機械学習は、インダストリー4.0の不安定性、不確実性、複雑性、曖昧性に対処する

序文

科学技術の急速な発展により、インダストリアル4.0時代は終焉を迎えつつありますが、実際の発展には依然として多くのリスク要因が存在します。この論文ではまず、インダストリー 4.0 時代の不安定性、不確実性、複雑性、曖昧性の問題を分析します。これら 4 つのリスク要因は、プロクター・アンド・ギャンブル社が提唱する VUCA 戦略 (VUCA は同社の英語の頭文字) に由来しています。この戦略は、期待される目標に基づいてリスクに対処するための対策を提案することを目的として、業界分析で広く使用されています。機械学習を使用することは、インダストリアル 4.0 時代の VUCA 問題を解決する最善の方法です。

インダストリー4.0の到来

インダストリー4.0は、2011年にドイツで初めて提唱されました。これは、工業製造のデジタル化を促進し、完全に自動化された製造業を創出するために開発されたハイテクプロジェクト戦略を指します。現在、インダストリー4.0には、クラウドコンピューティング、モノのインターネット、ビッグデータ、無線周波数識別、共同開発などの最先端の科学技術が適用されています。その中でも、モノのインターネット技術とビッグデータ技術が最もよく知られています。

（１）モノのインターネット技術とインダストリー4.0

モノのインターネット (IoT) は、1999 年にマサチューセッツ工科大学の Industrial Auto-ID Center の創設者であるケビン アシュトンによって初めて提唱されました。これは、高度にインテリジェントなインタラクティブ システムを通じてあらゆるものを接続し、自動化された世界を形成することを意味します。ここでの「インテリジェンス」とは、高度な通信技術とインターネット技術を活用して情報を効率的に処理し、「インテリジェント産業」を形成することを指します。 IoT デバイス間の相互作用により、デバイス同士が情報を取得できるようになり、デバイス自体がビジネス プロセスを監視し、生産効率を向上させることができるため、コストを節約し、より適切な意思決定を行うことができます。

IoT テクノロジーは 4 つの段階に分けられます。

1. データセンシング段階: 産業的に生成されたデータはセンサーによって感知され、収集され、処理のために最も近い基地局に送信されます。
2. 整理および処理段階: データを整理および処理し、必要に応じて変換します。
3. 前処理段階: エッジテクノロジー処理システムを使用して、データをセンターに送信する前に前処理します。
4. 保存および保守段階: 生成されたデータは、その後の分析の基礎を確立するために保存および保守されます。

IoT技術の4つの段階は、高度なセンシング技術を備えた自動化デバイスが産業IoTの基本構成要素であることを示しています。これらのスマートマシンの運用は、工業生産の柔軟性を高め、生産者のインテリジェント管理への依存に影響を与え、産業発展の新しい基準を確立します。

IoT テクノロジーは、デジタル市場の急速な発展と高まる消費者の需要に対応し、人間の介入を必要とせずに割り当てられた作業をタイムリーかつ正確に完了することができます。 IoT を活用する業界は、より効率的に運営され、顧客のニーズをより深く理解し、最終的に収益性を高めます。

（２）ビッグデータとインダストリー4.0

産業の発展により、システム内で膨大なデータが流れるようになり、これらのデータの保護、処理、保守が人々の注目の的となり、ビッグデータテクノロジー（BDT）が誕生しました。ビッグデータはもともとIBMのデータサイエンティストによって定義されました。文字通り、大量の情報データの集合を意味します。これは、膨大なデータを分析するための概念です。

ビッグデータの概念には 5 つの側面があります。

1. ボリューム: ビッグデータとは、データの量が以前よりもはるかに多いことを意味します。
2. 多様性: 異なるデータ ソースによって異なる構造のデータが生成されます。
3. スピード: データは迅速に生成され、迅速に分析および処理されます。
4. 信頼性: データの信頼性は分析の前提です。
5. 価値: データを分析することによって実行されるアクションは価値があります。

現在、ビッグデータはさまざまなビジネスのデジタル化の基盤となっています。大量のリアルタイムデータを収集、送信、分析、使用すると同時に、生成された情報はインテリジェントプロセスを改善するためのアイデアを提供し、それによって工業生産の効率的でトラブルのない実行を保証します。ビッグデータを適切に収集・分析することで、製品製造、サプライチェーン管理、物流、リスク管理など、さまざまな分野で競争力が向上します。

VUCA戦略についてどれくらいご存知ですか?

