製造および自動化アプリケーション向けの人工知能技術の選び方

人工知能 (AI) の定義は、産業オートメーションにおける生産と、研究室外の日常生活では大きく異なります。

「人工知能」とは、マシンビジョン、コンピュータービジョン、機械学習、ディープラーニングなど、さまざまなテクノロジーとエンジニアリング分野を網羅する科学を指します。これらのテクノロジーの組み合わせに基づくシステムが適切に設計されると（アプリケーション分析から最終検証まで）、プラントに多大な価値をもたらすことができます。

製造業における人工知能の台頭

「人工知能の父」として知られるスタンフォード大学のコンピューターサイエンス教授ジョン・マッカーシー氏は、人工知能は「知能機械、特に知能コンピュータープログラムを作る科学と工学」と定義できると述べた。これは、コンピューターを使用して人間の知能を理解するという同様のタスクに関連していますが、AI は生物学的に観察可能な方法に限定される必要はありません。 ”

この文脈において、AI はさまざまな業界のメーカーに、マシン ビジョン システムによる検査を自動化するための貴重なツールを提供できます。人工知能には、機械学習とディープラーニングのサブセットがあります。機械学習では、機械がさまざまなタスクを改善できるように「学習」できるテクノロジーが使用されます。そのような技術の 1 つがディープラーニングです。これは、畳み込みニューラル ネットワークなどの人工ニ​​ューラル ネットワークを使用して、人間の脳の学習プロセスを模倣します。

ディープラーニング、および機械学習のサブセットである機械学習は、時間の経過に伴うモデルの継続的な分析から「学習」する能力があるため、産業オートメーションで人気が高まっています。ディープラーニングのプロセスはデータから始まります。たとえば、マシンビジョンが製品の欠陥を見つけられるようにするために、製造業者は、検出する必要のある欠陥や特徴を示す画像と「良好な」画像をアップロードして、初期データセットを作成します。ディープラーニングは、初期データセットに共同でラベルを付け、モデルをトレーニングして元のデータセットのテスト画像を使用して結果を検証し、運用環境でパフォーマンスをテストし、新しいケース、機能、または欠陥をカバーするために再トレーニングすることで実現します。

すべての要素を考慮し、適切な手順に従ってディープラーニング ツールを新規または既存の自動検査システムに実装すると、ソフトウェアは欠陥検出、機能分類、アセンブリ検証などのタスクを含む多くのアプリケーションで価値を提供します。具体的には、これらの AI テクノロジーは、手動検査が必要となる主観的な検査決定に役立ちます。 AI は、複雑性や変動性が高いために特定の特徴を識別するのが難しいシーンの調査にも役立ちます。

強化されたマシンビジョンシステム

すべてのアプリケーションが AI の恩恵を受けられるわけではなく、AI は単独のテクノロジーでもありません。代わりに、AI テクノロジーは、さまざまな業界に導入できる自動検査ツールボックスの強力なツールであり、メーカーにソリューションを選択する際のさまざまなオプションを提供します。 PyTorch や TensorFlow などのフレームワークを使用して社内でソリューションを作成したり、既製のソリューションを購入したり、アプリケーション固有の AI 対応製品やシステムを選択したりすることができます。

市場には、特定のアプリケーションに縛られることなくエンドユーザーが独自のモデルを構築できる、既製の AI ソリューションがいくつかあります。たとえば、Elementary の QA プラットフォームは、同社が「フルスタック ビジョン システム」と呼ぶものを提供しており、カメラと機械学習ソフトウェアを備え、問題を特定し、継続的な改善を可能にし、さまざまな製造プロセスに関する新たな洞察を引き出すように設計された高度な分析機能を備えています。このシステムは、バーコード読み取りや光学文字認識などの従来のマシンビジョンツールと機械学習機能を組み合わせて、システムに追加の検出機能を追加します。

AI ビジョン システムの一般的な検査アプリケーションには、消費者向けパッケージ (ラベル、キャップ、アクセサリを含む)、医療機器、自動車部品とアセンブリ、食品および飲料製品 (多くの場合、独自のアセンブリ検査バージョンを含む) などがあります。

「例えば、朝食用のサンドイッチの検査では、チーズが正しい位置にない場合にソフトウェアが認識するためのパターンを構築することは困難ですが、当社の機械学習ツールにより、ビジョン システムは積み重ねられたサンドイッチを見て、迅速に判断することができます」と、エレメンタリーの製品担当副社長であるマイク ブルチャンスキ氏は述べています。「当社のプラットフォームは、医療機器の組み立て検査でも同様のアプローチを提供し、規制ラベルの認識から溶接部の穴、空洞、亀裂の検査まで、さまざまな自動車検査も実行します。」

