ナビタスビジョンフェア2019 東京

2019.5.17に開催されたナビタスビジョンフェア2019でのタクトピクセル株式会社 代表取締役 玉城の発表内容です。
印刷業界のデジタル化について、AI技術、IoT、クラウドコンピューティング、サブスクリプションなどの考え方について解説し、自社製品POODLの役割について説明しました。

Transcript

1. タクトピクセル株式会社 代表取締役社長 玉城哲平 ナビタスビジョンフェア @東京 2019/5/17 印刷製造のデジタル化とAI活用の考え方
2. 2 玉城哲平 たまき てっぺい 代表取締役 CEO/CTO 分子構造計算、最適化問題の数値解析手法 科学技術計算ソフトウェア開発企業で半導体シミュレー ターや数値計算ライブラリの開発 ナビタスビジョン株式会社 画像検査ソフトウェアAsmil Vision 新規開発 タクトピクセルを辻谷と共同創業 横浜国立大学博士課程(社会人)所属 趣味 クラシック音楽（バイオリン、ビオラ）、 読書、マラソン O O O O O O O O O O O O O O O O O C H3 CH3 CH3 CH3 C H3 C H3 固定相 移動相 Flow
3. 3 タクトピクセル株式会社 / Taktpixel Co., Ltd. / TPX タクト (takt) …指揮棒 ピクチャー(picture) …画像 エレメント (element) …要素 pixel … 画素
4. 製造業を取り巻く デジタル化の波
5. IoT クラウド 画像 認識 AI技術 XaaS サブスクリ プション インダスト リー4.0 センサー デバイス セキュ リティ 時系列 予測 信号 処理 仮想化 自然言 語処理 行動 策定 RFID それぞれのキーワードは 実は曖昧で定義が難しい
6. AI 人工知能 IoT クラウド XaaS サブスクリ プション インダスト リー4.0 センサー デバイス セキュ リティ 仮想化 画像 認識 AI技術 時系列 予測 信号 処理 自然言 語処理 行動 策定 RFID
7. 人工知能とは？ 7 知性を感じるような高度な情報処理システム 深層学習（ディープラーニング） ＝ エキスパートシステム、データ予測、ロボット 人工知能研究分野の特定技術 広義 狭義 ＝ データマイニング、機械学習、ニューラルネットワーク ＝ ゲーム、画像、音声、自然言語への適用 人工知能？ 様々な文脈で使用されており定義が定まらない
8. “人工知能”と”深層学習”という言葉 人工知能 ※ この表示は手法からの分類について述べたものであり、そのほかにも応用的なアプリケーションや数学的な視点が必要です。また、この図は主観的なもので、 一般化することはできません。研究分野、立場によって見解が異なることに注意が必要です。 ※ 図上は領域が分かれている場合でも相互に関連しあっている場合があります。 ※ 将来的にこの分類が明らかな誤りとされる可能性もあります。 機械学習 データマイニング ベイジアンネットワーク 人工無脳 ニューラルネットワーク(NN) 決定木モデル クラスタリング 強化学習 畳み込みNN 再帰型NN 深層学習
9. “人工知能”と”深層学習”という言葉 人工知能、AI 深層学習 「検査業務に人工知能を使うと………。」 「検査装置の結果画像を学習データとし、深層学習技術を 適用した学習済みモデルを作成して、良否判定の自動分類 システム構築すると………。」 人工知能技術、AI技術 深層学習技術 曖昧なので最近はあまり使われない傾向にある。 「深層」でないニューラルネットワークや周辺技術も含めた言い方。
10. 深層学習 (ディープラーニング, DL) ディープラーニングまたは深層学習（英: deep learning）とは、（狭義には4層以上の）多層の ニューラルネットワーク（ディープニューラルネットワーク、英: deep neural network）による機械 学習手法である https://ja.wikipedia.org/wiki/ディープラーニング 10 入力層 中間層 出力層 この辺が”ディープ(深い)”の由来 ねこ
