IoTのエンジンとなるディープラーニング
株式会社 Preferred Networks
西川 徹
IoTの普及によるデバイスの進化
×人工知能の進化
×分散協調型の
新しいコンピューティング
ディープラーニングの産業への応用
実世界でのディープラーニングディープラーニングによる駐車場の認識例
4
PFNとPanasonicとの共同研究の成果
自動駐車において、駐車場を正確に認識することが重要
駐車場のバリエーションは非常に多い。またカメラ、天候などで見え方は大き
く変わる
木漏れ日のような今までの画像認識では困難であった問題でも難なく
駐車場を検知可能
5
特許出願済
ディープラーニングを使った異常検知
...
(1)正常時に得られたデータのみを用意
(2) ディープラーニングで異常判定モデルを学習
テストデータ
(3) 学習したモデルを使い異常かを判定
異常な部分を抽出するディープラーニング技術
異常は発見されない
異常を検出
正常時の波形 異常時の波形
実際の減速機から得られたセンサデータ
既存手法で検出が遅かった異常を事前に検出
新手法
異常
スコ
ア
故障の約40日前にアラームで通知
判定閾値
既存手法
判定閾値
故障直前で通知
ロボット故障
ロボット故障故障 50日前日
前
15日前
経過時間
ディープラーニングの制御への適用
IoTデバイスはセンシングだけではなくリモートでのコントロール・アクション
を実現する
センシング → コントロール・アクション
10
デモンストレーション
深層強化学習
12
学習環境
センシング
アクションコントロール
・コースから外れないか?
・障害物に接近しないか?
報酬
学習器
状況の認識
行動の選択
DeepLearning
Movie
Cyber SpaceとPhysical Spaceでの学習コスト
14
シミュレーションによる学習
実際に機材がない状態でデータを取得する
・物理的制約が少ない・容易に何回も実験ができる
実機での学習
実際に機材を動かさないとデータが取れない
・物理的制約が大きい・時間がかかる
学習のコスト
分散協調型の強化学習
分散協調型強化学習 学習結果は
リアルタイムで反映
アクチュエータへの入力
デモ解説:センサフュージョン
複数センサからの入力
高次元
制御アルゴリズムを自動で学習
センサ
アクチュエータ
16
デモ解説:転移学習
お互いの学習結果を融合
シミュレータでの学習と、実機での学習結果を融合
17
デモ解説:ロバスト性
同一の手法で、様々な環境や状況に対応できる
18
Movie
IoTによる製造業の高度化:インダストリー4.0
20
センシングによるデータ収集と
その分析が中心
超インテリジェントなManufacturing System
すべての構成要素が協調し合う
イン
ダス
トリ
ー4
.0
ディープラーニング活用と新しいコンピューティング
Chainer: 2015/6/9 Release
23
A Powerful, Flexible, and Intuitive Framework of Neural Networks
DIMo: Building Applications on Add-ons
24
Industries (Partners)Industries (PFN-involved)
SensorBee™: Intelligent Streaming ETL for IoT
Machine learningChainer
Auto Manufacturing
Self-driving/ADAS
Connected
Optimization
Predictivemaintenance
Healthcare
Drug discovery
iPS cell
Retail
CRM
Adoptimization
Surveillance
Security
Tracking
Deep I
nte
lligence
in-M
otion (
DIM
o)
Statistics
Tools
Computer vision
Detect/Track/Recognize
Reinforcementlearning
Distributed/Curriculum
Time-seriesRNN /
Representation
Sensorfusion
Multi-modal
AnnotationHawk
Feedback/Action
User applications
Camera UIKanohi
…
Lib
raries
Management
Deep Intelligence in Motion
25
PFN’s Deep Intelligence Network Devices
クラウドコンピューティングから新しいコンピューティングへ
クラウドコンピューティング エッジヘビーコンピューティング
クラウドコンピューティングから新しいコンピューティングへ
「収集できるデータ量」ではなく「学習できるデータ量」を最大化
⇒ディープラーニングの価値の増大
1.Fog Computing 2. Edge computing 3. Edge-Heavy Computing
レイテンシを最小化
⇒デバイス同士のリアルタイムな協調
http://www.cisco.com/web/about/security
/intelligence/iot_framework.html
http://www.ntt.co.jp/news2014/1401/1
40123a.html
Top Related