実証済みのROIを備えた機械学習アプリケーション

モノのインターネット (IoT) は、接続デバイスの数の急増により、10 年以上にわたって着実に成長を続けています。今日、数十億台の接続されたデバイスは、企業に物理的な世界からデータを収集して分析し、ビジネス プロセスを改善する前例のない機会を提供しています。場合によっては、新しい成功するビジネス モデルを推進し、企業が IoT アプリケーションの波に乗れるように導くこともあります。

ほとんどの場合、企業はエッジ デバイスやマイクロコントローラではなく、エッジ クラスターまたはクラウドで IoT データを処理します。組み込み機械学習と TinyML の出現により、このパラダイムは破壊され、アプリケーションのインテリジェンスが IoT ネットワークのエッジに押し上げられました。このシリーズの最初の記事で説明したように、これには次のような大きな利点があります。

• 帯域幅、エネルギー、ストレージリソースの大幅な節約
• より高速で低遅延のデータ処理の機会
• リアルタイム制御アプリケーションを容易にし、タイムリーな意思決定を促進します
• 大量のデータを活用する

これらの利点は具体的であり、ビジネスとの関連性が明確です。企業がネットワークのエッジでより多くのデータとプロセスを使用できると、ビジネス効率が向上し、それが直接的に金銭的利益と企業利益の増加につながります。組み込み機械学習は AI および IoT コンピューティングのゲームチェンジャーであり、企業の生産性を向上させます。ここでは、組み込み機械学習を導入している産業企業向けの 5 つのユースケースを紹介します。

スマート資産管理と産業メンテナンス

ほとんどの工業企業は、機械やツールなどの定期的なメンテナンスや交換に依存する予防保守アプローチに基づいて資産を維持しています。これらの間隔は、機器メーカーが提供するメンテナンス ポリシーによって決定されます。このアプローチでは、障害が発生する前に資産が保守されることが多いため、壊滅的な生産停止イベントを回避するのに役立ちます。ただし、予防保守では、資産が早期に交換されることが多いため、資産の利用が最適にならない可能性があります。

インダストリー 4.0 と産業用 IoT の登場により、産業企業は資産の状態ベースの監視を実施できるようになりました。企業は、センサー（振動センサー、温度センサー、熱画像など）や資産管理システムからのデジタル データを活用することで、ツールや機械などの産業資産の状態に関するリアルタイムの洞察を得ることができるようになりました。さらに、機械学習アルゴリズムを使用することで、資産の残存耐用年数 (RUL) に関する予測的な洞察を得ることもできます。場合によっては、信頼性の高い RUL 推定値により、産業企業は予防保守から予測保守に移行できるようになります。予測保守は、最適な総合設備効率 (OEE) を実現する保守および修理業務の究極のビジョンです。状態ベースの監視と予測メンテナンスは、企業が資産の利用率を向上させ、生産停止時間を削減し、機器の故障による無駄を排除し、最適なタイミングでメンテナンス作業をスケジュールするのに役立ちます。予知保全は、第 4 次産業革命 (インダストリー 4.0) のキラー アプリの 1 つと考えられています。予知保全は、目に見える投資収益をもたらし、製造、エネルギー、建設、スマート ビルディング、石油とガス、鉱業など、ほぼすべての産業分野に適用できます。

ほとんどの予測メンテナンスの導入では、クラウドでデータを送信して分析します。このアプローチには運用上の制限があります。たとえば、クラウドベースの機械学習分析による障害予測は、適切な修復または予防措置を可能にするほど速くない場合があります。組み込み機械学習は、予測メンテナンスと状態監視に大きな価値を追加します。リアルタイムの洞察を生成し、リアルタイムの意思決定を可能にします。機械内部のデータ収集デバイスやマイクロコントローラ上で直接機械学習を実行することで、産業企業はさまざまな資産の状態に関するタイムリーで正確な洞察を得ることができます。これにより、実際の機器の状態に基づいてリアルタイムで意思決定が可能になります。全体として、組み込み機械学習により、予知保全アプリケーションの効率が向上し、資産の利用率が向上し、サービスの品質が最適化されます。

品質管理とゼロ欠陥製造

最近、機械学習により、製造および生産業務の品質管理に新たな展望が開かれました。具体的には、予測品質の概念、つまり品質の問題が発生する前に予測する能力が生まれます。この点では、機械学習技術（ディープラーニングを含む）が生産ラインに適用されます。アルゴリズムの目的は、製品の欠陥につながる条件やパターンを積極的に特定することです。これに基づいて、工場長は欠陥の発生を防ぐための是正措置を講じることができます。さらに、機械学習技術を使用して、コストや環境パフォーマンスなどの他のパラメータに関連するパターンを最適化することもできます。

組み込み機械学習は、上記の品質管理ユースケースに大きな価値を追加します。具体的には、機器内部のデータ処理に基づいて、潜在的な欠陥に関する予測的な洞察を抽出する方法を提供します。これらの洞察をクラウド分析からの情報と組み合わせて、品質の問題につながるプロセスおよび制御パラメータを特定できます。同様に、複数のパラメータを同時に最適化して、欠陥ゼロの製造を実現することもできます。その結果、組み込みの機械学習により、工場長や品質エンジニアは欠陥に関する資産レベルの情報をリアルタイムで得ることができ、品質管理の問題に関する既存の知識を補完することができます。したがって、企業は総合的品質管理 (TQM) やシックス シグマなどの品質管理戦略の実装に優れた成果を上げることができます。全体として、産業企業は組み込み機械学習を活用して既存の品質管理知識を補完し、生産時間とコストを削減しながら製品の品質を向上させることができます。

