IoTとAIの組み合わせがもたらす大きなチャンス

食器洗い機がどれくらいの時間稼働するか知っていますか？ 多くの人はおそらく退屈だと言うでしょう。

この質問の答えは 2013 年まで見つかりませんでした。ノートパソコンで興奮しながら妻に答えを見せたのを覚えています。妻は困惑していました。どうしてそんなに興奮できるのでしょう?

面白いのは、Ubi（スマート音声制御デバイス）が一日を通してキッチンの音の変化をうまく記録し、食器洗い機の稼働時の音の大きさや稼働時間を知ることができることです。 3 つの動作サイクルがあり、その間に数分間の静かな時間があることもわかりました。食器洗い機の音量を分析し、関連するログを読み取ることで、食器洗い機がどのサイクルにあるかを推測することができました。しかし、この情報を使って何ができるかは別の問題です。

食器洗い機の秘密の生活

それ以来、家庭内のデバイスとセンサーの平均数は飛躍的に増加しました。多くのコネクテッドデバイスにはセンサーが搭載されており、それらを組み合わせることで、私たち自身や私たちの生活様式についての洞察が得られます。これが、UBI デバイスにマイク、光、湿度、気圧、温度センサーを追加するきっかけとなり、将来的には機械学習が追いつき、より多くの洞察を提供できるようになることを期待しています。

モノのインターネットは、私たちが自分自身や自分のライフスタイルをより深く理解し、人生の目標を達成するための行動をとるのに役立ちます。モノのインターネットに人工知能を適用することで、私たちの気分が良くなり、電気を節約し、健康を維持することができます。

上記の目標を達成するには、次の 3 つの側面からのサポートが必要です。

• マイクロセンサーのコスト削減と大規模応用
• データ収集とデータ保存コストの削減
• AI・機械学習APIプラットフォームのコモディティ化と使いやすさ

2011年、私はKickstarterでTwineスマートデバイスに魅了されました。この製品には温度、湿度、加速度センサーが内蔵されており、ワイヤレス ネットワーク経由でデータを報告できます。購入したきっかけは、帰宅したらキッチンに水が溜まっていたことです。冷蔵庫が壊れていたことが判明。冷蔵庫の温度が下がっているという早期警告を受け取れたら最高です! Twine スマート デバイスは、簡単なルールを作成し、一定のしきい値を超えるとメールや SMS メッセージを送信できます。

Twineのスマートデバイスは当時は高価でしたが、現在では同様のデバイスの価格が大幅に下がっています。GPS、WiFi、Bluetooth、加速度計、赤外線センサー、マイク、磁場検出器、力センサー、気圧計など、複数のセンサーを1つのチップに統合することができ、すでに数十億台のスマートフォンに搭載されています。これらを介してアプリケーションを実装することも簡単です。

Ubi のセンサー データを収集する際には、HTTP ロング ポーリング、センサー データ ストリーミング、データ蓄積、ルールベースの処理、保存、分析用データの呼び出しを処理できるインフラストラクチャを構築する必要がありました。

グラフをズームアウトするときに、データ ポイントをあまりにも多く呼び出すと問題が発生する可能性があり、この問題が原因で初期段階でサーバー クラッシュが数回発生しました。

また、10 秒ごとに 5 回データをサンプリングすると、大量のデータがサーバーに溢れる可能性があることも理解しておく必要があります。現在、AWS、Google App Engine などの IoT プラットフォームでは、5 年前に比べてデータ収集のルールの設定がはるかに簡単になっています。

新たな要件は、このデータを活用して次に何をするかを予測したり、次に何をするかに影響を与えたりすることであり、そのためには情報階層を上へ移動する必要があります。ヘッケルは次のような階層構造を提案した。

• 生データ
• 情報
• 知能
• 知識
• 知恵

食器洗い機の例では、生データは音のデシベルレベルとタイミングです。情報はデータを収集する場所を知ることです。インテリジェンスとは、同じ部屋にある食器洗い機がすでにオンになっていることを知っており、動作サイクルを理解できることです。知識とは、サイクルの合計時間と無音の瞬間を判断できることです。そして、知恵とは、食器洗い機がこれだけの時間動作し、これだけの音を出すので、夜中に電源を入れないほうがよいかもしれないと知っていることです。

