AI は製造業と産業用 IoT をどのように変えるのでしょうか?

Business Insider によると、製造業ではモノのインターネット (IoT) と AI (人工知能) のアプリケーションが再び大きく成長し、IoT 市場は 2027 年までに年間 2.4 兆ドルに達すると予想されています。

AI システムは、自動化やロボット工学などの明らかな使用例以外にも、製造プロセスを最適化し、早期警告を送信し、品質検査と品質管理を促進し、機械や装置の故障を予測することもできます。重要なのは適切なデータを収集することです。これにより、メーカーは差別化できる革新的な AI アプリケーションを開発できるようになります。

多くの組織は、リアルタイムの意思決定を行うために、産業用 IoT (IIoT) アプリケーションにさまざまな AI アルゴリズムを採用しています。 AI ベースのアプリケーションではデータを理解することが重要です。一意のデータを集約、クリーニング、準備することは、AI を活用して組織を最適化し、洞察を得るための最も重要な側面です。

AI エンジニアは、機械学習モデルのトレーニングを開始する前に、通常、開始データの処理に時間の 75% を費やします。 IIoT デバイスで実行できるように機械学習モデルをトレーニングするには、アプリケーションが稼働したときに発生する実際の条件を反映した 1 つ以上のデータセットが必要であることに留意してください。

データセットを作成するプロセスは複数の部分から成ります。多くの場合、何年にもわたって収集されたデータから始めて、エンジニアはデータの全体的な構造を決定する必要があります。データ内の欠陥、矛盾、ギャップを排除し、そのデータをアルゴリズムが効果的に処理するために必要な形式に変換する必要があります。

組み込みシステム向けエッジAI

エッジ AI は、製造業における AI 開発全体の重要なコンポーネントです。エッジ AI は、集中型データベースやインターネット経由で接続された処理ノードに依存するのではなく、ハードウェア デバイス上でローカルにデータを処理します。

ほとんどの IoT ソリューションでは、バックエンド サーバーがインターネット経由で接続された複数のデバイスやセンサーからデータを受信します。 1 台以上のサーバーが、AI ソリューションが提供するあらゆる価値を生み出すためにデータを処理する機械学習アルゴリズムをホストします。

この AI アーキテクチャの問題は、多くのデバイスがトラフィックによってネットワークを過負荷にし始める可能性があること、またはすでに頻繁に使用されているネットワークで作業する可能性があることです。このような場合、データを中央サーバーに送り返すと、許容できないほど長い処理時間が発生します。それほど複雑ではない機械学習と AI プロセスをハードウェア デバイス上でローカルに実行できるため、Edge AI がその価値を発揮するのはこの点です。

エッジ AI は多くの業界にとって重要です。一例としては、エッジ AI によってバッテリーの消耗を抑えることができる自動運転車が挙げられます。監視システム、ロボット工学、その他いくつかの業界もエッジ AI モデルの恩恵を受けるでしょう。

知識蒸留の概念は、エッジ AI ソリューションを大幅に改善する可能性があります。

知識の蒸留は、知識の圧縮の原理に基づいて実行されます。強化学習などの技術を使用して、ニューラル ネットワークは望ましい結果を生み出す方法を学習できます。この時点で、小規模ネットワークは、大規模ネットワークが先駆けて達成した結果と同様の成果を生み出す方法を習得していることになります。モバイル デバイス、センサー、および同様のハードウェアなどのエッジ デバイスには、ネットワーク サイズが小さい方が適しています。知識の蒸留により、エッジ デバイスのスペース負荷を最大 2,000% 削減できるため、ネットワークの実行に必要なエネルギー、物理的な制約、デバイス自体のコストが削減されます。

知識蒸留の応用例の 1 つは、ビデオ フィードを使用した監視システムでのリアルタイムの性別検出です。通常、性別を識別するには、かなり大規模なクラウドベースのニューラル ネットワークが必要です。しかし、ライブシステムでは、クラウドに戻ることが常に選択肢になるとは限りません。知識の蒸留により、プロセス全体を、エッジ デバイスにインストールしながら性別を正確に識別できる小規模なネットワークに合理化できます。これにより、知識蒸留技術がなければ実現できないいくつかのアプリケーションが可能になります。

予知保全のための機械学習

予知保全は、機械学習と AI が製造業に影響を与えている特に実りの多い分野です。実際、Capgemini の調査によると、製造業における AI 実装の約 30% は、機械や生産ツールのメンテナンスに関連しています。このため、予測保守は現在の製造業で最も広く使用されているユースケースとなっています。

ML ベースの予測メンテナンスの最も重要な 2 つの利点は、その速度と精度です。 AI は機械的な問題を迅速かつ正確に特定し、故障や不具合が発生する前に修正することができます。たとえば、GM は組み立てロボットにカメラを搭載し、5,000 台以上のロボットの数十のコンポーネント障害を検出して、ダウンタイムの可能性を回避することができました。

機械学習による予知保全アプローチでは、履歴データを使用して障害を予測する回帰モデルや分類モデルから、システムやコンポーネントを分析して負担や異常の兆候を検出する異常検出モデルまで、さまざまなモデルや方法を使用できます。

品質管理のためのコンピュータビジョン

自動車業界や消費財業界は規制当局からの厳しい要件に直面しており、これらの規制に準拠することが AI と機械学習にとって大きな課題となっています。高品質カメラのコストは毎年下がり続けており、AIによる画像認識・処理ソフトウェアも急速に向上し続けています。そのため、AI ベースの検査方法は企業にとってますます魅力的になっています。

特に自動車業界では、ドイツの自動車メーカーBMWがこの技術の先駆者となっています。 BMW は検査プロセスの最終段階で AI を使用し、新しく製造された車両を注文データや仕様と比較します。日産も、品質検査プロセスに AI 目視検査モデルを組み込むことに大きな進歩を遂げた自動車メーカーのひとつです。

目視検査アルゴリズムの人気が高まっている理由の 1 つは、これらのアルゴリズムがますます高度化していることです。現在、ニューラル ネットワーク ベースのシステムは、ひび割れ、漏れ、傷、反り、その他多くの異常など、さまざまな潜在的な問題を特定できます。複雑なルール マッピングに基づいて、アプリケーションによってチェックされるパラメータを特定の状況に合わせて調整または微調整できます。 AI ベースの検査ソリューションは、GPU や高解像度カメラと組み合わせることで、精度と速度の点で従来のビジョン検査システムを大幅に上回ることができます。

製造業の未来

製造業の未来は、IoT ベースの AI とほぼ同義であると言っても過言ではありません。 2019 年には IoT デバイスの数は推定 80 億個でしたが、2027 年までに 410 億個に達すると予想されており (https://www.businessinsider.com/internet-of-things-report)、その成長の大部分は製造業で占められることになります。製造業における AI の評価額は、現在の約 11 億ドルから 2026 年には 160 億ドル以上にまで 15 倍以上増加するでしょう。

標準化、規模の経済、タスクの自動化、専門化といった効率的な生産の特徴はすべて、機械学習と AI ソリューションによって大幅に強化されます。したがって、今後数年間で、IoT デバイスに組み込まれた AI がすべての主要な製造プロセスに緊密に統合され続けることは避けられません。