ロボットの導入が増加

近年、特定のタスクを合理化および簡素化することを目的として、アプリケーション固有の AI 製品が数多く登場しています。場合によっては、数時間以内にシステム全体を稼働させる必要があることもあります。 Rapid Robotics の Rapid Machine Operator (RMO) は、そのようなシステムの代表的な例です。一般的な機械オペレーターのタスクを処理するように設計された各 RM​​O には、6 軸ロボット アーム、3D 深度センサー、グリッパー、エッジ コンピューティングと AI 処理用の制御ボックスが含まれています。同社によれば、Rapid Machine Operator（RMO）には、事前にトレーニングされた AI アルゴリズムが搭載されているという。

人工知能の進歩により、ロボットによる自動化がこれまで以上に容易かつ効果的に導入されるようになりました。自動化分野において、AI の最も重要な価値提案の 1 つは、自動化人材の多様性です。自動化はすでにアメリカの製造業に浸透しているというのが一般的な見方です。

研究者を驚かせたのは、仕事の未来に関する最近のMITの報告書で、中小規模の製造業ではロボットが「非常に珍しい」ことが判明したことだ。

実際に、品質検査、自律移動ロボット、組み立て、ジェネレーティブデザインなど、AI ベースのロボットを導入する機会は数多くあります。

ロボット工学分野では、Photoneo は自動化ソリューションに AI 手法を使用して、さまざまな種類のアイテムを識別、選択、分類します。同社は、大規模なオブジェクト データセットでトレーニングされた畳み込みニューラル ネットワークを使用して、さまざまな形状、サイズ、色、または素材のアイテムを認識します。 AI システムは、これまで見たことのないオブジェクトに遭遇した場合、以前に遭遇した、またはトレーニングされた類似のオブジェクトに基づいて、そのオブジェクトを識別して分類できます。さらに、モデルのパフォーマンスを低下させる可能性のある異常やカスタム項目を顧客が選択する必要がある場合は、特定のデータセットでソフトウェアをトレーニングできます。

包括的なカスタムソリューション

業務に AI ソフトウェアを導入したいと考えている企業は、さらに一歩進んで、データの収集とラベル付け、モデルのトレーニング、展開のサポートを含むカスタム機械学習モデルを構築して統合することができます。

Prolucid の CEO である Darcy Bachert 氏は、次のように説明しています。「システム インテグレーターとして、当社は高度なコンピューター ビジョンと AI ベースのモデルを適用して、複雑な製造検査アプリケーションや、原子力や医療などさまざまな非製造業の顧客を支援することに重点を置いています。当社の典型的なアプローチは、コンピューター ビジョンやその他の既存のツールを使用して、可能な限り最も簡単な方法で問題を解決することです。これらのツールが適さないアプリケーションに遭遇した場合は、AI をオプションとして検討し、異常検出や特徴分類などの特定のユース ケースに適した既製のモデルを探すことから始めます。」

Bachert 氏は、TensorFlow などのオープンソース プラットフォームには、関連するユース ケース向けに設計された事前トレーニング済みのモデルと Python エコシステムが付属しているため、製造業やその他のアプリケーションにおける AI の導入に大きなプラスの影響を与えていると指摘しました。

製造業における人工知能の未来を展望する

製造業と自動化における AI の将来は、高度な分析を使用して欠陥の傾向を早期に特定し、最終的には欠陥の発生を防ぐことになるでしょう。

ソフトウェアがロボットのトレーニングとサポートの主なツールになるにつれて、これらの役割は IT テクノロジーにさらに統合されるようになるでしょう。これらのテクノロジーが進化するスピードを考えると、企業は垂直統合型ソリューションプロバイダーと連携して、ベンダーがロボットを管理している間に自社のビジネスの成長に集中することを決めるかもしれません。このシナリオでは、ロボット工学の労働力は分散型チームから集中型アプローチに移行し、Robotics-as-a-Service 企業が規模の経済と集中型トレーニングを活用できるようになります。

AI の急速な導入を妨げる障壁を克服することに関して、バッハト氏は AI は産業オートメーションに使用できる単なるもう 1 つのツールであると結論付けました。オープンソース コミュニティが発展し続けるにつれて、より多くの事前トレーニング済みモデルが利用可能になり、これらのテクノロジが実際のアプリケーションに導入されるハードルが低くなります。しかし、AI は単純なコンピューター ビジョンや検査アプリケーションでは必ずしも発生しない非常に独特な課題をもたらすため、そのような導入にはエンド カスタマーがチーム内でのトレーニングに投資する必要があると警告しました。