーとなる列の列名は、key でなければなりません。
• その他の列名は、モデルジェネレーター作成時に定義したデータの項目名と一致しなければなりません。
• この例では、キー・気温・気圧・風向・風速の順に並べています。

予測は、フローデザイナーのフローを使って行います。機械学習の予測フローに関しては、フローテンプレート作成機能を使うと、いくつかの質問項目に答えるだけで簡単にフローを作ることができます。

現時点では、マルチモーダルのフローテンプレート作成機能による予測は、予測データが DataEditor か BigQuery 上にあるときのみ可能です。このため、今回は DataEditor を使った例を紹介します。

先ほどの予測データを DataEditor のインポート機能を使って取り込みます。

ここでは、「降水量の予測データ」という名前を付けて予測データを取り込みました。

これで、予測データの準備は完了です。

最後に、予測フローを実行して、予測結果を確認します。

予測フローのメニューから［フローの実行］をクリックすると、フローが実行されます。

しばらくすると、DataEditor に予測結果が出力されます。

output の列が予測した降水量です。

以上で、予測の実行と予測結果の確認ができました。