第4回 Machine Learning 15minutes!
- 1. 第4回 Machine Learning 15minutes! Industry Deep Learning 2016.9.24版 XCompass Intelligence Ltd. 代表取締役社長 佐藤 聡
- 2. 会社概要 株式会社クロスコンパス・インテリジェンス XCompass Intelligence Ltd. 〒108-0014 東京都港区芝5-29-18 NBC三田ビル 7F TEL: 050-3640-7621 URL: http://www.xcompass.com 株式会社クロスコンパス XCompass Ltd. 2011年10月創業・東工大発ベンチャー より新設分割により2015年4月10日分社化 千代田区九段北１丁目１４−１７ AMINAKA九段ビル
- 6. XCompassの‘X’
- 8. 会社概要：事業 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。 A:収入確保・知見の蓄積 有償 B:本来目的 自己資金 A:収入確保・知見の蓄積 B:本来目的 A:収入確保・知見の蓄積 B:本来目的 進むべき方向 述べ件数：70件以上(増加中) 会社数：25社以上(増加中) カレント：5件程度既存 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 「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 1. AIプラットフォーム構築 2. 新NNWアルゴリズム開発
- 9. 8 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) 写真に写っているも のがなんなのか知り たい 「学習済みNNW」 一般物体認識可 能なNNW構造の 作成・選択 わからない？？ まだ知識はなく、識 別はできない 犬かも！ 様々な デバイスに 搭載 コンピュータサーバ (cloud) パソコン(office) スマートフォン (personal) 組込みデバイ ス(device) CHIP ニーズ NNW構築ノウハウ データ 知識・知恵 動作プラットフォーム 「NNWテンプレート」 犬と猫の 画像 沢山の動物の画像を学習 ニューラルネットによる機械学習(Deep)ニューラルネットによる課題解決
- 15. 14 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 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。
- 16. 15 製造業での応用 音響、振動解析 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、継承が困難。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。 正常 異常 装置 耳（官能検査） 判定 正常 異常 真値 検査で発見できなかった異常 • エラーの作りこみ(一部の部品を抜いた り)を行い実験 • 納入先で異常発生し返品 • 等 経験、老化 • 高い音が聞こえ難い • 周波数分解能低下 • 時間分解能低下
- 17. 16 製造業での応用 音響、振動解析 装置 正常 異常 センサー 数値データ 入力データ 前処理 Deep Learningによる 特徴量抽出 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
- 19. 18 製造業での応用 工程１ 薬品A投入 工程２ 加熱 工程３ 薬品B投入 製品 加熱時間 加熱温度 等 投入タイミング 投入量 等 投入タイミング 投入量 等 製品 出力 1)各工程のセンサーデータを入力として 製品の生成量、品質を出力するモデル を学習 2)各工程のデータを調整した 場合の製品の生成量、品質を 調査し相関のあるパラメータを 特定。 3)それまで有効であると思われていたパラメータよ りも製品生産量に重要なパラメータを発見。 NNW NTT Communications様のプレスリリース（2016/9/15） 人工知能(AI)を用いて、化学プラントの製造過程で製品の品質予測に成功 〜ディープラーニングによるモデル化で、20分先の未来の製品品質を高精度で予測〜 http://www.ntt.com/about-us/press-releases/news/article/2016/20160915.html
- 20. 19 コアパートナーの工場 Node-IXの具体例：Manufacturing-IXの場合(ルネサス・エレクトロニクス様との取組み) 画像認識・音声認識・自然言語 処理・時系列データ処理・記憶・ 群知能・創発 Core-IX 工場自動化・故障検知・故障 予知・自動走行・センサ解析・ その他 Manufacturing-IX Core-Partner 共同で、社内工場機器 の故障検知等、産業に 特有の課題解決 「学習済みNNW」 NNW構 造の決 定 学習 検討 「NNWテンプレート」 Core-Partnerのパートナー(Satellite- Partner)のみが参加するIX SaaS/IaaS/PaaS/専用HWとして NNWテンプレート・学習済みNNW・学 習環境を提供 Satellite-IX FAビッグ データ SP SP SP SP SP Device/CHIP 開発 1. 戦略パートナー(Core-Partner)とXCIがCore-Partnerの工場で共同 実験し、有効な学習済みNNWとNNWテンプレートを作成。 2. SaaS/IaaS/PaaS/専用HW等を通してCore-Partnerのパートナー (Satellite-Partner)に学習済みNNW・NNWテンプレートを展開。 3. Satellite-Partnerが新たな学習済みNNW/NNWテンプレートを作成。 4. 手法を含めて、学習済みNNW・NNWテンプレートをコミュニティ内で共有。 ※SP=Satellite－Partner 戦略パートナー(Core-Partner)一号として、ルネサス・エレクトロニクス様と協業 ソリューションの一部として組込みデバイス上で動作するAIの開発および提供 AutoEncoderを用いた異常検知 LSTMを用いた時系列データ解析 CNNを用いた音響データ（振動センサデータ）解析
- 21. 弊社＋お客様 弊社担当(一部お客様) ２：探索フェーズ • データ収集(お客様)・確認・調査 • データ精査結果を元にした目標修正 • 解析/処理手法検討・選定 学習手法の選択 ニューラルネットワーク構造の決定 利用ライブラリ選定 その他検討事項 期間：FROM〜TO ３：実験・実装 • 機能実装と実験の反復 1. 教師なし学習 2. 教師あり学習 3. その他学習方法 • ＊＊＊に中間報告 • 技術報告レポート作成 期間：FROM〜TO ４：検証フェーズ • 納品 • 納品物確認 • 報告検討会実施 • 次フェーズ判定 実施判定 終了 期間：FROM〜TO １：課題設定(営業・コンサルフェーズ) • 目標設定 • 資金計画・見積 • テストデータ受領 • 開発期間決定(スケジュール要確認) • 契約(基本契約、NDA) • 必要H/W調達(GPUマシン調達有無) • 必要S/W調達(OSSで対応以外必要か) 期間：＊＊＊ 費用：ーーー 費用：＊＊＊ 費用：＊＊＊ パイロットプロジェクトフロー
- 22. AI x ART The 5th 1 minute projection mapping 2016 in「にいがた☆MINATOPIKA」
- 30. intelligence Logo Designed by Matthew Carter