デジタルトランスフォーメーション成否のポイントセミナー（2017.11.22）「ノンITの企画者向けIoT、AIテクノロジーの勘所」

Copyright ©2016, NC Design & Consulting Co., Ltd. All rights
reserved. ⾃⼰紹介 े઒྄ฏ ͦ͝͏Γΐ͏΁͍ 3 ࠃ಺ϝʔΧʔ4*෦໳ɺ೔ຊΦϥΫϧͰ ιϑτ΢ΣΞΤϯδχΞɺΞʔΩςΫτͱ ͯ͠اۀγεςϜʹैࣄ ݱࡏ͸όοΫΤϯυαʔϏεʰ"QQ1PUʱɺ *P5ϓϥοτϑΥʔϜʰ"QQ1PU*P5ʱͷ ϓϩμΫτϚωʔδϟɺ Ϣʔβʔاۀ༷޲͚ʹ৽نαʔϏε։ൃͷ اըɾ։ൃͷ͝ࢧԉΛ͍ͯ͠·͢ ੡ༀɺখചɺ੡଄ɺݐઃʜʜ

Copyright ©2017/11/28 , NC Design & Consulting Co., Ltd. All
rights reserved. 今⽇の内容 l  IoT •  IoTの構成要素 •  実際にプロジェクトを進めるなかでどこが課題になるのか？ •  ネットワーク •  電源 •  データがあれば良いってものではない •  既存の機器にどうデータを取得するか l  AI（機械学習） •  今⼿に⼊るAI •  機械学習で何ができるのか？ •  あるものを使うか、⾃分で学習させるか •  良くデータ集めが⼤変と聞くが具体的には？過学習についてデータの数、バリエーション l  プロトタイピング 4

rights reserved. クラウドやデータセンターなど⼯場など、機器・センサーがある現場 IoTの構成要素 6 メッセージの受付データベース等の分析基盤機器・センサーエッジサーバー（ない場合も）⼩さいサイズだが、⼤量の機器からの接続を受け付けるセンサーの⽣データから業務的に意味あるデータを抽出

rights reserved. IoT課題あるあるネットワークの確保 7 クラウドやデータセンターなど⼯場など、機器・センサーがある現場メッセージの受付データベース等の分析基盤機器・センサーエッジサーバー（ない場合も）⼩さいサイズだが、⼤量の機器からの接続を受け付けるこの間のネットワークをどう確保するか

rights reserved. IoT課題あるあるネットワークの確保 l  SORACOMさん等のSIMを使って直接LTEでサーバーへデータを送るのが楽 l  デメリット •  SIMの電気消費量は⽐較的⼤きい。電源供給できない環境では、定期的にバッテリーを充電する必要有り •  SIMのランニングコストは対象機器の台数が多い場合にはネック（1枚500円/⽉として1000台だったら50万円/⽉） l  対策 •  エッジサーバー（ゲートウェイ）を経由した通信各機器からはBluetoothやWiFiを使ってエッジサーバーにデータを集約。エッジサーバーからLTE等でサーバーへデータを送る •  LPWA（Low Power、Wide Area）の検討省電⼒（乾電池で数年）で広範囲（数キロ）をカバーする。LoRaWAN、 Sigfoxなどが⽇本でもサービス開始 8

rights reserved. IoT課題あるある電源の確保 9 クラウドやデータセンターなど特に屋外メッセージの受付データベース等の分析基盤機器・センサーエッジサーバー（ない場合も）⼩さいサイズだが、⼤量の機器からの接続を受け付ける電源をどこから取るか

rights reserved. IoT課題あるある電源の確保 l  オフィスや⼯場の常設装置の場合はコンセントから電源が取れるので問題ないケース l  移動体の場合は、本体から電源が取れるか確認 •  建設機器でIoTを⾏った場合は、発電機から電源を取ったが、電圧が不安定などの課題があった l  電源が取れない場合、バッテリーや電池から電源供給するが、その際の交換サイクルの期間と、誰が交換するのかという運⽤を要検討 •  お客さんに充電してもらうのか •  サービス提供側が充電しに⾏くのか •  装置ごと送ってもらって交換するのか 10

