IoTビジネス共創ラボ 第5回勉強会

1. テクノスデータサイエンス・エンジニアリング株式会社
〒163-1414 東京都新宿区西新宿3-20-2 オペラシティタワー14F
TEL：03(6383)3261 FAX:03(6383)3262
IoTビジネス共創ラボ 第5回勉強会
設備保全における
ディープラーニングの活用
2017年9月22日

2. Tecnos Data Science Engineering All Rights Reserved 2017 2Page
目次
• 自己紹介
• 事例紹介
• 設備保全と機械学習（AI）
• Deep Learning のメリット
• AI活用システムの考慮事項
• Deep Learning のすゝめ

3. Tecnos Data Science Engineering All Rights Reserved 2017 3Page
会社概要
会社名
テクノスデータサイエンス・エンジニアリング株式会社（略称：TDSE）
関連会社
株式会社テクノスジャパン（親会社） 沖縄テクノス株式会社
Tecnos Research of America, Inc（米国カリフォルニア州）
事業内容
アナリティクス ・コンサルティング システム開発
設立
2013年10月17日
所在地
新宿区 オペラシティタワービル
セキュリティ認証
ISMS
所属団体
日本マーケティング・サイエンス学会
データサイエンティスト協会

4. Tecnos Data Science Engineering All Rights Reserved 2017 4Page
送電線保守におけるディープラーニング活用
https://www.youtube.com/watch?v=YE07PzWECuM

5. Tecnos Data Science Engineering All Rights Reserved 2017 5Page
IoT＋AIによる故障予兆・異常検知

6. Tecnos Data Science Engineering All Rights Reserved 2017 6Page
設備保全と機械学習（AI）
設備保全における機械学習（AI）の活用は比較的推進しやすい
と考えられます
• システムとして受け入れられやすい
– 製造プロセスにおける不良品抑制の制御など、人が経験・知力を尽
くしておこなっていることを、AIが実行する
➡ 受け入れられにくい。AIが何を考えているかを十分に理解しても
らうことが必要（例：鋳造には4000年の歴史がある）
– 異音検知・画像診断など、人が五感（視覚・聴覚など）で判断でき
るような事象を、AIが実行する
➡ ブラックボックスでも（AIが何考えてるかわからなくても）、過
去データに対して実績を示せれば信じて使ってもらえる
• スモールスタートで始めやすい
– Azureを活用し月数万円でセンサーデータ収集可能
– データの蓄積とともにAIを高度化
➡ まずは検知するAI、それから診断するAI

7. Tecnos Data Science Engineering All Rights Reserved 2017 7Page
Deep Learning のメリット
機械学習は「与えられたデータ」を用いて、現象を「近
似」しています ➡ AIは普通に間違います
原因
因果律
（神の数式）
結果
機械学習モデル
（近似式）
予測
データ
データとして利
用でき、実際に
現象の説明に有
効な領域
データとして利
用できるが、実
際は事象と関係
のない領域
・データが事象の原因となる情報をすべてカバーしているかどうかは神のみぞ
知る（持っているデータが原因を全くカバーしていない可能性もある）
・機械学習モデルが現象を記述するのに十分な近似となっているかどうかは神
のみぞ知る
・現在得られている結果ができうる範囲内でのベストな結果であるかどうかは
神のみぞ知る

8. Tecnos Data Science Engineering All Rights Reserved 2017 8Page
Deep Learning のメリット
機械学習は「与えられたデータ」を用いて、現象を「近
似」しています
原因
因果律
（神の数式）
結果
機械学習モデル
（近似式）
予測
データ
データとして利
用でき、実際に
現象の説明に有
効な領域
データとして利
用できるが、実
際は事象と関係
のない領域
・データが事象の原因となる情報をすべてカバーしているかどうかは神のみぞ
知る（持っているデータが原因を全くカバーしていない可能性もある）
・機械学習モデルが現象を記述するのに十分な近似となっているかどうかは神
のみぞ知る
・現在得られている結果ができうる範囲内でのベストな結果であるかどうかは
神のみぞ知る
Deep Learningなら！
・異音検知・画像診断などは、ほぼすべての情報がデー
タの中に含まれているといえる
・現状で最も複雑な近似式を提供できる（数万パラメー
タを学習によって収束させている）
・現状のデータでやれることが限られているので、いい
意味であきらめられる？

