人工知能の6つの主要概念とAIプロジェクトを実装するための7つの考慮事項を1つの記事で理解する

AI はすべての問題を解決できるわけではありませんが、正しく適用すれば短期間で大きな変化をもたらすことができます。

機械学習と人工知能 (AI) の可能性については、おそらく聞いたことがあるでしょう。これら 2 つの技術的コンセプトは世界的な注目を集めています。自動運転車、ヒューマノイドロボット、機器の予知保全など、これらのアプリケーションは消費者部門に限定されず、産業界も熱狂しています。大手業界出版物の最近の見出しを少し見てみましょう。この傾向は今後も続くでしょうし、実際、将来的にはどこにでも見られるようになるかもしれません。だから調べてみたほうがいいかもしれません。

AIの台頭

伝統的に、分析は統計学者の領域でした。コンピュータが産業界で一般的になる前は、アナリストは鉛筆と紙を使って分析作業を行っていました。現在、分析はデータ サイエンスを説明する一般的な用語です。

たとえば、単純な線に沿った点を見つけることは、通常、標準的なデータ分析の範囲内です。この線は「回帰」とみなされます。線に沿った点を見つけることが「回帰分析」です。単純な回帰分析を実行することは一般的です。

機械学習は AI のサブセットと考えることができますが、これら 2 つの用語はしばしば同じ意味で使用されます。機械学習は AI の統計的側面であり、認知コンピューティングとモデリングも含まれます。各カテゴリーの境界は曖昧である可能性があります。

AI を特徴付ける別の方法は、現実世界のデータを使用して結論を​​導き出すコンピューター コードであるということです。このようにシステムを構築すれば、これらの結論に基づいて自動的に意思決定を行うことができます。そうすれば、より多くの情報がシステムに取り込まれ、より多くの意思決定が可能になります。 AI の説明は、今日の大衆文化における AI の理解を反映しており、人間の考え方を反映しています。私たちは情報を取り入れ、結論を出し、決断を下します。

人間の思考は多くの場合、「もし、ならば」という形で表現されますが、もちろん他の形で表現することもできます。同様に、これらのアルゴリズムの 1 つを使用して AI をインスタンス化することもできます。アルゴリズムを機能ごとにグループ化すると便利です。機械学習アルゴリズムの主なカテゴリを見てみましょう。

クラスター分析

一部のアルゴリズムは、物事を「グループ」に整理します。たとえば、コンポーネントが製造されているとします。品質保証部門またはインライン測定システムは、幅と高さの 2 つの測定機能を部品に関連付けます。これらのデータはグラフを生成するために使用されます。色を使用すると、分類体系を明確にすることができます。 Excel ウィザードを使用すると、新しいパーツが通過するたびにチャート上にプロットして、自分でグラフを生成できます (図 1 を参照)。

図 1: 色を使って部品を分類することはできますが、従来の視覚化技術では表示できないほど関連パラメータが多すぎる場合はどうなるでしょうか? 画像ソース: inductiveAutomation

アーキテクチャに情報が追加されるにつれて、クラスタリングはより強力になります。不良品に関する情報が追加されたとします。結果によると、不良品の約 80% は青色グループで占められ、不良品の約 20% は緑色グループで占められました。

しかし、なぜそこで止まるのでしょうか? 長さの情報も収集し始めるとします。 3 次元でグラフを描くことを想像してください。高度なマッピング プログラムではこれが実行できるため、引き続き手動で情報を入力してグループ化することができます。グループ分けが改善されると、青のグループでは不良品が 85% 発生しました。

この時点で、機械学習アルゴリズムを使用してクラスタリングを実行すると、分類は実行されますが、手動で実行できるものだけが自動的に実行されます。では、なぜ機械学習の方が優れた選択肢なのでしょうか?