rights reserved. IoT課題あるある既存の機器からどうやってデータを取るか？ 11 クラウドやデータセンターなど⼯場など、機器・センサーがある現場メッセージの受付データベース等の分析基盤機器・センサー⼩さいサイズだが、⼤量の機器からの接続を受け付ける機器が内部的に持っているデータにアクセスできない

rights reserved. IoT課題あるある既存の機器からどうやってデータを取るか？ l  電⾞の⾞両、建設機器など10年以上使われる機器は多く、古い機種は通信の仕組みを持っていない（⼯場はFAが進んでおりデータ取れるケース多い） •  且つ、古い機器は今後時間とともに⼊れ替わっていくため機器⾃体に新たに通信の仕組みを追加するための投資は⾏いたくない l  機器は他社からのリースだったり、協⼒会社の持ち込みの場合もあるため、予め協⼒の体制を依頼します 12

rights reserved. IoT課題あるある既存の機器からどうやってデータを取るか？ l  正攻法 •  装置の中には外部からアクセスするためのインターフェイスを有している可能性がある。ただし、独⾃のプロトコルである場合が多い 13 ⼯場の⽣産装置などに⼊っている制御装置にスマートフォンからアクセスしている例

rights reserved. IoT課題あるある既存の機器からどうやってデータを取るか？ l  正⾯から解決しないやりかた •  EX）アームの上げ下げの回数を装置から取れなくても、超⾳波距離センサーをアームに付けて外から取る •  EX）SDカードに保存する仕組みがあればFlashAirを活⽤する等、⼯夫次第で取れる⽅法を考える 14

rights reserved. 実際の例 15 管理装置・電圧・深度・注⼊量 SD Card I/F データの取得 HTTP(s) / on Wi-Fi クラウドやデータセンターなど⼯場など、機器・センサーがある現場メッセージの受付データベース等の分析基盤⼩さいサイズだが、⼤量の機器からの接続を受け付けるエッジサーバー

rights reserved. IoT課題あるあるデータは⼤量にあるのに、必要なデータがない！ 1.  基本的には事前に検討し、必要なデータを決める •  ⽬的あり、それに必要なデータが分かっている場合は何とかしてそのデータを取れば良いので技術的な問題はあるかも知れないがやりやすい 2.  さまざまなデータを集めて、関連性を分析したいケース 16

rights reserved. IoT課題あるあるデータは⼤量にあるのに、必要なデータがない！ 1.  基本的には事前に検討し、必要なデータを決める •  ⽬的あり、それに必要なデータが分かっている場合は何とかしてそのデータを取れば良いので技術的な問題はあるかも知れないがやりやすい 2.  さまざまなデータを集めて、関連性を分析したいケース 17 Better

rights reserved. IoT課題あるあるデータは⼤量にあるのに、必要なデータがない！ l  さまざまなデータを集めて、関連性を分析したいケース •  個々のデータを紐付けるための識別⼦が必要（製造番号、注⽂番号、トランザクションIDなど）識別⼦が無く、検品NGとなった製品が何時ごろ、どの機器で作業されていたのか時間も分からないのではデータがいくら有っても分析できない •  取れたデータを分析した後に、「あのデータもないと分析できない」ことが分かるリスクがある。以前のデータは取れないので再度最初からデータ収集を⾏う 18 専⾨家が考えても分からない問題、または⼈では発⾒できないような⾼度な相関関係を⾒つけたい場合のみやる

rights reserved. AIって何？いま⼿に⼊るAI。 l  AI（⼈⼯知能）＝「⼈間のように考えるコンピューター」はまだ実現されていない •  AIはマーケティング的な表現 l  今AIと⼀般的に呼ばれているものは機械学習（Machine Learning） l  機械学習とはコンピューター（プログラム）⾃⾝が学習する仕組み 20

rights reserved. 機械学習でできることは「分類」と「数値」の予測 l  機械学習でできることは、単純化するとたった２つ l  データを「分類」する、「数値」を予測することです l  分類の例 •  ⾳声データや⼿書き⽂字を、どの⽂字の種別かに分類する •  写真から「猫」を検出する（猫、椅⼦、⼈などの分類のタグが定義されている） •  販売履歴から顧客をクラスタ分けする l  数値予測の例 •  気象データから販売量を予測する •  中古⾞販売で⾞両情報から推奨販売価格を出す 21

