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」

View Slide

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

View Slide

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

View Slide

IoT
5

View Slide

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

View Slide

IoT課題あるある
ネットワークの確保
7
メッセージの
受付
分析基盤
この間のネットワークをどう確保するか

View Slide

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

View Slide

電源の確保
9
特に屋外
メッセージの
受付
分析基盤
電源をどこから取るか

View Slide

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

View Slide

既存の機器からどうやってデータを取るか？
11
メッセージの
受付
分析基盤
機器・センサー
機器が内部的に持っている
データにアクセスできない

View Slide

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

View Slide

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

View Slide

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

View Slide

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
メッセージの
受付
分析基盤
エッジサーバー

View Slide

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

View Slide

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

View Slide

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

View Slide

AI
19

View Slide

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

View Slide

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

View Slide

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？

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

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？

View Slide

プロトタイピング
32

View Slide

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

View Slide

プロトタイピングをすぐ始められるためのもの
34
メッセージの
受付
分析基盤
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

View Slide

プロトタイピングをすぐ始められるためのもの
35
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。

View Slide

実際の例
36
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

View Slide

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）

View Slide

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⳿

View Slide

View Slide

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」

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」

NCDC

More Decks by NCDC

Other Decks in Technology

Featured

Transcript