Comments
Description
Transcript
Industry Deep Learning
intelligence NVIDIA GPU TECHNOLOGY CONFERENCE JAPAN 2016 Industry Deep Learning 2016.10.5 株式会社クロスコンパス・インテリジェンス XCompass Intelligence Ltd. 会社概要・事業概要 株式会社クロスコンパス・インテリジェンス 株式会社クロスコンパス(2011年東工大発ベンチャー)より分社 A:収入確保・知見の蓄積 有償 1. 企業向けDLパイロットプロジェクト実施 2. 企業向けDL研究開発 3. 企業向けAIコンサルティング B:本来目的 自己資金 1. AIプラットフォーム構築 2. 新NNWアルゴリズム開発 2014中頃から現在まで、「ディープラーニング ベンチャー」「ディープラーニング 会社」「人工知能 ベンチャー」「人 工知能 会社」でGoogleキーワード検索するとトップに表示。SEOは全く実施していません。 述べ件数：60件以上(増加中) 会社数：25社以上(増加中) カレント：5件程度 A:収入確保・知見の蓄積 B:本来目的 「今、人工知能（AI）をすぐにでも活用したい企業の“駆け込み寺”になっている ベンチャー企業がある。ディープラーニングによるデータ分析技術を専門に手掛け るクロスコンパス・インテリジェンス（本社東京、以下XCI）だ。」 日経テクノロジー 2016年2月号 A:収入確保・知見の蓄積 進むべき方向 B:本来目的 1 DeepLearning適用フロー Deep Learningを用いると、NNWにデータを入力するだけで、自動的にそのデータの構造や属性、特徴を学習することができる。学習によって、画像 に写っている「もの」が識別できたり、商品の売上を予測できるなどの能力を獲得することができる。このようなNNWを「学習済みNNW」と呼ぶ。学習 済みNNWは離散化した情報の羅列を知識や知恵に結実させた暗黙知と捉えられ、アプリケーション(用途)別に学習済みNNWを様々な形で実装す ることで、インテリジェントなプラットフォームを構築できる。(Intelligene eXchange(=IX)開発中) お客様のニーズ 犬と猫を区別したい 異常と正常を区別し たい NNW構築ノウハウ データ学習 わからない？？ まだ知識はなく、識 別はできない 知識・知恵 動作プラットフォーム コンピュータサーバ (cloud) 犬かも！ 犬と猫の 画像 要求にあったNNW 構造の作成・選択 パソコン(office) 様々な デバイスに 搭載 多種多様なデータを学習 「NNWテンプレート」 内容を開示 する必要は ない 「学習済みNNW」 DLの学習にはNVIDIA製GPU を利用することがスタンダードに。 スマートフォン (personal) 組込みデバイ ス(device) CHIP NVIDIA製GPUは各スケール同 じアーキテクチャで動作する。 2 プラットフォーム 人工知能をツールとした、新しいプラットフォームビジネス 「実用的なNNWテンプレート」・「学習済みNNW」・「処理フロー」・「学習用データ」 を流通させるためのプラットフォーム Intelligence eXchange ｛略称： IX｝ ※商標登録申請中 「実用的なNNWテンプレート」「学習済みNNW」「処理フロー」「学習用 データ」が流通する市場(Market Place)は存在しない。このような市 場ができると... 人工知能・ビッグデータがビジネスとして成立する (※知的財産権、著作権などの法整備が急務) 3 提供先産業 膨大なニーズ ＋ 業界的な適応力 Manufacturing-IX 工場 自動化・異常 検知・ 予知 保全・自動 運転・自 動設 計・その他 Marketing-IX 販売 予測・ユーザ行動 予 測・商圏 分析・その他 Service-IX エンターテインメント応用・ WebAPI・その他 HumanResource-IX Medical-IX 最適チーム予測・人事 評 価・退職 予測・退学 予測・ スキル予測・その他 Defence-IX 創薬・医療 画像診 断・疾 病予 測・その他 防衛 Core-IX Agri-IX 生産 工場・最適 環境制 御・その他 Financial-IX 基本アルゴリズム (画像 認識・動画 認識・音声 認識・自然 言語処 理・時系 列 データ処理・その他)・ Intelligence流通プラットフ ォーム・データ流通プラットフォ ーム