11. 分類 敵対的生成ネットワーク 画像の生成に用いられる 強化学習 強化学習 評価関数に用い たり、探索の絞 り込みに深層学 習を用いること で性能の向上が 見込める 自己符号化器 特徴量抽出 MATLABの事例より 類似コンテンツの検索、異常検知 領域分割 Classification Semantic Segentation GAN Reinforcement Learning Autoencoder Feature Engineering https://jp.mathworks.com/discovery/anomaly-detection.html http://host.robots.ox.ac.uk/pascal/VOC/voc2012/segexamples/index.html https://www.kdnuggets.com/2016/07/mnist- generative-adversarial-model-keras.html “深層学習技術”にもいろいろある
12. IoT クラウド 画像 認識 AI技術 XaaS サブスクリ プション インダスト リー4.0 センサー デバイス セキュ リティ 時系列 予測 信号 処理 仮想化 自然言 語処理 行動 策定 RFID IoT
13. Microsoft & Internet of Things : https://www.slideshare.net/marlonluz/microsoft-internet-of-things
14. インダストリー4.0の設計原則 相互運用性 (Interoperability) 異なるシステム同士が決まった仕様に基づいて互いにデータ のやり取りを行うこと 仮想化 (Virtualization) 実作業をデータ化して仮想環境化でシミュレーションしたり 解析できるようにすること 分権化 (Decentralization) 中央集権的な管理ではなく、機能が分散しつつ協調して動作 させること 即時性 (Real-Time Capability) リアルタイムにデータを収集し、分析することができること サービス中心 (Service Orientation) サービス化することにより、別々のユニット同士を組み合わ せて利用することができること モジュール性 (Modularity) 交換したり展開することが容易になり、変化する現場に対し て柔軟に適用することができる 14 Design Principles for Industrie 4.0 Scenarios - IEEE Conference Publication : https://ieeexplore.ieee.org/document/7427673
15. 15 相互運用性 (Interoperability) 仮想化 (Virtualization) 分権化 (Decentralization) 即時性 (Real-Time Capability) サービス中心 (Service Orientation) モジュール性 (Modularity) オープンイノベーション サブスクリプション インターネット クラウドコンピューティング データ分析 IoT （センシング、エッジ処理）
16. クラウド サブスクリプション IoT クラウド 画像 認識 AI技術 XaaS サブスクリ プション インダスト リー4.0 センサー デバイス セキュ リティ 時系列 予測 信号 処理 仮想化 自然言 語処理 行動 策定 RFID
17. クラウドコンピューティング 17 インフラ Infrastracture プラットフォーム Platform サービス Service XaaS：◦◦ as a Serviceの頭文字をとり「サービスとしての◦◦」という意味合いで使われる SaaS PaaS IaaS
18. CONFIDENITIAL 18 https://cloud.google.com/blog/big-data/2017/03/announcing-google-cloud-video-intelligence-api-and-more- cloud-machine-learning-updates?hl=ja https://aws.amazon.com/jp/blogs/apn/why-our-customers-love-amazon-machine-learning/ https://www.slideshare.net/satonaoki/microsoft-azure-machine-learning-69700998 https://www.ibm.com/watson/jp-ja/developercloud/services- catalog.html?lnk=STW_JP_MPMSTR_C2_BTN&lnk2=learn_WatsonAPI
