AIによる異常検知を導入する企業が増加の一途を辿っています。それまで人の手で外観検査により異常検知を行っていましたが、ヒューマンエラーは避けようもなく、それをカバーする形でAIによる異常検知が導入されているのです。そのメリットなどを解説していきます。
そもそも異常検知とは何？
異常検知とは事例として経験者の目視によって工場の出荷する製品などに異常がないかを検査することで、計測値を機械に学習させていち早く検知する方法です。
長年、経験者による目視に異常検知は依存してきましたが、AIの進化に伴って異常検知の世界にもAIによる異常検知の導入が増加の一途をたどっています。
AIによる異常検知が増加している理由としては、ヒューマンエラーを防ぐためです。AIによる異常検知はクレジットカードの不正を見破るなど様々な分野で拡がっています。
AIによる異常検知のメリットとは？
第一に、外観検査で必ず問題になる「人による目視検査」で取りこぼしが出るヒューマンエラーを、AIの導入によって少しでも減らせることです。また、導入した機械の異常を予測しやすく突発的な故障を防げること、そして生産性の向上に資するのです。
例えば検査室の照明が変わっただけでも外観検査の目視ですと、傷を見逃したりしてしまうことがあり得ます。
それがAIですとそういうヒューマンエラーは起こりえず、人間の目視では見逃していた異常を確実に捉え、異常のある製品は弾くというほどまでにAIの進化は著しいのです。
また、AIにすることで検査員が必要なくなり、人件費の削減にもつながります。また、熟練検査員への依存がなくなり、若手検査員の教育なども必要がなくなることもメリットとして挙げられるでしょう。
AIの機械学習の種類4つ
AIの機械学習／深層学習の種類は4つあります。それぞれに一長一短はありますが、いずれもがAIの進化が著しいので、十分にヒューマンエラーをカバーするに値する実績を既に上げています。
それでは4つの機械学習を説明していきます。
1：教師なし学習
教師なし学習とはAIに学習させるための膨大なデータでの学習を必要としません。その代わりに各々のデータが持つ構造や特徴を分析し、グループ分けやデータの簡略化を行うことで異常検知を行うというものです。
教師なしの学習の代表格にクラスタリングと次元削減という手法があります。クラスタリングはある特定の特徴などでグループ分けをすることです。
2：強化学習
強化学習とはコンピュータエージェントの環境が変わりゆく動的環境の中で、コンピュータエージェントが試行錯誤を繰り返しながら、正解を与える代わりに報酬を設定しタスク／目的を達成するというものです。
コンピュータエージェントがタスクを達成するまでに強化学習において人の手は一切加わりません。コンピュータエージェントが自力で試行錯誤の繰り返しの中から正解を見出しながら、自律的に学習するのが強化学習です。
3：教師あり学習
まず、「正しいデータ」というものがあり、それをAIが学習して正解を把握し、それについてAIが照合し、正解であれば正解と、不正解であれば不正解と判定するアルゴリズムのことです。
その際、AIは正解となる膨大なデータを学習することで初めて正解不正解の判定ができるようになることです。
この教師あり学習の代表的なものに回帰や分類があり、主にニューラルネットワークや深層学習がこれに当たります。
4：半教師あり学習
文字通り教師なし学習と教師あり学習の両方の手法を取り入れたもので、大きく2つに分類されます。
1つは半教師あり分類学習で、もう1つは半教師ありクラスタリングです。
半教師あり分類学習は、「正しいデータ」に付加されるラベルの一部のみを学習し、正解不正解を認識するときにかかるコストを削減することを目的としたものです。
半教師ありクラスタリングは、一部の学習するデータにあらかじめクラスタリングを施し、正解率向上を目指したもののことです。
異常検知にAIを導入する手順5つ
そもそも異常検知にAIの導入が盛んになったことに最新の機械学習ソリューションが登場したことで、かなり簡単に異常検知に関してのAIを導入しやすくなりました。
ここからは、異常検知にAIを導入する手順5つについて解説していきます。
1：必要なデータの取得
異常検知にAIを導入する時に一番の問題は、学習する「正しいデータ」を収集することです。これまで培ってきたベテランの検知者の経験値が必要で、「正しいデータ」を人の手で仕分けなければ、AIに学習させることは不可能です。
