シアトル港が機械学習を活用して航空貨物業務を効率化する方法

シアトル港は100年以上の歴史がありますが、非常に新しい技術を導入しています。シアトル港とシアトル・タコマ国際空港を監督する政府機関は、空港の航空貨物エリアにおける物体の検出と分類に人工知能 (AI) とコンピューター ビジョン (CV) の技術を活用し、運用効率を向上させています。

[[323553]]

シアトル港のシニアシステムアーキテクト、スキップ・タヴァコリアン氏は、政府機関は機械学習技術が港の運営方法を根本的に変えるだろうと考えていると述べた。このプロジェクト（PlaneInsigh と名付けられました）はまだ始まりに過ぎません。タヴァコリアン氏は、PlaneInsightプロジェクトは主に情報通信技術（ICT）チームに最新の機械学習とコンピュータービジョン技術を直接体験してもらうために開発されたが、これは単なる学術的な演習ではないと強調した。港の航空貨物チームは、このプロジェクトが効率性の向上、遅延の削減、貨物運送業者に対する説明責任の強化に役立つことを期待している。

「機械学習は、テクノロジーのほとんどの分野と同様に、ICT と港湾にとって新しい分野です」と Tavakkolian 氏は言います。「機械学習で何ができるかはわかっていたので、機械学習なしでは解決不可能か、コストがかかりすぎる問題を探し始めました。」

Tavakkolian 氏は、手動ソリューションはスケールアップできないが、既存の自動化ソリューションはセンサーなどの高価で特殊なハードウェアに依存することが多いと説明した。

「コンピュータービジョン技術を使用することで、既存の監視カメラインフラストラクチャを活用してビデオストリームを処理し、データセンターインフラストラクチャを活用してスナップショットを収集し、トレーニングデータセットを作成し、ニューラルネットワークをトレーニングし、画像推論（つまり分析）を実行できるようになります」と彼は言いました。

パイロットから試運転まで

PlaneInsight は、港湾の監視カメラを使用して、対象となる航空機および地上設備 (はしご、地上電源設備、ベルトローダーなど) の種類、位置、概要を判断します。飛行機のドアの画像を分析して駐機している航空機の種類を判別し、周囲の状況や飛行機に表示されている航空会社名などの目に見えるテキストを説明できます。このプロジェクトにより、シアトル港は新興技術の活用が評価され、FutureEdge 50 賞を受賞しました。

タバコリアン氏とシアトル港の最高情報責任者マット・ブリード氏は、2016年に港での機械学習とコンピュータービジョンの活用を検討し始めた。 2017 年、タバコリアン氏は港の航空および電気システム担当主任監督であるクリス・エバンス氏と緊密に協力し、港のイノベーション イベント「シャーク タンク」向けにシンプルなコンピューター ビジョンの概念実証プロトタイプを構築しました。このプロトタイプに基づいて、航空会社のオペレーション担当ディレクターと航空貨物のオペレーションおよび開発担当マネージャーがパイロット プロジェクトを開始しました。これが後に PlaneInsight プロジェクトとなりました。

「分類器のプロトタイプに適切な時間とコンピューティング リソースを投資するという当初の決定は、完全に ICT 部門内部のものでした」と Tavakkolian 氏は言いますが、Shark Tank イベントは分類器のプロトタイプに対するビジネス サポートの獲得に役立ちました。 「このイベントでは、港内のさまざまな監督者にアイデアやプロトタイプを提示することができ、パイロットプロジェクトのための資金が得られれば、これらのアイデアやプロトタイプを次の段階に進めることができます。」

プロジェクトの経営陣の支援を受けて、ICT 部門は航空貨物運用チームと緊密に連携し、リアルタイムの使用、調査分析、履歴傾向分析の両方に役立つ情報の種類を特定しました。これまでのところ、両チームは物体検出データの他の機能や用途を見つけ続けているとタヴァコリアン氏は指摘した。

PlaneInsight プロジェクトのトレーニング

最大の課題は、PlaneInsight プロジェクトを成功させるための専門知識を見つけることです。

「機械学習とコンピュータービジョンの概念を包括的に学習して活用し、これらのツールとフレームワーク（Tensorflow など）を学習し、他の人が機械学習の概念を理解できるように支援することが、最大の課題です」と Tavakkolian 氏は言います。「機械学習の専門知識は現在非常に需要が高く、機械学習を活用したいが給与だけでは他社と競争できない組織は、既存の従業員をトレーニングする計画を立てる必要があります。」

従業員のトレーニングだけが問題ではありません。 PlaneInsight プロジェクトの中核となる畳み込みニューラル ネットワーク (CNN) には、転移学習用のトレーニング データセットが必要です。このようなデータセットを作成するのは面倒な作業です。何十万もの画像に注釈を付ける必要があるからです。各画像内の対象オブジェクトにはラベルが付けられ（例：「ボーイング 737 飛行機」）、その位置が定義され（例：周囲に境界ボックスを設定する）、その形状が輪郭付けされる（例：飛行機の輪郭の周りに多角形を描く）必要があります。これは非常に時間のかかる作業であり、航空機と地上設備用の標準的なトレーニング データセットは存在しません。この問題に対処するため、港湾局は機械学習技術に関する新しい高校生向け夏季インターンシッププログラムを立ち上げました。

「トレーニングデータセットのほぼ半分は、私たちの高校生インターンによって作成されたものです」とタヴァコリアン氏は語った。

同港は2019年にPlaneInsightのパイロット版を導入し、それ以来運用している。 Tavakkolian 氏は、このプロジェクトにより、航空貨物チームの効率が向上し、組織内で機械学習テクノロジーの認知度が高まっただけでなく、ルーティング (自然言語処理と機械翻訳を使用)、地上業務、セキュリティ、在庫など、機械学習テクノロジーの運用上の用途がさらに増えたと述べています。航空貨物チームは、コンピューター ビジョン テクノロジーを使用して、機器を自動的にカウントし、各拠点での実際の運用と計画された運用を検証および比較し、計画された運用と実際の運用の差を計算したいと考えています。既存の提案依頼 (RFP) プロジェクトの一部も、機械学習テクノロジーを使用するようにアップグレードされています。

「IT プロフェッショナルは、テクノロジー分野における変化のスピードと性質をよく知っています」と Tavakkolian 氏は言います。「機械学習全般、特にディープ ニューラル ネットワークはすぐに利用可能であり、1990 年代半ばのインターネットの普及以来、情報技術分野に最も大きな変革をもたらす可能性があります。このトレンドへの準備は今から始めるのが最善です。」