de:code 2018에 참가해 왔으므로 그 결과를 정리하고 있습니다.

내용의 실수, 오자 탈자 등은 양해 바랍니다. 정확한 점은, 본가의 사이트를 참조해 주시면 좋겠습니다.

제목 등

제목

de:code 2018 [AI16] 기계 학습에 기초한 음향 해석이나 화상 인식에 의한 산업 응용

연기자

사카무 히데토쿠 씨 국립 연구 개발 법인 산업 기술 종합 연구소

일시

2018/05/22 15:40-16:30

개요, 느낀 것

이상은 정의할 수 없는 것이라고 하는 사고방식·어프로치가 매우 참고가 되었습니다.

기계 학습에 대한 접근법으로 비정상적인 것을 발견하려고 할 때, 아무래도 쓸모없는 패턴, 이상한 패턴을 정의하는 경향이 있습니다.

그러나, 정상계·적절한 상태를 정의해 학습시킨 쪽이, 어프로치로서 알기 쉽고, 무엇보다 미래는 예상할 수 없는 것이며, 일어날지 모르는 이상한 상태에 대한 대응이 하기 쉬워진다.

이것은, 기계 학습을 사용한 프로젝트를 구축해 나가는데 있어 매우 참고가 된다고 느꼈습니다.

또, 엔지니어는 현장에 다니고 제휴하는 편이 좋다는 지견도 참고가 되었습니다.

통상의 시스템 개발에서도 그렇습니다만, 숙련자의 판단을 떨어뜨리는 기계 학습에서는, 현장과의 제휴·이해의 공유를 실시해, 기계 학습을 할 수 있는 일·할 수 없는 것을 서로 이해하는 것이 중요하다고 생각합니다.

