製造業におけるAIソリューション | AI Solutions in Manufacturing
このビデオは、2020年4月16日に記録されました 製造業界は、人工知能（AI）を急速に採用しています。この世紀の産業は複雑ですが、そのすべての面で絶え間ない変化が見られます。 ビッグデータ分析、モノのインターネット（IoT）を可能にするセンサーの小型化、そして今はAI機械学習（ML）に率いられて、あらゆる場所のメーカーがAI変革に乗り出しました。既存のプロセスのタイムアウト。 この講演では、製造部門内のエンタープライズAIソリューションの使用例について説明します。課題、動機、ツールの選択プロセスについて説明し、ソリューション開発について詳しく説明します。 スピーカーの経歴： HiroyukiはH2Oのセールスエンジニアです。ヒロユキは、顧客やパートナーと協力してAI / MLの課題を解決し、ビジネスに影響を与える高度な分析ライフサイクルを確立します。 ヒロユキは東京に拠点を置いています。 20年以上にわたり、日本のビジネスコミュニティで新しいテクノロジーを実現するために尽力してきました。彼の焦点と情熱は常にデータ主導の意思決定にあります。以前はラグビーフットボールをプレーしていましたが、現在はプレーしていません。 This video was recorded on April 16, 2020. The manufacturing industry is adopting artificial intelligence (AI) at a fast rate. This century-old industry is complex but has seen constant transformation across all of its facets. Led by big data analytics, miniaturization of sensors enabling the Internet of Things (IoT), and, now, AI machine learning (ML), manufacturers everywhere have embarked on an AI transformation that is opening up potential new revenue streams as well taking costs and time out of existing processes. This talk will walk through a use case for enterprise AI solutions within the manufacturing sector. We will discuss the challenges, motivation, and tool selection process, then cover the solution development in detail. Speaker Bio: Hiroyuki is a Sales Engineer with H2O. In his role, Hiroyuki works with customers and partners to solve AI/ML challenges and establish a business-impacting advanced analytics life cycle. Hiroyuki is based in Tokyo, Japan. Over 20 years, he has been working for enabling new technology in Japan business community. His focus and passion have always been in data-driven decision making. He used to play Rugby Football, but not anymore.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Mehr von Sri Ambati
Mehr von Sri Ambati (20)
製造業におけるAIソリューション | AI Solutions in Manufacturing
- 1. “Manufacturing” your own AI April 2020 Japan Virtual Meetup Hiroyuki Oguchi Sales Engineer hiroyuki.oguchi@h2o.ai Yasuyuki Asakura Account Executive yasuyuki.asakura@h2o.ai