Education-IX 学習 支援・自動 翻訳・その 他 株価 予測・与信・各種 金 融指 標予測・その他 Express-IX Resource-IX Construction-IX 自動 設計・防災・減災(耐 震・制振)・その他 電力 最適消 費・太陽 光発 電予 測・リモートセンシン グ・そ の他 経路 最適化・地形 任意 式・燃料 最適化・地図 作 製・その他 Specialist-IX 判例 検索・分類・その他 Security-IX 侵入 検知・不正サイト診 断・不正アクセス検査・監 視カメラ・その他 4 製造業におけるDeep Learning リアルタイム性：ネットワーク輻輳を回避しつつ、高サンプリングレートでの処理 省電力:多数の装置に対応、熱対策（冷却ファンはNG）等 安定性：処理時間が一定（H/W制御絡み） 分かりやすさ：ニューラルネットや機械学習の専門ではない 業種特化型UIと専用デバイスによる処理 5 製造業での応用 時系列数値データを利用した異常検知 多数の機器に設置したセンサーから出力されたデータ、それぞれに対する適切なモデリングは困難。比較的単純な閾値判定を「手作り」で作成し対 応。異常品を減らすために、虚報（正常を異常と判定）が多くなるような閾値設定にせざるを得ない。検査工数が増えて生産性低下する上に、 異常が検出できない場合も発生。 装置 センサー 手作りでひとつずつ作成 時系列数値データ 特徴量と判別式 閾値をここに設定する場合、より多くの異常が検出され るが、虚報(正常な状態を異常と判定)が増えるが、異 常を減らすためこちらにすることが普通。 曖昧な領域 データ数 正常 異常 エラー値が低くて異 常な場合もあるし、 エラー値が高くて正 常な場合もある。 特徴量から算出したエラー値 閾値設定の幅 閾値をここに設定する場合、虚報(正常 な状態を異常と判定)は減るが、検出さ れない異常が増える。 6 製造業での応用 時系列数値データを利用した異常検知 装置 センサー 時系列数値データ Deep Learningによる 特徴量抽出 学習による異常・正常判別モデル作成 エラー値が正常と異常で上手く分離され、虚報が減少 異常パターンの検出率が増加し、今まで検出できなかった異常を検出 AutoEncoder：固定長、または正規化可能な可変長データで、正常が圧倒的に多く、異常が少ない場合。正常なパター ンのみを学習し、正常なパターンを再現可能な特徴量を抽出する。異常なパターンが入力された場合、異常パターンの特徴量 は学習していないため、異常パターンを再現することができない。再現されたデータの類似度で異常判定を行う。 LSTM:可変長の時系列データを用いる必要がある場合。時系列データの特徴量を抽出し、次にどのような波形が生じるか予 測する。予測されたデータと実際のデータの差分で異常判定を行う。 NNW+Softmax：異常が観測されており、教師データとして利用できる場合。各異常パターンと正常パターンを識別させる ようにNNWを学習し、それぞれのパターンの確率を出力する。 7 製造業での応用 音響、振動解析、異音や異常振動の検知など 組み立て済みの機器の検品時に、機器の動作音をベテランが判断して異常検知している。属人性が高くスケールが困難である。長い経験により習 得した技能であり、言語化して継承することが困難。高齢化によって高周波成分の聞き取り能力が低下＝＞検知性能の低下が疑われるが、客観 的な判断手段がないため対応が難しい。 装置 耳（官能検査） 経験、老化 判定 真値 正常 正常 異常 異常 検査で発見できなかった異常 • エラーの作りこみ(一部の部品を抜く等)を行い実験 • 納入先で異常発生 • 高い音が聞こえ難い • 周波数分解能低下 • 時間分解能低下 8 製造業での応用 音響、振動解析、異音や異常振動の検知など 装置 センサー Deep Learningによる 特徴量抽出 入力データ 数値データ 正常 前処理 異常 人間が作成した教師データによる学習(間違っているものが含まれる) 人間の聴覚の弱点(マスキング・高周波数の聴力低下)を補完 人間が発見できなかった異常を検知 CNN(Convolutional Neural Network)：見てわかる(わかりそう)な問題の場合。画像識別問題などで改善が進んでいる。 データの視覚化を行った後にCNNという組み合わせは多くのケースで良い成績を記録。人間が見ても分からない問題も分離で きたケースもある。 Wikipediaより 9 intelligence Logo Designed by Matthew Carter