さらなる次元

この時点で、別の次元を追加する必要がある場合はどうでしょうか? おそらく、導電率、湿度の測定値、または陽極酸化電流が意味のあるパラメーターです。しかし、3D グラフは 3 次元しか持つことができません。一方、機械学習アルゴリズムを使用すると、4 次元、5 次元、6 次元、さらには 100 次元のグラフを描くことができます。

クラスタリング アルゴリズムは、各パーツの特性に基づいてグラフを描画し、互いに近いパーツをグループとして識別します。これが完了すると、どの属性または属性の組み合わせが劣悪な製品を生み出す可能性が高いかがわかりやすくなります。

これは、グループ化が他の属性に基づいて自動的にさらに絞り込まれることを意味し、青いグループは不良品の 95% または 99% を予測できるほど十分に絞り込まれる可能性があります。再作業が必要になる可能性が最も高い製品に関する洞察が大幅に向上しました。考えられる選択肢としては、不必要な手順が実行される前にそれを生産チェーンから削除し、時間とコストを節約することです。

決定木

決定木は、概念的に非常に意味のあるもう 1 つのシンプルな手法です。決定木トレーニングは、データマイニングでよく使用される方法です。目標は、サンプルのターゲット値を予測するモデルを作成することです。私たちは日常生活の中で、次のような質問に答えるために決定木を構築することがよくあります。交通状況はどうですか? 天気はどうですか? 今日、母に電話するべきでしょうか (図 2 を参照)? これに対するアルゴリズムを構築するのは簡単な作業です。まず、プロセスを説明するデータと結果に関する情報を特定します。結果として得られるアルゴリズムは、予測をマッピングするツリーを構築します。多くの可能性（おそらく数千以上）を検討し、可能な限り最も正確なツリーを作成します。

図 2 決定木は単純な要素から始まりますが、非常に複雑なプロセスの結果を予測するために使用できます。

モデルとトレーニング

その他の重要な分析概念には、モデリングとトレーニングが含まれます。プロセス データが機械学習アルゴリズムに入力されると、トレーニングが行われ、良いプロセス例と悪いプロセス例を認識できるモデルが生成されます。

誰かがペンを持って座り、意思決定ツリーを書き出しているところを想像してください。それから彼らは決定木を次々と書き続けました。その後、最適な決定木を決定し、その他は破棄することができます。最終的な決定木がモデルです。クラスタリング アルゴリズムの場合、モデルは単に「クラスタリング モデル」または「モデル」と呼ばれます。

つまり、最適な決定木を使用することで、一連のデータを使用して、処理フローに基づいた予測を得ることができます。前の例に戻ると、最初のステートメントは「幅が 23.5 未満の場合は xxx」で、2 番目のステートメントは「高さが 43.3 より大きい場合は xxx」です。機械学習アルゴリズムは、可能な限り最適な回答を得るために質問を作成します。

決定木は予測保守アプリケーションで非常に有用です。前述したように、回帰分析は簡単です。しかし、機械学習アルゴリズムに関しては複雑になる可能性があります。

回帰分析

同様に、回帰分析の基礎は、線上の点を見つけることによって説明できます。線を描くには、まずどのような種類の線を描くかを決める必要があります。それは曲線ですか? 直線ですか? 曲線はいくつありますか? これは、xy 2 次元平面にプロットすると簡単にわかります。機械学習は、複雑なデータや多次元に適用すると効果を発揮します。 100 個の次元を手作業で描くことは決して現実的ではありませんが、アルゴリズムはこれを簡単に処理し、最も適合する回帰 (存在する場合) を簡単に見つけることができます。

回帰分析は、プロセス調整や生産予測に非常に役立ちます。すべてのデータが回帰分析に適しているわけではありません (クラスター化されたデータなど) が、1 つの要因が他の要因に影響を与えるプロジェクトでは非常に役立ちます。

ディープラーニング

ディープラーニングやニューラルネットワークという言葉を聞いたことがあるかもしれませんが、それが何なのか本当に理解していますか? ディープラーニングは機械学習の一分野です。人工ニューラルネットワークをアーキテクチャとして使用して、データを表現および学習するアルゴリズムです。ニューラル ネットワークは、数千または数百万のノード (それぞれが入力を受け取り、出力を生成できる小さなコンピューター コードのブロック) を含むモデルです。ニューラル ネットワークは、脳内のニューロンの働きを模倣するように設計されているため、このように呼ばれています。私たちの脳内のニューロンと同様に、ノード間の接続には比較的強いものもあれば、比較的弱いものもあります。