- 3. Confidential3 創立 Silicon Valley 2012 資金調達: $147M | Series D 投資家: Goldman Sachs, Ping An, Wells Fargo, NVIDIA, Nexus Ventures 会社概要 製品 拠点 H2O Open Source Machine Learning H2O Driverless AI: Automatic Machine Learning H2O Q: AI platform for business users Mountain View, NYC, London, Paris, Ottawa, Prague, India, Singapore, Tokyo 220+ 1K 20K 180K 学術機関 H2O Open Source ご利用の企業 ユーザー会 AI エキスパート H2O.ai スナップショット
- 4. Confidential4 幅広い業種で活用されるH2O.ai Insurance Manufacturing Healthcare Ad Tech/MarTechRetail Financial Services
- 5. Confidential5 典型的なデータサイエンス・ワークフロー 5 データの調達 生データの収集・加工、 ETL処理の実行 • データ・マイニング • データ・クレンジング • ETL データセット の準備 データの準備 • 前処理 • ターゲット変数の作成 • トレーニング/検証デー タセットの作成 特徴量エンジ ニアリング 特徴量を生成 • 相互作用 • カテゴリ効果 • クラスタ モデルからの 出力 成果物の作成 • 予測値 • 解釈可能性 • ドキュメンテーション • デプロイ可能なモデル モデル トレーニング モデルトレーニング、 アンサンブル • GLMs • GBMs • TensorFlow モデル
- 6. Confidential6 モデル作成 モデル デプロイメント H2O MOJO Model Object Smartphone Watch Factory T-Shirt Engine Predictive Maintenance IoTプラブイン マシンラーニング フィードバック AIモデル作成からデプロイメントへ Load Data AutoML 開始 最良 モデル作成
- 8. Confidential8 製造業における機械学習適用分野 ◼ IT システム管理 • 不具合予知 • 不良出力予知 • 事前メンテナンス ◼ 予知保全◼ サプライチェーン • 需要予測 • 在庫数予測 • 生産数量予測 • 着荷遅延予測 • 返品・品質クレーム予測 • サイバーセキュリティ • マスタデータ管理 ◼ 品質管理 • 製造品質予測 • 市場品質予測 • 工程設計
- 9. Confidential9 • 予測モデル作成から実装運用 に要する時間を 25%短縮 • 製造業向け製品における、モデルトレーニン グとチューニングで１か月の時間短縮 • 将来の顧客からの受注に対応する材料・資材の 所要量を、より高精度で予測 サプライチェーン（需要予測） H2O Driverless AIが提供する特徴量設計 は、現在、他の手段で得られるものより も優れている。 そして、スコアリング・パイプラインは更 に大きく役に立っている。これは大幅な 時間削減になる。 ロバート・クップ博士 シニア・データ・サイエンティスト Stanley Black & Decker プレスリリース
- 10. Confidential10 • 世界のブルーベリー市場の25%を担う • モデル作成に要する時間を3～5ヶ月から3～5週間に短縮 • 生鮮品の品質クレームによる費用を削減 • 小さなデータ・サイエンス・チームが成果物を多数作成 入荷製品の品質予測 Gonzalo Bustos Head of Data Analytics Hortifrut H2O Driverless AIの導入から大きな結果を得ています。 従来のデータ・サイエンス手法で数か月かかっていた作業が、今や、チーム を増員することなく、数週間で完了するようになりました。 プレスリリース
- 11. Confidential11 予知保全 – 故障の予測 1 1 ペトロナス（Petroliam Nasional Berhad (PETRONAS))は、マレーシアの石油と天然 ガスの守り人であり、資源の採掘、製品の精製と供給により、社会の成長を支えている。 機器に設置されたセンサーの活用 タービン圧、ケース温度、負荷などのデー タを収集。 また、過去の故障・不具合データを収集し、 学習データを作成 目的 1. 装置・機器の故障予測 2. 残存ライフ(Remaining useful life)の予測 3. 石油採掘サイトにおける様々な早期警報システムの実装と体制の構築 課題 1万7千ものセンサーから毎分データが生成され、 また、高頻度で予測を生成（推論）することが求められる 精度高いモデルを短時間で作成することが求められる 予測生成においては、即時処理・予測出力が求められる 高速処理を実現するために、NVIDIA® DGX-2™ サーバ（16 GPU）でDriverless AIを稼動