rights reserved. AI（機械学習）でやりたいことのブレークダウンやりたいことは機械学習でできそうでしょうか？ 22 やりたいことは「分類」または「数値予測」のどちらか？「分類」の場合どんな分類があるのか？もしくは分類⾃体も機械学習で出すのか「数値予測」の場合なんの数値を求めるのか？

rights reserved. 教師あり？なし？ l  機械学習のやり⽅には教師あり学習、教師なし学習があります。解きたい問題に合わせて選択します。 l  教師あり学習 •  ⼈間が⼊⼒のデータと、正しい答えを与える •  コンピューターが正しい答えを出せるように学習させる •  EX）⾳声データと、⽂字起こししたデータを与えて学習させる l  教師なし学習 •  ⼈間が⼊⼒データのみを与える •  コンピューターがデータの中にあるパターンや構造を抽出する •  クラスタリング、相関ルール抽出 •  EX）購買履歴から顧客クラスターを分類する 23

rights reserved. 以前からある機械学習 l  あるアルゴリズムによって、データを分類する •  アルゴリズムは⼈間が考える •  特徴量の設計は⼈間の仕事どういう画像だったら「５」なのか、「猫」なのかを⼈が定義する l  例えば⼿書き⽂字の⽂字認識であれば、⼈が各数字の特徴を定義し、それによってコンピューターに判定させる l  特徴の定義の仕⽅や、分類のアルゴリズムを変えることで認識精度を上げることができるが、複雑なケースでは⼈が定義仕切れない、という限界に達する 24

rights reserved. ディープラーニング（深層学習）の登場 l  特徴量をコンピューター⾃⾝が導き出す •  どういう画像だったら「５」なのか、「猫」なのかをコンピューターが定義する 1.  学習 2.  判断 25 学習モデル学習データ正解学習学習モデル新規のデータ判断出⼒データ 5041 9313

rights reserved. 強化学習 l  ⼈間が正解を与えるのではなく、報酬（と罰則）を与えることにより、報酬が最⼤になるようにコンピューターに試⾏錯誤させ、学習させる⼿法 l  AlphaGoは強化学習 •  どの⼿が良い、悪いを⼈間が正解を教えるのではなく、勝ったら報酬（ポイントを与える）、負けたら罰則（ポイントを減らす）を⾏うことで、どのような⼿が良いかコンピューター⾃⾝が学ぶ l  試⾏錯誤できる（沢⼭失敗できる）ようなものである必要がある 26

rights reserved. 今⽇は現時点で⼀番良く使われると思われる教師ありのディープラーニングについてご説明します 27

rights reserved. ディープラーニングは万能薬ではない l  ディープラーニングでは、データの量と質が必要になる 1.  学習 2.  判断 28 学習モデル学習データ正解学習学習モデル新規のデータ判断出⼒データ 5041 9313

rights reserved. 過学習の問題 l  学習データだけに適応しすぎてしまい、他のデータにはうまく適⽤できない状態 l  学習データが少ない場合や、バリエーションが⾜りない場合、学習データと評価データの分割⼿法に問題がある場合に発⽣しやすい 29 この差を以下に⼩さくするか学習データでの正解率新しいデータでの正解率

rights reserved. あるものを使うか、⾃分で学習させるか l  ⾳声・テキスト変換、画像から⼀般的なものの検出など、汎⽤的なものは既存のサービスを使うのが安価 •  Google Cloud Speech API •  Google Cloud Vision API •  Microsoft Computer Vision API •  Microsoft Face API •  Microsoft Bing Speech API l  これらのサービスを組み合わせることで、解決できることも多い l  ⾃社独⾃の識別が必要なとき、⾃社でデータを集めて学習させる必要があります •  EX）部品が錆びていないか判定する⇨錆びている写真と錆びていない写真を⼤量に集める 30

rights reserved. 解きたい問題によっては、従来からの統計的な機械学習も全然OK 「特徴量が⾒えている」「データの件数が少ない」など 31 http://scikit-learn.org/stable/tutorial/machine_learning_map/ カテゴライズか？値の予測か？教師データあり？