施設管理における占有監視

近年、モノのインターネットはスマートビルディングや施設管理アプリケーションに変革的な影響を及ぼしています。建物やその他の不動産資産にセンサーを設置すると、所有者は不動産の状態に関する最新情報をリアルタイムで入手できるようになります。この情報に基づいて、HVAC（暖房、換気、空調）システムの動作を最適化し、コストを節約し、環境指標を改善できます。この点で、占有監視アプリケーションは非常に重要です。

温度などのセンサーからのデータ処理に基づいて、部屋や机、コンピューター、オフィススペースなどの物理的な資産の使用状況を正確に把握できます。これは、エネルギー効率を最適化し、テナントの快適性を最大限に高めるための鍵となります。さらに、施設管理者に資産利用に関するリアルタイムの洞察を提供し、資産の使用を計画し、全体的な生産性を向上させることを可能にします。過去数か月間、COVID-19の発生により、このような占有監視アプリケーションの需要が急増しました。後者は大規模なリモートワークポリシーの導入につながり、施設管理者が資産の占有パターンを監視および予測することがより困難になりました。センサーと IoT アプリケーションは、さまざまなスペースにおけるテナントの実際の存在に関する信頼性の高いタイムリーな情報を提供することで、テナントの役に立ちます。

施設管理環境では、組み込みの機械学習により、占有管理アプリケーションの持続可能性と精度が向上します。具体的には、クラウドゲートウェイを介して複数のセンサー値を集約することなく、占有監視センサー内で統計データ分析を実行できます。これにより、監視の精度と適時性が向上し、CO2排出量の削減にも役立ちます。施設管理者が排出量を削減し、野心的な持続可能性目標を達成するためにモノのインターネットを利用するようになると、組み込み機械学習が重要になります。このようにして、ブランドイメージを強化し、関連する規制へのコンプライアンスを改善します。たとえば、最近のニューヨーク市気候動員法 (CMA) では、建物のエネルギー効率を高めることが義務付けられています。具体的には、25,000平方フィートを超える建物は、2005年レベルと比較して、2030年までに温室効果ガスの排出量を40％、2050年までに80％削減しなければならないと規定されています。全体として、組み込み機械学習は、次世代のエネルギー効率の高い施設管理アプリケーションにとって強力なツールです。

群れの監視

過去数年間で、IoT システムと組み込みデバイスが農業分野に浸透し、精密農業を可能にしました。顕著な例としては、農家が家畜を監視できるように、ビーコン、RFID タグ、特殊な埋め込みセンサー（胃センサーなど）などのセンサーやユビキタス接続デバイスの使用が増えていることが挙げられます。このため、関連する IoT アプリケーションは、牛の状態に関する生データをクラウドに送信し、適切な分析を行う傾向があります。しかし、ほとんどの牛の群れは数千ヘクタールの地域で屋外に飼育されているため、このアプローチは非効率的であり、場合によっては実行不可能である可能性もあります。このような設定では、ネットワーク接続（短距離 IoT ネットワークなど）が、データ集約プロセス中に必要なサービス品質をサポートするのに十分でない可能性があります。さらに、このようなデバイスは通常、バッテリー電源を必要とするため、エネルギーの自立性に関する問題が生じます。

組み込み機械学習と TinyML は、これらの制限を軽減するのに大いに役立ちます。データ分析は家畜で行われるため、アプリケーションのバックエンドに送信する必要があるデータの量が大幅に削減されます。継続的にデータを収集する代わりに、組み込みデバイスに機械学習を導入すると、データを定期的（たとえば、1 時間ごと）にストリーミングできます。これにより、農家は家畜の状態や活動（休息中、苦しんでいる、吠えているなど）についての洞察を得ることができます。これらの洞察により、農家は搾乳や屠殺などの生産プロセスについて十分な情報に基づいた意思決定を行うことができます。全体として、組み込み機械学習は、従来のクラウド処理が不可能または効果的でない状況で、農家が精密な家畜監視システムを活用するのに役立ちます。

危機管理

機械学習と計算知能技術は、地震や山火事の予測を含む危機管理や民間防衛のアプリケーションにも使用されています。この点では、さまざまなセンサーからのデータが通常、クラウドで集約され、処理されます。しかし、危機管理においては、時間が極めて重要です。危機管理活動の成功は、危機管理指標予測の適時性に大きく依存します。たとえば、地震の警告サインを早期に特定できれば、より迅速かつ効果的な行動が可能になります。これは、組み込み機械学習が大きな価値を持つ分野です。

山火事管理の面では、組み込み機械学習は、牛の監視の場合と同様の信頼性と導入上の利点を提供できます。特に、組み込みセンサー内で統計モデルを実行すると、堅牢なネットワーク接続やバッテリー駆動のデバイスを必要とせずに、山火事のタイムリーな予測が可能になります。

要約する

組み込み機械学習は、上記の 5 つ以外にも幅広い用途があります。たとえば、精密農業では、クラウドでさまざまなデータ ストリームを集約して分析する必要なく、作物の病気を作物上で直接検出できます。別の例として、周囲温度を使用して温度異常を推定するのではなく、食品、飲料、医薬品などの敏感な製品の温度を直接分析することで、正確な冷蔵保管インテリジェンス アプリケーションが可能になります。全体として、組み込み機械学習は、さまざまな分野でほぼ無限のイノベーションの機会を生み出します。

しかし、産業環境で組み込み機械学習アプリケーションを開発および展開するのは簡単ではありません。厳しい業界要件を満たすために、各実装ステップを慎重に計画する必要があります。適切な組み込みデバイスの選択から十分なトレーニング データの取得、適切な機械学習モデルの実装まで、開発者と導入者は慎重な選択を行う必要があります。