- 13. Confidential13 運輸・物流における予知保全 1 3 欧州の某大型トラックメーカーは、当社は、顧客と協業し、労務費を含む全体的なメンテナンス費用の削減と、 稼働率向上を目指した。 センサーの活用: 空気圧の機構はブレーキやギア変速などの様々な箇 所で使われている。高度な空気圧センサーを実装し、 各コンポーネントの不具合データを集めている。 1. メカニックによる不要なチェック $10 2. 問題あるトラックを見過ごす（故障発生あり得る） $500 目的 1. トラックに対してのサービスの要否を予測する 2. メンテナンスコストの最小化 コストモデル 総コスト = 10 x 1のケース + 500 x 2のケース 予測モデルにおいては… 総費用 = 10 x 偽陽性 + 500 x 偽陰性 正しいタイミングで正しい情報を提供し、予期せぬ非稼働を回避する
- 14. Confidential14 予知保全でのDAI活用 1 4 空気圧システムに実装され たセンサーからのデータ + メンテナンス 要否判定 コスト削減 Driverless AI 自動化された機械学習
- 15. Confidential15 結果 • ベースモデルに比べて、6%もの精度向上 • 事後保全から予知保全に転換することにより、年間のコスト削減額は3～5百万ドルに上ると推定される。 結果 シンプルなモデル Faulty Good Faulty 95 105 Good 12 11788 ベースモデル (ランダムフォレスト） Faulty Good Faulty 183 17 Good 232 11568 トータルコスト $52,620 トータルコスト $10,820 DAI (基本的な設定) Faulty Good Faulty 367 8 Good 465 15160 トータルコスト $8,650
- 17. Confidential17 デモ： 予知保全 – 故障予測 1 7 BLACKBLAZEは、クラウドのストレージとバックアップ・システムを提供している。 個人向けから企業向けまで幅広くサービスを提供しており、膨大なデータを管理している。 個人向け： パソコンのデータを自動バックアップ どこからでもアクセス可能に ドキュメント、写真、プロジェクトファイルなど 企業向け: サーバー、仮装サーバ、NAS、パソコンなどの幅広い機器 のデータを自動的にバックアップ API連携によるWEBサーバーのデータをバックアップ 課題: データの保全 ハードディスク故障によるデータの消失を回避
- 18. Confidential18 デモ： 予知保全 – 状況・課題 1 8 データ： ハードディスクのモデル名、シリアルナンバー SMARTデータ （Self-Monitoring, Analysis and Reporting Technology) 列数：67 （数値 40列、2値 24列、カテゴリ 3列） チャレンジ: Failの割合が極めて低い（不均衡データ） Failは全体の0.102% データ提供: Blackblaze https://www.backblaze.com/b2/hard-drive-test-data.html
- 19. Confidential19 デモ： 予知保全 – 予測モデル 1 9 基本設定項目： トレーニングデータ、テストデータ 目的変数 学習から除外する列 モデル精度評価指標（Scorer） 精度、時間、解釈可能性 予測モデル作成（エクスペリメント） Driverless AI は迅速なモデル作成を支援 多種多様な分析要請・AIシステム構築要請に備えた生産性を実現
- 20. Confidential20 デモ： 予知保全 – 予測モデル 2 0 予測モデル作成（エクスペリメント エキスパート設定） モデル作成の詳細な仕様を設定 カスタムレシピの設定を含め、特徴量設計、アルゴリズム、モデルパラメータなどを設定
- 21. Confidential21 デモ： 予知保全 – 予測モデル 2 1 モデル作成上のキーポイント スコアラー： F2を選択 再現率と適合率の調和平均 再現率により大きな重みを与える 偽陰性が擬陽性よりも大きな問題であるケースに適切 不均衡データ： AUTOを選択 必要に応じて、T/F いずれからもサンプリングを実行 アルゴリズム： 不均衡データに対応したモデルを候補に含める ImbalancedLightGBM、ImbalancedXGBoost BYOR： 10のトランスフォーマーを追加
- 22. Confidential22 デモ： 予知保全 – 予測モデル 2 2 作成されたモデル ImbalancedLightGBMを選択 ２つのパラメータセットが作成 5つの交互検証フォールドを作成 10のモデルからアンサンブルし、予測出力