プロトタイピング 32

rights reserved. IoT、AIともプロトタイプを作成することを推奨 l  早く・安くやって、賢く失敗して、フィードバックを得るのがお勧めプロトタイプを開発する際の注意点 l  何を評価するのか？（技術的な実現性/ビジネスの可能性/運⽤が回るのか） l  それは今評価する必要があるものか？ l  ⼿をかけずにやる •  ⼿に⼊りやすいものでやる •  既にあるものを使う •  本番に向けては後で置き換えれば良い 33

rights reserved. プロトタイピングをすぐ始められるためのもの 34 クラウドやデータセンターなど⼯場など、機器・センサーがある現場メッセージの受付データベース等の分析基盤機器・センサーエッジサーバー（ない場合も）⼩さいサイズだが、⼤量の機器からの接続を受け付けるセンサーの⽣データから業務的に意味あるデータを抽出

rights reserved. プロトタイピングをすぐ始められるためのもの 35 クラウドやデータセンターなど⼯場など、機器・センサーがある現場スマホの各種センサーを活⽤。通信⼿段も気にしなくて良い。 Raspberry Pi等の１万円以下で購⼊できる⼩型コンピューター＋センサーを利⽤。通信⼿段まで持ったパッケージされたセンサー製品を利⽤。

rights reserved. 実際の例 36 クラウドやデータセンターなど⼯事現場＜プロトタイプ＞ Raspberry Piと 100均のケースでゲートウェイを開発＜本番＞産業⽤のゲートウェイ製品に置き換え機器・センサー

rights reserved. NCDCのIoT、AI実証実験サービス 37 検証計画プロトタイプ開発検証評価と次ステップ計画 •  検証の⽬的を定義 •  検証⽅法の設計 •  評価⽅法の設計 •  タスクの洗い出しと計画 •  ⽬的に合わせたAI、 IoTのプロトタイプ開発 •  お客様の機器・設備を利⽤する場合、お客様側で開発が発⽣する可能性があります •  プロトタイプを⽤いて検証を⾏います •  検証から得られた結果を分析し、評価をレポートします •  課題を洗い出し、次のステップを計画します２〜３ヶ⽉の短い期間ですばやく実施費⽤：480万円（税別）

rights reserved. AppPot IoT概要 38 "QQ1PU*P5ךⵃ欽؎ً٦آ ˟暟崧⦋䏧דך儗꟦װ؝أز׾剑黝⻉ׅ׷ꂁ鮦ءأذيך؟ٝفٕ 圫ղז堣㐻ַ׵ إٝ؟٦ر٦ة זו׾　꧊ 䖤׵׸׋欰ر٦ةַ׵ ؽآطأ涸ח䠐㄂ך֮׷ ر٦ة׾䬄⳿ أو٦زؿ ַؓٝ׵ ⴓ匿穠卓׾⿫撑կ ꂁ鮦ך䩛ꂁ׾㹋倵 ⡘縧䞔㜠װ ⸇鸞䏝זו 1$ٌغ؎ַٕ׵ ر٦ةךⵃ欽 .255 ـٗ٦ؕ٦ ࿈ܞػೳ ،فٔ欽 غحؙؒٝس ؟٦ؽأ 1 3 2 ⴓ匿㛇湍鮦⡤ךإٝ؟٦ַ׵䖤׵׸׋ ⡘縧䞔㜠זוךر٦ةהծ ⵃ 欽俱װ琎鯹ꆀזו׾⸇㄂׃ גծ 剑黝זꂁ鮦׾ⴓ匿ծ 䬄⳿

デジタルトランスフォーメーション成否のポイントセミナー（2017.11.22）「ノンITの企画...

デジタルトランスフォーメーション成否のポイントセミナー（2017.11.22）「ノンITの企画者向けIoT、AIテクノロジーの勘所」

More Decks by NCDC

Other Decks in Technology

Featured

Transcript