19. サブスクリプション（購読） 19 定期的に支払いを行って製品やサービスを利用する • 電気料金 • 携帯電話料金 略して”サブスク” • 音楽、動画配信サービス • 通信販売（EC） • ビール • おもちゃ • 家具
20. サブスクリプション（購読） 20 定期的に支払いを行って製品やサービスを利用する 略して”サブスク” • 電気料金 • 携帯電話料金 • 音楽、動画配信サービス • 通信販売（EC） • ビール • おもちゃ • 家具 所有 利用
21. Microsoft Office 21 1981年 Multi-Tool Word発売 2013年 Office 365発売 https://products.office.com/ja-JP/compare-all-microsoft-office-products https://ja.wikipedia.org/wiki/Microsoft_Office_365#Office_Online
22. Adobe 22 https://www.adobe.com/jp/creativecloud/plans.html?promoid=35SVBWSK&mv=other 1990年 Photoshop 1.0販売開始 2013年 サブスクリプション販売 2017年 パッケージ版廃止 2018年度の売上が1兆円越え 年率20%成長 売り上げ1兆円突破、アドビがサブスク化に成功した理由。幹部が語った｢データ重視経営｣の核心 | BUSINESS INSIDER JAPAN : https://www.businessinsider.jp/post-189531 https://www.adobe.com/content/dam/acom/en/investor-relations/pdfs/ADBE-10K-FY18-FINAL-CERTIFIED.pdf 0 2000 4000 6000 8000 10000
23. 製造業のサブスクリプション • GE：航空機エンジンのIoTサービス • Autodesk：3DCADツール”AutoCAD” • コマツ：施工管理 ”スマートコンストラクション” • シュナイダーエレクトリック：IoT, 電源関連装置 • Zoura：サブスクリプションビジネスの販売管理サービス 23 Powering the Subscription Economy - Zuora Customers : https://www.zuora.com/our-customers/
24. ユーザー(お客様) のメリット • 導入コストの低減 • 巨額の投資判断を最初に行わなくていい • スイッチングコストの低減 • 製品選択リスクの低減 • 継続的な利用サポート • 継続的なバージョンアップ 24 「使った分だけ支払う」は中小企業や個人にとって メリットが大きい仕組み
25. ベンダー(事業者) のメリット • 継続的な収益、安定した経営 • 新規顧客導入の障壁を下げることができる • 新たな顧客層へのアプローチ • 顧客第一主義の追求（カスタマーサクセス） • 利用データを元にサービス改善ができる(利用状況の見える化) • 継続的な顧客サポートによる新しい価値提案 25 一括販売のビジネススタイルから脱却するのは困難だが、 実現すれば長期的な利益が実現する可能性がある
26. 情報セキュリティ 26 機密性(confidentiality) 情報が外部に漏れだしていないかどうか。予め指定された者にのみ情報 の利用が許可されているかどうか。 完全性(integrity) 情報が改ざんされておらず完全なものかどうか。正確に情報が保存され ているかどうか。 可用性(availability) 必要に応じて情報をすぐに利用できるかどうか。何らかの災害や事故な どで情報へのアクセスができなくなっていないか。 情報の価値 情報が永続的に失われてしまった際のその損害 どちらもベンダー次第であり一般化は難しい。 個別のサービスについて対策の内容を確認する必要がある。 では、オンプレミスとクラウドでは それぞれのセキュリティに差があるか？
27. サブスクリプション導入障壁 • 利用時のメリット・デメリットを検討しても… • それでも聞こえる「一括購入しか無理」の声 • 社内の制度改革 • 稟議申請の仕組み • 経理上（資産管理）の仕組み • 担当者の決済枠、予算枠の仕組み 27 これまでの慣習を変えるのが最大の壁