- 23. Confidential23 デモ： 予知保全 – AutoReport 2 3 AutoReport：ドキュメントの自動生成 設定と動作環境、実行結果のレポートを自動生成 データの概要 エクスペリメント設定 作成されたモデルの内容 特徴量設計 モデル精度 部分従属プロット 学習データとテストデータの分布のシフト などを出力
- 24. Confidential24 デモ： 予知保全 – モデル精度 2 4 モデル精度 不均衡データゆえ、大きなAUC(0.99)は、想定の範囲 0.102%という大きく不均衡データでのAUCPR(0.23)は、まずまずの出来と言える。 スコア上位2%については、通常の45倍もの故障リスクを抱えるH/D群を捕捉できている
- 25. Confidential25 デモ： 予知保全 – モデル精度 2 5 モデル診断 テストデータを投入し、モデルを診断 テストデータに対しても、AUCPR(0.21)であり、過学習は起きていない。 頑健性・汎用性高いモデルが作成されたと言える。
- 26. Confidential26 デモ： 予知保全 – モデル作成 2 6 閾値の決定： 擬陽性・偽陰性による発生するコストを勘案し、閾値を設定
- 27. Confidential27 デモ： 予知保全 – MLI 2 7 機械学習解釈可能性(Machine Learning Interpretablity (MLI)) 特徴量設計を施された特徴量と、元データの特徴量、それぞれのShapley値を算出
- 28. Confidential28 デモ： 予知保全 – まとめ 2 8 不均衡データへの対応 多くの入力変数への対応 業務ニーズ・予測ニーズに対応したスコアラーの適用 業務ニーズ・予測ニーズに対応した閾値の探索 特徴量の重要度の出力 自動化による特徴量設計とモデル作成 データ・予測ニーズに対応し得る機能拡張性
- 30. Confidential30 企業における機械学習ワークフロー モデル 定義 ソリューション 定義 データ取得 データ準備 特徴量設計 モデル選択 モデル学習 モデル確定 モデル検証 モデル パッケージング モデル デプロイメント モデル管理 6 機械学習システムの隠れた技術負荷
- 31. Confidential31 企業における機械学習ワークフロー モデル 定義 ソリューション 定義 データ取得 データ準備 特徴量設計 モデル選択 モデル学習 モデル確定 モデル検証 モデル パッケージング モデル デプロイメント モデル管理 部分的な自動化 完全に自動化 完全に自動化かつ拡張性あり
- 32. Confidential32 SQL Local Amazon S3 HDFS X Y スコアリング パイプライン 機会学習の解釈可能性 低レイテンシーの 実行モジュール をデプロイ モデル作成 データセット モデルレシピ: • 分類／回帰 • 独立同分布化 • 時系列 • 自然言語処理 特徴量設計 アルゴリズム モデルチューニング+ + 高精度モデルを作成 機械学習の自動処理 データの形容、外れ値、 欠損値、等を理解 GPUアクセラレーションによる高速処理 1 データをドラッグ ＆ドロップ 2 可視化の自動処理 ベスト・プラクティスなモデル と高性能コンピューティングに より、特徴量抽出とパラメータ 試行を含む数千のモデルを繰り 返し作成 3 機械学習の自動処理 特徴量変換処理を含むモデルのス コアリングパイプラインを作成、 レイテンシーの低い実行モジュー ルをPython、Javaで作成 4 スコアリングパイプライン の自動作成 クラウド、ビッグ データ・システム、 パソコンから入力 Google BigQuery Azure Blog Storage Snowflake モデルドキュメント の自動作成 Driverless AI – その動き 5 BYOR+
- 33. Confidential33 H2O Driverless AIの主な機能 1. AutoML 2. 特徴量設計の自動実行 3. Bring-Your-Own Recipes 4. 時系列 5. TensorFlowによる自然言語処理 6. 機会学習解釈可能性 (MLI) 7. 自動的な可視化 8. GPU アクセラレーション 9. スコアリング・パイプラインの自動生成 10.データソースと稼動環境・デプロイの柔軟性
- 36. Confidential36 Driverless AIは企業にAIを提供する 時間 洞察を得るまでの時間 人材 Kaggle Grandmasters Top 10 データサイエンス・ エキスパート 機械学習のGPU処理 パイプラインの自動生成 数ヶ月が 数時間に 信頼 説明性と透明性 MLI Auto Doc Auto Visualization
- 37. 37 • H2Oウェブサイト： www.h2O.ai • トライアル：21-day trial • チュートリアル：tutorial • ミートアップ：meetup • ウェビナー：webinar • リンクドイン：LinkedIn • Twitter @h2oai 情報源（次のステップ）