VUCA 戦略とは、冒頭で述べた変動性、不確実性、複雑性、曖昧性を指します。元々の VUCA 戦略は軍事分野に端を発していますが、現在ではビジネス分析で広く使用されています。 VUCA 戦略は、開発の予想されるリスク要因を分析し、これらの状況に備えることで、競争の激しいビジネスの世界で生き残るために使用されます。 VUCAの発音がVUCAに似ているため、「VUCA」と表記されることもあります。

VUCA 戦略には次の 4 つの側面があります。

• 変動性:ビジネス環境における極端かつ急速な変化を指します。こうした変化のスピード、量、規模は、ビジネス環境の不安定さを反映します。価格変動がサプライチェーンのリスクにつながることや、商品供給の変動が企業が消費者の需要を満たせなくなることなど、変動の原因はよく知られています。
• 不確実性:変動性が存在するため、理解が不足すると不確実性が生じ、将来が予測不可能になり、長期的な発展に影響を及ぼします。ビジネス環境において、不確実性を引き起こす可能性のある要因としては、ユーザーのニーズや嗜好の変化、新しいポリシーの導入、古い製品から新しい製品への置き換えなどが挙げられます。
• 複雑性: 複雑性は2 つの側面から生じます。第一に、工業化の急速な発展により、企業内の相互接続されたネットワークと手順が徐々に複雑化します。第二に、外部のビジネス環境の不確実性により、意思決定が複雑化します。アウトソーシングされた業務（会計、マーケティング、コンピュータ支援設計など）の導入により、複雑さが増しています。
• 曖昧さ: 曖昧さは、ビジネス アクションを明確に述べることができず、確率を正確に評価できず、潜在的な結果の多様性を説明できない状態です。新しい製品や取り組みが市場に導入されるときに、曖昧さが発生する可能性が高くなります。

機械学習についてどれくらい知っていますか?

機械学習はデータサイエンスのカテゴリに属し、データ処理のあらゆる側面を網羅する研究と考えられています。これは、人間の介入なしに機械が自律的に学習する能力を与える人工知能の分野です。機械学習により、人間によるプログラミングなしでコンピューターが自動的にタスクを実行できるようになります。

機械学習のプロセスは次のとおりです。

1. データ収集:これは機械学習プロセスにおける最初の、そして最も重要なステップです。コンピュータは問題ステートメントに基づいて関連データを収集します。収集されたデータはトレーニング データと呼ばれ、問題を解決するためには正確かつ完全でなければなりません。

2. データ前処理:前処理は、収集された不完全、不一致、誤りのあるデータを、機械学習モデルに適合するように実行可能なデータに変換することです。データセット内の問題を除去した後、データの特徴を抽出し、モデルのトレーニングに使用します。

3. モデル構築:望ましい結果を達成するために適切な機械学習手法を選択するプロセス。機械学習モデルには多くの種類があり、一般的には教師あり学習、教師なし学習、強化学習に分けられます。問題によって適した技術は異なります。

4. モデルのトレーニングとテスト:選択するモデルを決定した後、前処理されたデータ セットは、それぞれトレーニングとテストの要件を満たすトレーニング セットとテスト セットの 2 つの部分に分割されます。モデルトレーニングとは、機械学習技術を使用してモデル評価のエラーを最小限に抑えることを指します。モデルトレーニングが完了すると、テストデータセットでテストされ、モデルの効率と精度が評価されます。テスト結果はいくつかの評価指標に反映されます。

5. パフォーマンス評価:クロス検証、パラメータ調整、複数の機械学習アルゴリズムを使用して、より優れたアルゴリズムを取得するか、組み合わせ方法を使用して複数のアルゴリズムの結果を組み合わせます。

6. モデルの実行:モデル出力を実行して、将来モデルを使用して機械学習タスクを完了できるようにします。

では、機械学習は VUCA 戦略をどのように解釈するのでしょうか? VUCA 戦略によって目標は異なるため、これには特定の機械学習アルゴリズムが関係します。

VUCA戦略のための機械学習

このセクションでは、一般的に使用されている機械学習アルゴリズムをいくつか紹介し、その原理を簡単に説明し、インダストリー 4.0 の VUCA 戦略における実際の応用例を示します。

