Loading article…
産業人工知能、または産業AIとは、産業ビジネスプロセスへの人工知能の応用を指します。人間の知能を必要とするタスクを実行するコンピュータシステムを構築するための最先端の研究分野である一般的な人工知能とは異なり、産業AIは、顧客価値の創造、生産性の向上、コスト削減、サイトの最適化、予測分析[ 1 ] 、洞察の発見[ 2 ]といった産業上の課題に対処するために、そのような技術を応用することに重点を置いています。
人工知能と機械学習は、 近年、さまざまな要因により、生産におけるデータ活用の重要な推進力となっています。より手頃な価格のセンサーとデータ取得の自動化プロセス。より複雑なタスクをより高速かつ低コストで実行できる、より強力なコンピュータの計算能力。データ管理とコンピューティング能力のアウトソーシングのための、より高速な接続インフラストラクチャとアクセスしやすいクラウドサービス。[ 3 ]
生産分野における産業用AIと機械学習の応用可能性は、7つの応用分野に分類できます。[ 4 ]
各アプリケーション領域は、生産における具体的なAI/MLシナリオを記述する特定のアプリケーションシナリオにさらに細分化できます。一部のアプリケーション領域は生産プロセスに直接関連していますが、その他は物流や工場建設など、生産に隣接する分野をカバーしています。[ 4 ]
アプリケーションシナリオ「プロセス設計とイノベーション」の例としては、協働ロボットが挙げられます。協働ロボットアームは、人間のオペレーターが示す動作と経路を学習し、同じタスクを実行できます。[ 5 ] データ駆動型機械学習による予測保全と予防保全は、機械設備アプリケーション分野のアプリケーションシナリオです。[ 4 ]
ML アプリケーションがすでに広く普及している完全仮想システムとは対照的に、現実世界の生産プロセスは、仮想世界と物理世界との相互作用によって特徴付けられます。データはセンサーを使用して記録され、計算エンティティで処理され、必要に応じて、アクチュエータまたは人間のオペレーターを介してアクションと決定が物理世界に翻訳されます。[ 6 ]これは、生産エンジニアリング システムでの ML の適用に大きな課題をもたらします。これらの課題は、プロセス、データ、モデルの特性の衝突に起因します。生産領域の高い信頼性要件、高いリスクと損失の可能性、多数の異種データ ソース、および ML モデル機能の非透明性により、現実世界の生産プロセスでの ML の迅速な導入が妨げられています。
特に、生産データはさまざまな様式、意味、品質を含んでいます。[ 7 ]さらに、生産システムは動的で不確実かつ複雑であり、[ 7 ]エンジニアリングおよび製造の問題はデータが豊富であるものの、情報が少ないです。[ 8 ]加えて、使用例とデータ特性が多様であるため、問題固有のデータセットが必要となりますが、これは入手が困難であり、この分野の実務家と学術研究者の両方を妨げています。[ 9 ]
生産工学の分野は、先進技術の導入と既存プロセスへの統合に関して、かなり保守的な業界であると言える。これは、例えば、予期せぬダウンタイムの増加や製品品質の不足などによるプロセス効率の低下がもたらす経済的損失が大きいため、生産システムの信頼性に対する要求が高いことに起因する。さらに、機械加工装置や製品の特殊性により、さまざまなプロセスにわたる分野全体の導入が妨げられている。技術的な理由に加え、機械学習の導入が消極的なのは、この分野全体でITとデータサイエンスの専門知識が不足していることも一因となっている。[ 4 ]
生産工程で収集されるデータは、主に製品、工程、または実世界の環境の状態を推定するために頻繁にサンプリングされるセンサーから得られます。センサーの読み取り値はノイズの影響を受けやすく、不確実性を伴う現実の推定値にすぎません。生産データは通常、複数の分散データソースで構成され、さまざまなデータ形式（例えば、視覚品質管理システムからの画像、時系列センサー読み取り値、またはジョブと製品の断面情報）が生じます。データ取得の不整合は、信号対雑音比の低下、データ品質の低下、およびデータ統合、クリーニング、管理における多大な労力につながります。さらに、生産設備の機械的および化学的摩耗の結果として、プロセスデータはさまざまな形式のデータドリフトの影響を受けます。
機械学習モデルは、その複雑さと入出力関係の不透明性から、ブラックボックスシステムとみなされています 。これはシステム動作の理解度を低下させ、ひいてはプラントオペレーターによる受け入れを困難にします。これらのモデルは透明性に欠け、確率的であるため、機能的正当性を決定論的に証明することはできず、生産設備の認証を複雑化させます。機械学習モデルは本質的に制約のない予測動作をするため、誤ったデータや改ざんされたデータに対して脆弱であり、堅牢性と安全性の欠如から生産システムの信頼性をさらに損なうリスクがあります。開発および導入コストが高いことに加えて、データドリフトはメンテナンスコストの上昇を招き、これは純粋に決定論的なプログラムと比較して不利です。
機械学習アプリケーションの開発は、ユースケースの特定と選択から始まり、アプリケーションの展開と保守で終わるまで、標準的なプロセス モデルに整理できる専用のフェーズに従います。プロセス モデルは、開発プロセスを構造化し、次のフェーズに進むために各フェーズで満たす必要がある要件を定義するのに役立ちます。標準プロセスは、汎用的なものとドメイン固有のものに分類できます。汎用的な標準プロセス ( CRISP-DM、ASUM-DM、データベースにおける知識発見(KDD) など) は、一般的に有効な方法論を記述しており、個々のドメインに依存しません。[ 10 ]一方、ドメイン固有のプロセスは、特定のアプリケーション エリアの特定の特性と課題を考慮します。
本番環境における機械学習パイプラインは、CRISP-DMモデルに触発されたドメイン固有のデータサイエンス手法であり、エンジニアリングおよび生産技術の分野に適用するために特別に設計されました。[ 11 ]エンジニアリングにおける機械学習の中核的な課題（プロセス、データ、モデル特性）に対処するため、この手法は特にユースケース評価、共通のデータとプロセスの理解の実現、データ統合、実世界の生産データのデータ前処理、実世界の機械学習アプリケーションの展開と認証に重点を置いています。
産業環境におけるほとんどの人工知能および機械学習アプリケーションの基盤は、それぞれの分野からの包括的なデータセットです。これらのデータセットは、使用されるモデルのトレーニングの基礎として機能します。[ 7 ]コンピュータビジョン、音声認識、言語モデルなどの他のドメインでは、この目的のために、大規模な参照データセット（例：ImageNet、Librispeech、[ 12 ] The People's Speech）やオープンインターネットからスクレイピングされたデータ[ 13 ]がよく使用されます。このようなデータセットは、機密性要件が高いため[ 9 ] 、データに特異性が高いため、産業環境ではめったに存在しません。そのため、人工知能の産業アプリケーションは、データの入手可能性の問題に直面することがよくあります。[ 9 ]
こうした理由から、産業用途に適用可能な既存のオープンデータセットは、多くの場合、政府機関や大学などの公的機関、あるいは企業が主催するデータ分析コンテストから生まれています。加えて、データ共有プラットフォームも存在します。しかしながら、これらのプラットフォームのほとんどは産業分野に特化しておらず、産業データソースに関するフィルタリング機能も限られています。
{{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）