今日、この種の情報を収集するには、システムをアップグレードするためにユーザーからの多くの学習と入力が必要です。ここで人工知能が応用できるのですが、特定のシナリオごとに AI を構築する必要があり、大変な作業です。リソースが限られている企業は、真のチャンスがどこにあるのかに焦点を当てる必要があります。

• 関連する場合にユーザーに洞察を提供する
• データを組み合わせて新たな洞察を生み出す
• 気分や感情が何によって変化するかを予測する

新しいルールは、ユーザーの気分や感情に影響を与えることができる企業が勝つというものです。

パターンを見つける

生のデータをキャプチャして記録することは IoT デバイスに必須の機能となり、場所にタグを付けられることは使用可能な情報を抽出するためのもう 1 つの利点ですが、企業がこの情報をインテリジェンスに変換するより簡単な方法があります。つまり、抽象化、平均化、比較を通じて実現されます。

抽象化とは、情報に何らかの解釈を適用してイベントを識別すること、または積分または微分して合計や割合を集計することを意味します。 Ubi の場合、照明の変化、1 日にデバイスに話しかける回数、デバイスがユーザーに話しかける回数 (「インタラクション」)、温度の変化量、しきい値への到達などが考えられます。

平均も抽象化ですが、個々のユーザー/デバイス、またはより大きなユーザーやデバイスのコレクションに使用できます。最後に、特定のユーザーまたはデバイスのデータを平均と比較すると、多くの実用的な洞察が得られます。これらはすべて、機械学習や AI システムなしで実行できます。

ただし、イベントを認識してラベル付けするようにシステムをトレーニングできることはさらに強力です。 Nest はビジョン処理に関して興味深い成果を上げており、基本的にはユーザーがビデオ フィード上に領域を描画してイベントの名前を付けられるようにすることでマシン ビジョンを実装しています。

IoT デバイス企業にとって、ユーザー タグやイベントの識別がユーザーに直接的なメリットをもたらすのであれば、イベントを自動的に識別するようにシステムをトレーニングするのに使用しない理由はありません。音の検出、存在の有無、暖房や空調の故障はすべて、ユーザーがシステムをトレーニングできる便利なイベントです。このデータセットは TensorFlow などのツールに入力され、ユーザーに提示されて、さらに検証や修正を行うことができます。

スマートホーム識別において特に役立つインテリジェンスには、次のものが含まれます。

• 家にいる/家にいない
• 到着/出発時間
• 家には何人いますか？
• 就寝/起床時間
• 食事の時間
• 機器の使用
• その他の家事活動（テレビを見る、掃除、料理など）

すべてをまとめると

これをさらに一歩進めると、上記の情報を組み合わせて「知識」、そして最終的には「知恵」を作り出すことができます。ここで機械学習を適用して予測情報を抽出することができます。その優れた例として、Target 社がイベントに基づいて女性の妊娠を予測した例が挙げられます。

たとえば、ある家族が通常午後 6 時 45 分に夕食を食べることを予測し始めることができます。この情報を使用して、午後 5 時 30 分に食事をするようにリマインダーをトリガーできます。また、システムは入力のテストを開始し、その効果がユーザーに良い影響を与えているかどうかを評価することもできます。

食事のアイデアのシナリオでは、ユーザーがそのアイデアを採用した場合、それは肯定的な影響と見なすことができます。システムの入力にも関連するその他の情報（音声分析、早寝、遅寝の減少など）も収集して、幸福指数を評価することもできます。

システムを訓練して、我々をもっとうまく操作できるようにするというのは、ひどいやり方なのかもしれない。しかし、私たちの目標が、例えば、家庭の照明や温度といったシステムの制約内である程度の自律性を実現するなど、自分自身を向上させることであれば、大きな成功を収めることができるかもしれません。