28. IoT クラウド 画像 認識 AI技術 XaaS サブスクリ プション インダスト リー4.0 センサー デバイス セキュ リティ 時系列 予測 信号 処理 仮想化 自然言 語処理 行動 策定 RFID ・迅速な意思決定 ・初期コスト低減 印刷製造 製造現場のデジタル化に積極的
29. /ˈpuː.dəl/ プードル 学習済みモデル作成のための 印刷画像認識クラウドプラットフォーム POODLは画像を収集、加工し、学習済みモデルを生成するためのアプリケーションです。 画像検査装置と連携し、深層学習技術を利用した高度な画像認識を生産現場に取り入れるための トータルソリューションを提供します。
30. 画像検査装置 仕上げ工程 ベリファイ工程 （データ検品） 画像自動分類 アプリケーション 事前判別 確実に良品と思われる ものを排除してベリ ファイ工程の負担を削 減する。 事後判別 確実に致命的な欠陥と なりそうなものを強制 的に欠陥指定して流出 事故を防止する。 1 2 3 学習済みモデル データ収集 システム化 ベリファイ工程の効率化
31. 画像検査装置 画像自動分類 アプリケーション 学習済みモデル データ収集 画像処理 撮像 機械制御 後処理 システム化 画像検査装置の過検出抑制
32. 印刷検査画像の特徴 犬や猫などの写真(3チャ ンネルカラー画像)分類は ノウハウが一般化してき ている 検査 背景絵柄が品種ごとに異なる 画像は2枚セット 判断基準があいまい 印刷画像向け深層学習画像分類エンジン
33. 画像の例 良品／不良品分類 欠陥品種分類 画像と分類項目の例 × 不良品 × 不良品 × 不良品 良品 良品 毛ごみ インキカス 汚れ 異物 見当ズレ 毛ごみの付着は不良品として処置する インキカスは不良品として処置する 汚れは不良品として処置する 払ったら落ちる異物は良品扱い 微細な見当ズレは良品扱い 印刷画像向け深層学習画像分類エンジン
34. 深層学習モデルの設計 入力層 中間層 中間層 出力層 [b, x, y, c] b: バッチサイズ x: 画像サイズ幅 y: 画像サイズ高さ c: 画像チャンネル数 画像チャンネル数を4 チャンネル以上にする 適切な前処理を行う 適切な規模のネット ワーク構造とする （大きすぎるのも良 くない） 全結合層(Fully Connected)層 より Global Average Pooling層 学習条件 ・ImageNet等からの転移学習は行わない。 ランダム初期値で学習を開始する。 ・StepwiseでLearning Rateを設定する。 ・Optimizerはあまり精度に影響しない。 Dropout層よりBatch Normalize層が重要 Residual層も取り入れる 11,283,478 26,073,878 23,593,174 50,474,518 134,360,598 55,784,214 139,670,294 21,818,390 54,313,942 0 20,000,000 40,000,000 60,000,000 80,000,000 100,000,000 120,000,000 140,000,000 160,000,000 Parameter size 定性的な分類問題 に落とし込む 精度と計算量の バランスがいい 印刷画像向け深層学習画像分類エンジン
35. 大量画像データセットの学習 画像の読み込み ネットワーク構造の定義 初期重み値の設定 一度に画像を読み込んで前処理を行う仕組みではRAMの容量を超えた画像を学習することができない。 画像情報のストレージへのキャッシュとバッチ毎読み込みの仕組みによって、数万枚規模のデータセッ トでも安定的に学習処理を行うことができる。 画像の読み込み・キャッシュ作成 ネットワーク構造の定義 初期重み値の設定 エポックサイクル バッチ学習サイクル 推論、勾配、重み計算 エポックサイクル バッチ学習サイクル 推論、勾配、重み計算 キャッシュ読み込み 印刷画像向け深層学習画像分類エンジン
36. Amazon S3 画像検査装置など 現場の管理者 お客様のネットワーク AWS Batch Managed ECS Amazon ECR コンテナ作成 進行状況/完了通知 Amazon SES 学習/推論 スクリプト (Python) AWS Lambda AWS CodeBuild AWS CodePipeline 10GB~1TB Amazon ECS, Fargate 管理アプリケーション Amazon RDS Amazon ECS, Fargate 認証アプリケーション Amazon RDS 学習処理スポット インスタンス (p2, p3) 顧客データストレージ Amazon ECS, Fargate GUI AWS Cloud 機械学習のクラウドアーキテクチャ 印刷画像向け深層学習画像分類エンジン