9. Tecnos Data Science Engineering All Rights Reserved 2017 9Page
AI活用システムの考慮事項
IoT故障予兆システムの例

10. Tecnos Data Science Engineering All Rights Reserved 2017 10Page
進め方
AI活用システムを実現するための標準的なステップ
企画
実証分析
（POC）
システム化 運用・保守
目的を明確化し、目
指す姿、その実現方
法、実際の業務にお
ける活用方法などに
ついて計画します
実際にデータを分析
し、機械学習モデル
が有用であるかどう
かの検証をおこない
ます。良い結果が得
られなかった場合、
検証結果をもとに必
要なデータについて
考察し、新たにデー
タ収集をおこなう場
合もあります
実証分析において確
立した機械学習のロ
ジックを、システム
に実装します。また、
データの収集や蓄積、
結果の出力（UI）に
ついてもシステム化
します
システムを運用し、
実際の業務において
活用します。また、
運用結果を可視化し
効果を確認します

11. Tecnos Data Science Engineering All Rights Reserved 2017 11Page
システムが創出する価値の考え方
AI活用システムの価値はAIがどのくらい賢いかに依存しま
す
設計通りにデータを処理できる
設計通りにデータを処理できる
AIが想定通りに賢い
＋
＝
＝
価値
価値
Q．どんなデータがあれば「できる」のか？
A．AI活用システムの場合は「できる」が程度問題なので、どの程度「できれば」、
投資対効果が出るのかをコンサルティングさせてください
従来のシステム
AI活用システム

12. Tecnos Data Science Engineering All Rights Reserved 2017 12Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる！！
使えない！！
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか？

13. Tecnos Data Science Engineering All Rights Reserved 2017 13Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる！！
使えない！！
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか？
絶対に停止させたくないようなク
リティカルな設備について、拙速
に「POC→システム化」を構想して
はいけない。むしろ研究開発とい
う捉え方のほうが健全
⇔
チョコ停をなくしたい場合に100％
の精度は必須ではない

14. Tecnos Data Science Engineering All Rights Reserved 2017 14Page
実証分析（POC）を進めるにあたっての留意事項
データ量と機械学習モデルの精度の間には強い相関があるの
で、ある程度合理的な精度を達成した時点でシステム化して
データ収集を推進するアプローチをとったほうが合理的と考
えられます
“Scaling to Very Very Large
Corpora for Natural
Language Disambiguation”
Michele Banko and Eric Brill
Microsoft Research, 2001
アルゴリズムの差異より
も、データを増やすこと
のほうが精度の改善につ
ながるケースもある

15. Tecnos Data Science Engineering All Rights Reserved 2017 15Page
Deep Learningは万能ではない
ImageNetをつかって
学習したネットワークが
99.6%以上の確信度で
判定した結果
Nguyen A, Yosinski J, Clune J. Deep Neural Networks are
Easily Fooled: High Confidence Predictions for
Unrecognizable Images. In Computer Vision and Pattern
Recognition (CVPR ’15), IEEE, 2015.

16. Tecnos Data Science Engineering All Rights Reserved 2017 16Page
Deep Learning のすゝめ
MS Azure の Data Science Virtual Machine を利用すると、
わずか数分でDeep Learning 環境が整います

17. Tecnos Data Science Engineering All Rights Reserved 2017 17Page
トレーニングのすゝめ

18. Tecnos Data Science Engineering All Rights Reserved 2017 18Page
トレーニングのすゝめ
数式を使わない、図表
を用いた説明により、
Deep Learningを概念
的に理解することがで
きます
丁寧な作業手順のハン
ズオンにより、実践力
が身につきます

19. 19Page
●お問い合わせ
この文書は、著作権法及び不正競争防止法上の保護を受けております。
文書の一部或いは全てについて、テクノスデータサイエンス・エンジ
ニアリング株式会社から許諾を得ずに、いかなる方法においても無断
で複写、複製、転記、転載、ノウハウの使用、企業秘密の開示等を行
うことは禁じられております。
本文記載の社名・製品名・ロゴは各社の商標または登録商標です。
テクノスデータサイエンス・エンジニアリング株式会社
TEL：03-6383-3261 FAX：03-6383-3262
Tecnos Data Science Engineering All Rights Reserved 2017