（１）線形回帰モデル：線形回帰は、回帰アルゴリズムにおける教師あり機械学習アルゴリズムです。与えられた変数に基づいて結果を予測し、両者の間の線形関係を取得します。一般的に使用される線形回帰モデルには、単一変数の単純線形回帰と複数変数の多重線形回帰の 2 つがあります。

線形回帰モデルは主に、VUCA 戦略の不安定性と不確実性の問題を解決します。 Google のアプリケーションはすでに線形モデルを使用して、特定の道路の履歴データを分析し、交通状況を予測しています。一部の金融専門家は、ボラティリティ指標を使用して線形モデルを構築し、金融市場のボラティリティを予測し、この方法が従来の移動平均法よりも優れていることを証明しています。

（２）ロジスティック回帰モデル：分類アルゴリズムにおける教師あり機械学習アルゴリズムです。与えられた変数を入力値として受け取り、0か1、はいかいいえ、真か偽などの離散値で出力結果を予測します。回帰モデルではありますが、分類問題を解決し、予測データが属するクラスの確率を与えることで判別を完了します。

ロジスティック回帰モデルは主に、VUCA 戦略の複雑さと曖昧さの問題を解決します。医療業界ではこの方法を使用して、患者を重大診断と重大でない診断のカテゴリーに分類し、金融業界では、過去の負債、債務不履行、収入に基づいてユーザーが事業で債務不履行に陥るかどうかを判断するための早期警告モデルを確立するためにこの方法を使用しています。このアルゴリズムは複雑で曖昧なリスク要因を効果的に処理し、予測結果の精度が高くなります。

（３）決定木モデル：教師あり機械学習アルゴリズムであり、分類アルゴリズムと回帰アルゴリズムの２つのカテゴリに分けられる。すべてのデータが分類され、ノードが最終決定ノードになるまで、データセットは同じカテゴリの小さな部分に分割されます。決定木は、エントロピーと情報ゲインを使用して構築され、イベントの不確実性の度合いを予測します。

意思決定ツリー モデルは主に、VUCA 戦略における不確実性と曖昧性の問題を解決します。たとえば、大規模な産業プロジェクトでは、計画と設計の複雑さ、および参加グループの多様性により、大きな不確実性が伴います。意思決定ツリー モデルを使用すると、これらの不確実性を分類し、事前にリスクを予測できます。

(4) ランダムフォレストモデル:望ましい結果を予測するために、決定木をランダムに収集して「フォレスト」を作成する教師あり機械学習アルゴリズム。決定木が大きくなるにつれて、それぞれが新しいオブジェクトを分類して投票できるようになります。投票数が最も多いものがランダムフォレストプロセスを分類します。

ランダムフォレスト モデルは主に VUCA 戦略における曖昧性の問題を解決します。機械部品の故障の可能性を予測したり、市場の収益性を見積もったり、リスクを最小限に抑えたりするなど、企業の変動の激しいビジネスパフォーマンス指標を予測するのに役立ちます。災害による損失の予測にも使用され、その結果は他の機械学習アルゴリズムよりも優れています。

（５）サポートベクターマシンモデル：分類アルゴリズムの範疇に属する教師あり機械学習アルゴリズム。平面または決定境界を生成することによってサンプルを異なるクラスに分割する。データサンプルポイントは異なる特徴に従って分類され、各ポイントはサポートベクターとして異なる座標を持つ。

サポート ベクター マシン モデルは、主に変動性、複雑性、不確実性の問題を扱います。これらのコンテンツは、サプライチェーン管理システムの需要予測や産業資材のリスクヘッジモデルに関係しています。

要約する

インダストリー4.0は、モノのインターネットとビッグデータ技術を通じて自動データ交換を実現し、クラウドコンピューティングを通じてデータの保存と処理を実現し、コグニティブコンピューティングを通じて人間の意思決定を支援します。人件費を削減し、ビジネス プロセスを簡素化し、生産予測の精度を向上させます。これらの改善により生産性と収入が大幅に増加し、経済成長に貢献します。

しかし、インダストリー4.0のプロセスには依然として不安定性、不確実性、複雑性、曖昧性といった問題があり、これらは産業発展のプロセスに影響を及ぼし、合理的に解決される必要があります。機械学習技術により、人間によるプログラミングを必要とせずにスマートデバイスが意思決定を行えるようになり、不確実性によって生じるリスクが軽減されるため、将来的に広く使用されるようになるでしょう。