37. 印刷画像向け深層学習画像分類エンジン • TensorFlow(＋Keras)をベースにした印刷画像向け深層 学習分類モデル作成エンジン • Python言語で使用可能 • 基本機能 • 画像ファイルリスト作成 • データの増幅（前処理） • データ分割 • 入力画像データのキャッシュ機能 • 学習、モデル作成 • 推論処理 • 注目領域可視化機能 • Web Server機能(AWS仮想環境への対応)
38. 深層学習技術活用の流れ ここでは、蓄積された情報を元に抽象レベルの高い仕組みやルール(モデル)を抽出し、 それに基づいて予測や自動処理を行う技術を指しています。 データ収集 前処理 モデル作成 システム化 必要なデータを収集して データベースに格納します。 予測したい付加情報を抽出 したり、アノテーション作 業を行います。 モデル化のための基本的な 画像処理や、高い精度のモ デルを作成するためのデー タの増幅などの前処理を行 います。 モデルの作成を行います。 学習処理を行うためのパラ メータの探索や、ニューラ ルネットワークの構造を決 定し、精度を確認します。 予測モデルを実際の現場で 使用するため、既存のシス テムや装置への組み込みを 行います。 装置メーカー様、 受託システム開発 当社有償サービス
39. データ収集 前処理 モデル作成 システム化 • 画像検査装置 • 自社開発の装置データ • デザインファイル • その他画像 データセット 必要なデータを収集してデータベースに格納します。予測し たい付加情報を抽出したり、アノテーション作業を行います。 精度の高いモデルを作成するには、高品質（低ノイズ）かつ 大量のデータを集めることが重要です。 数百枚～数万枚 アノテーション作業 • 良品／不良品 • 検出部位 • 欠陥品種 • テクスチャ ※ 検査装置などから直接アノテーション情 報を抽出して利用できる場合もあります。
40. データ収集 前処理 モデル作成 システム化 アノテーション作業 • 良品／不良品 • 検出部位 • 欠陥品種 • テクスチャ 機械学習の導入では、アノテーション作業が最も重要で最も大変なプ ロセスと言われています。 精度の高いアノテーションを行うことと、どのような切り口から分類 項目を決定するかが非常に重要です。 良品 不良品 良品／不良品の2値分類が最もシンプルな分類 項目ですが、多くの場合は画像特徴から直接的 に良品／不良品の判別を行うことが難しいこと が知られています。 見当ズレ セパムラ 黒点 ピンホール 歯抜け 警戒紙 面積 面積・輝度 輝度 面積・輝度 良品 不良品 欠陥の品種分類や検出部 位の分類など、中長期的 に揺らぎの少ない分類項 目を選択することが、実 用化への近道です。
41. データ収集 前処理 モデル作成 システム化 • TensorFlowTMをベースにした独自の深層学習エン ジン”DLC-Tian” • 数百万枚規模の大規模データセットの学習が可能 • 印刷の品質検査に適したネットワークモデルを開発 • 欠陥流出を最小に抑えるための数値最適化手法 • 過学習を抑えるための工夫 • 小ロット多品種の印刷製造現場に適用するための 汎用的な学習済みモデル生成 • 任意の深層学習エンジンの導入も可能 （別途APIの開発が必要になる場合があります。） ※TensorFlowTMはGoogle LLCが開発しオープンソースとして公開している数値計算のためのソフトウェアライブラリです。
42. データ収集 前処理 モデル作成 システム化 検査装置 ファイル サーバー 管理者PC 業務システム POODLは検査装置など既存の設備と直接データ の通信を行えるためのAPI, SDK, CLIを提供してい ます。特注のシステムへの組み込み開発業務や、 システムベンダー様への技術サポートも行ってい ます。 クラウドコンピューティングサービス AWS (EC2, Batch, ECS, S3, RDS) コンテナ Docker 認証、データ管理 (バックエンド) PHP(Laravel Framework) GUI (フロントエンド) Vue.js (element-ui) データベース MySQL 機械学習、データ解析 AWS Batch, AWS ECS, Python (Tensorflow, Keras, numpy, pandas) ローカルアプリケーション C#.NET (Windows Forms, WPF), Python, Node.js 画像処理 OpenCV, HALCON 技術基盤