이상 감지 방법

이상은 정의할 수 없다 이상을 학습시켜 가는 패턴이라면, 학습시켜 가는 패턴이 많아지고, 미지의 이상은 발견 곤란하다. 또한, 이상 패턴이라면, 그 패턴의 재료를 모으는 것도 어렵다. 그래서 새로운 접근법으로서 정상을 학습하는 방법을 실시하고 있다. 정상을 학습시켜, 거기로부터 일탈이 커졌을 때에, 이상으로서 파악하는 생각. 정상계를 학습시키면, 샘플이 되는 데이터도 수집하기 쉽고, 학습도 하기 쉬워진다. 감시 카메라에서 이상 감지 예로서 감시 카메라의 예를 들자 사전에 통상을 학습시켜 두고, 통상이 아닌 장면을 이상으로서 검출한다. 예를 들어, 다음 상태를 정상으로 학습합니다. 여기에서 벗어난 곳을 이상으로 파악하면, 사고가 발생했을 때 사람이 싸우고 있을 때 을 이상으로 파악하는 것도 가능하다. 그러나 조용 해지면 정상으로 파악할 수 있습니다. 적용 분야 헬스케어(병리 진단) 분야나 사회 인프라 유지(고장 예지 등)에서의 운용을 실시하고 있다. 의료 진단 지원 의사 진단 지원 시스템으로서, 2차 독영, 1차 독영, 동시 독영, 트리아지형 등으로, 간과 방지 등 컴퓨터의 판단 결과를 제2의 의견으로서 이용하는 것으로, 의사의 부하 경감과 업무 효율 향상 을 목적으로 하고 있다. 건 진단 암의 정상과 이상을 병리 판정하는 판단이 있다. 정상계와 이상계에 대해서, 실제의 의사는 세포의 얼굴이 나쁘다는 것을 판정 기준으로 하고 있지만, 경험상 알 수 있다고 하는 판정이 되면 판정할 수 있는 사람이 부족해졌을 때에, 부담증등의 문제 가 나온다. 이 문제를 해결하기 위해 기계 학습으로 접근 할 것입니다. 일반적인 처리 절차 사전에 문제가 되는 상태를 정의하고, 이상한 상태와 비교함으로써 판정을 행하고 있었다. 이 방법 문제점으로서 다음과 같은 점을 들 수 있다. 비정상적인 상태의 수가 증가하여 작업량 비용 원래, 암세포와는 망가져 버린 것이므로 이상한 상태를 정하는 것이 어렵다 그래서, 정상이 아닌 것을 이상으로 하자! 라는 생각에 이르렀다. 고차 국소 자기 상관 특징 전체 이미지의 기하학적 특성을 즉시 파악하는 방법으로 고차 국소 자기 상관 특성을 사용합니다. 접근 많은 정상을 보통으로 배우고, 보통에서 벗어난 것을 이상으로 판정하는 방법을 실시하고 있다. 판정한 결과로서는, 박멸이나 칩 등도 걸렸지만, 이상한 세포에 대해서 이상이라고 판정할 수 있었으므로, 판정 결과로서는 사용할 수 있는 것이라고 생각하고 있다. 유방암 검진 종래의 방법인 유방 조영술에서는, 일본인(유선 밀도가 진한)에서는, 가장 이환율의 피크가 되는 연대에서 판정이 어렵다고 하는 문제가 있다. 이것을 해결하는 방법으로서 초음파 검사가 기대되고 있지만, 베테랑에서도 진단이 어려울 정도이므로, 판단이 곤란하다. 판정 방법 전항의 암의 진단과 같이 정상에서 벗어난 것을 이상으로 하는 방법을 행하고 있지만, 이것만으로는 아직 부족하다. 즉, 초음파 검사는 동화상이 되기 때문에, 노이즈 등이 섞여서, 이를 과검출할 가능성이 있다. 따라서, 연속적인 이상은 노이즈로 간주하는 판단을 행함으로써 노이즈를 제외 할 수 있었다. 실제로, 테스트 데이터로 판정해 보았는데, 의사로 미묘한 판정을 하는 곳에 대해서도 제대로 수상한 것으로 검출할 수 있었다 풍력발전의 고장예지 사전 대응이 중요 풍력발전의 메인터넌스에 대해서는, 현상 사후 대응이 되고 있지만, 최근 늘어날 것으로 보이는 해상 풍력발전을 생각하면, 사후 대응에서는 상당한 비용 증가가 된다. 거기서, 어떻게 사전 대응으로 고장 예지와 고장 예방을 실시할 수 있을까, 하는 것이 소중해져 온다. 사후 대응으로부터 예측 대응으로의 패러다임 시프트를 실시해 가고 싶다. 알 수없는 이상에 대한 교사없는 접근 알 수없는 이상을 해결하기 위해 교사가없는 접근법이 좋습니다. 정상 데이터만을 이용하여 학습·모델화하고, 미지 이상의 것에 대응한다. 사용하고 있는 교사 없음 이상 검지 수법으로서는, 혼합 가우스 분포, 자기 조직화 맵이 사용되고 있다. 타음의 음향 해석 터널 등의 벽면 이상의 판단과 사전 예방을 위해 사용한다. 타음에 의해 벽면의 상태를 판단하는 것은 하고 있지만, 숙련자만이 판단할 수 있었다. 이것을 정해진 타돌을 하는 기계를 작성해, 음향 해석하는 것으로 도움이 된다. 엔지니어도 현장에 다닐 필요 숙련자의 판단 데이터라고 하는 것은 곡자로, 복수의 숙련자로 갈라지고, 다른 날은 다른 판단하는 일이 있다. 주석 (라벨)의 품질을 높이려면 엔지니어도 실제로 현장을 통과해야합니다. 마지막으로 데이터만 있으면 충분 데이터가있는 것만으로는 불충분하며, 이상 검출 기술의 개발, 고품질의 주석이있는 데이터를 준비해야합니다. 엔지니어도 현장과 협력 인간은 숙련자라도 판단에는 개인차가 있어, 동일 인물이라도 컨디션 등에 의해 흔들림이 있다. 어노테이션의 정밀도와 품질을 향상시키기 위해서도, 엔지니어도 현장을 통해 연계를 실시하는 것이 필수적이다. 현장의 착안점과 AI의 장점 단점을 서로 이해하는 것이 필요하다. 인공 지능은 인간 지식을 초과하지 않습니다. AI는 인지를 넘는 것이 아니라, 장인 중의 장인이 100으로 한다면, 안정적으로 90정도를 낼 수 있는 것이 AI이다. 이것을 이해하고 시스템을 만들 수 있다면 좋은 시스템이 되는 것이 아닐까.