図 3 ニューラル ネットワークは、脳の働きとほぼ同様に設計できます。

ニューラル ネットワークの場合、アルゴリズムはノードを構成するだけではありません。これらは自己構築し、何百万ものノードを持つモデルを構築してデータを処理することを可能にします。

ニューラル ネットワークはデータを「消化」するにつれて、結果を予測したり分類したりするという設定された目標を達成するまで変形したり変化したりします。ほとんど何でもできるように訓練することができます。最新のセンサーの読み取り値を取得し、問題が発生する可能性を計算する必要がある場合があります。あるいは、1 と 0 のセットを評価して、猫が描かれているかどうかを判断することもできます。これら何百万ものノードはすべて、何らかの方法で画像を「理解」します。各ノードについては単純な計算ですが、ノードの配置と重みを何らかの形で使用して結論を​​導き出すことができます。

だからこそ、彼らを本当に理解している人はほとんどいないのです。データ サイエンティストにニューラル ネットワークの説明を依頼すると、おそらく数学的な説明もできるでしょう。同じデータ サイエンティストに、これらのバイトの中から「モンスター」を識別する方法を説明するように依頼すると、おそらく彼はそれを「魔法」と説明するでしょう。

ニューラル ネットワークは素晴らしいものですが、産業界では難しい問題も引き起こします。アルゴリズムが何かを実行するように指示した場合、それを実行しますか? 決定木、回帰分析、またはクラスタリング モデルの割り当ての推奨の場合は、結論に至った経緯を追跡できます。ただし、ニューラル ネットワークではシステムの「理由」がわからない場合があります。信じるかどうかはあなた次第の答えが返ってくるだけです。こうした決定によってダウンタイムや生産のボトルネックが発生する可能性がある場合、なぜ占い師の魔法の水晶玉を使って決定を下しているのかと疑問に思うかもしれません。

未来はここにある

世界は変化しており、人工知能と機械学習の技術は今後も発展し、より多くの業界で応用されていくでしょう。 AI テクノロジーはその価値を証明しており、それを導入した企業は最先端の技術を身に付けています。 AI はすべての問題を解決できるわけではありませんが、正しく適用すれば短期間で大きな変化をもたらすことができます。ぜひ大胆にモデルを構築してみてください。その過程で答えが見つかるはずです。

AIプロジェクトを導入する際に留意すべき7つのポイント

機械学習や人工知能のプロジェクトを学習中、または実装を計画している場合は、優先すべきことがいくつかあります。

01問題を特定する

まず、改善するプロセス、領域、またはテクノロジーを選択します。機械学習や AI が役立ちそうな、解決すべき最も差し迫った問題と目標を見つけます。

02データの収集

データが多ければ多いほど良いです。モデルのトレーニングに役立つ、可能な限り多くの数千のデータ ポイント。必ず高品質のデータを使用してください。不正なデータにより、アルゴリズムが簡単に失敗する可能性があります。データの前処理とデータのクリーニングは、成功に影響を与える重要な要素です。

03統計を集計する

サンプリング手法、因果関係、相関関係を理解し​​ます。結果の品質を理解することで、間違いを避けることができます。

04 専門知識を持つ

プロセスやテクニックを理解することは、結果が意味をなすかどうかを知る上で非常に重要です。データ サイエンティストは優秀ですが、特定のデータに焦点を合わせるだけでは良い結果は得られません。

05モデルを作成する

これは、あらゆる機械学習ソフトウェアで使用できます。最新の監視制御およびデータ収集 (SCADA) システムには、いくつかの一般的な機械学習アルゴリズムが組み込まれています。多くのクラウド製品やプラットフォームでは、このタイプのアルゴリズムがオプションとして提供されています。

06導入モデル

多くの場合、モデルはマシンの隣またはオンプレミスで実行することも、クラウド上に構築したり、他のツールを活用したりすることもできます。モデルを実行する最適な方法を見つけます。重要なプロセスの一部である場合は、ローカルで実行するのが理想的です。

07 モニタリングは成功していますか?

成功を測定できなければ、成功が存在することは誰にもわかりません。以前のプロセスデータを最新のデータと比較できます。モデルを改善する必要がある場合は、手順 5 に戻ります。複数のモデルを試したり、複数のモデルを組み合わせたりすると、より良い結果が得られる場合があることに留意してください。