43. 動画
44. 深層学習技術活用の流れ ここでは、蓄積された情報を元に抽象レベルの高い仕組みやルール(モデル)を抽出し、 それに基づいて予測や自動処理を行う技術を指しています。 データ収集 前処理 モデル作成 システム化 必要なデータを収集して データベースに格納します。 予測したい付加情報を抽出 したり、アノテーション作 業を行います。 モデル化のための基本的な 画像処理や、高い精度のモ デルを作成するためのデー タの増幅などの前処理を行 います。 モデルの作成を行います。 学習処理を行うためのパラ メータの探索や、ニューラ ルネットワークの構造を決 定し、精度を確認します。 予測モデルを実際の現場で 使用するため、既存のシス テムや装置への組み込みを 行います。 装置メーカー様、 受託システム開発 当社有償サービス
45. AI製品とクラウド＆サブスク 45 深層学習技術を応用した画像認識アプリケーションなど 売り切り型 （大型GPUサーバーを一括購入） サブスクリプション （パブリッククラウドサービス） 課金タイミング 購入時＋ランニング 利用時 メンテナンス 現場 リモート バージョンアップ 遅い 即時 メリット 半永久的な利用 いつでも解約可能 デメリット 価格、資産化 サービス撤退リスク 価格 約1,000万円＋電気代等 約1,300円/時間 データ共有 拠点内のみ 拠点間
46. AI製品とサブスクリプション 46 そのAI製品をいつ利用するか（頻度と時期）がポイント 利用開始 AI製品を継続的に利用して自社製品 を生産する場合は、安定した稼働の ために工場内に配置するべき 再学習 学習済みモデルの作成時期が不定期 で、自社製品の生産時にはAI製品を 工場内に配置する必要がない 1 2 3
47. お客様のデータ 現場適用 アプリ ・装置 は学習済みモデルの”工場” 特注のシステム 深層学習アルゴリズム + 精製された知識
48. 販売形態・価格 • POODLプラットフォーム(SaaS/クラウド版) • 15万円/月 (年単位契約 180万円～) • 学習処理の量に合わせた従量課金 • PoCサポート • “使える”学習済みモデル作成を個別支援 • 1か月間 300万円～ • POODLプラットフォーム使用料含む ※ オンプレミス版や特注カスタマイズは個別相談
49. OEM販売 • POODLプラットフォーム • 社内利用 • OEM供給（相手先ブランド） • カスタマイズ開発など、ご要望に合わ せて別途お見積り • 深層学習エンジンのカスタマイズ • 自社利用、OEM供給 • 印刷向けエンジン”DLC-titan” アプリケーション基盤 アプリケーションとデータを分離し、さらにDB分割型のマル チテナントを採用することにより、確実なデータ分離とス ケーラビリティを実現 A社 コンピューティングリソース B社 C社 認証サービス
51. AI技術に期待されること • 自動化、省力化によるコスト削減 • 新人教育のコスト • 生産コスト • 人的ミスの防止 • リードタイムの短縮 ➢安定稼働と生産予測の容易化 ➢人材の配置転換のリスク低減 51
53. ラベルフォーラムジャパン2019 2019.7.9(火) ~ 10(水) 東京ドームシティ内 プリズムホール、東京ドームホテル ラベルフォーラムジャパン2019 http://www.labelforum.jp/
54. • AWS クラウドとオンプレミスとの違い http://d36cz9buwru1tt.cloudfront.net/jp/documentation/TCO_Comparison_with_Onpremise_JP.pdf • 「AI・データの利用に関する契約ガイドライン」を策定しました （METI/経済産業省） http://www.meti.go.jp/press/2018/06/20180615001/20180615001.html 参考資料 お問い合わせ 玉城哲平 (たまきてっぺい) contact@taktpixel.co.jp https://taktpixel.co.jp/ ・POODLを利用した品質検査の効率化 ・深層学習や機械学習の技術を利用した業務効率化システム ・AI導入プロジェクトの支援