そこで最初は必要なデータを取得した上でデータの有効性を検証する教師なし学習で異常検知を行い、ある程度データが蓄積できたならばそのデータを元に教師あり学習に切り替えるという方法があります。
2：センサーの選定
異常検知におけるセンサーの役割は、データを集めることと異常を検知することです。センサーによって検知された温度や音響などの異常が数値化されることになり、そのことで異常が検知できるようになるのです。
正常と異常の線引きとなる元データの収集時から、実際にAIによる異常検知を行うときまで、センサーによる数値化は必要なことです。数値化しないことにはデータ収集はできません。
3：学習用データセットの作成
次は、センサーにより数値化されたデータを元にして学習用データセットの作成です。
それぞれのセンサーにより収集され数値化されたデータには当然ですが、データの自動抽出や学習に見合ったデータへ変換することであり、用途により違いがあり、故障予測などその正常と異常の線引きが重要になります。
学習用データセットの作成に曖昧さを残してしまうと、いざ、AIによる異常検知を行う段になると精度を欠くため、学習用データセットの作成には細心の注意が必要になります。
4：AIによる学習
前述でも説明したように、AIによる学習にはいくつか方法があります。AIによる学習はその4つのうちどれがその状況に最適な学習方法なのかを判断しなければなりません。
また、複数の学習の手法を組み合わせてAIにデータを学習させることも考えられます。また、学習環境を整え、学習結果の評価や再学習を行うことも考えなくてはなりません。
5：運用の開始
いよいよ運用の開始です。現在ではセンサーの改善も進み、画像処理の精度も格段に上がったことにより、AIによる異常検知は様々な場面で活躍を始めています。
製品の異常検知はもちろんのこと、金融機関での不正使用の異常検知などAIによる異常検知は精度向上に伴ってその活躍の場を拡大させています。
しかし、AIの稼働後もモニタリングは必要です。モニタリングすることで、学習する機会を得るAIは更に高精度で異常検知を行うようになります。
異常検知にAIを活用する際の注意点4つ
ここからは、学習用のデータセットの収集の精度の問題や判断基準の明確化など4つの異常検知にAIを活用する際の注意点について解説します。
システムをしっかりと理解した上でAIの異常検知に活用することが重要です。
1：高精度のデータの計測が必要になる
異常検知をAIが行う際、その判断の基になるのは学習用データセットです。データセットの精度が悪ければ、異常検知ができません。更にAIでは現場で計測したデータを用いるため高い精度が必要になります。
また、センサーでデータを収集する際にノイズを排除することも重要です。ノイズが異常検知の反応よりも大きかったならば、何にもなりません。
2：判断基準を明確にしておく
正常と異常の判断基準が曖昧で明確になっていないと異常検知の感度が悪くなり、最終的に人の手で異常検知を注意深くしなければなりません。
それではAIを導入した意味が希薄になり、作業の効率化図れません。この判断基準はベテラン検知者の経験値が物を言います。
3：複数の手法を用いる
最初は何もないところからAIの学習をしなければなりません。その場合、初めは教師なし学習で学習し、データが十分に蓄積されたならば教師あり学習に切り替えるなど、複数の手法を複合的に用いることも精度を上げる手法ひとつです。AIによる異常検知には複数の手法を複合的に用いることは有効です。
4：システムをしっかり理解しておく
AIによる異常検知を導入するに当たってはシステムの明確な理解が必須です。
AIが今何をしているのか分からなければ、高精度のデータ収集やその後のAIの精度を更に高めるときに足を引っ張ることになりかねません。また、システムのタイムラグや経年変化を考慮して設計・更新が必要でもあります。
どのようなAIによる異常検知が導入されるのかしっかりと把握して理解を深めておきましょう。
まとめ
AIを異常検知に導入するにはAIの特質を十分に理解した上で導入しなければ、それは宝の持ち腐れです。学習の手法はもちろんのこと、どんな異常検知にはアルゴリズムがあるのかを把握するなど手法やシステムの理解が欠かせません。
また、データを収集するセンサーはノイズの問題がありますが、現在ではセンサーソフトの進化や画像処理の高度化など飛躍的に進歩を遂げていますので、AIの攻略する最後の砦と思われてきた異常検知の分野でも飛躍的な進歩を日々、遂げています。
中でも異常検知ソリューションとしてBRAINSが提供するImpulseなどはおすすめです。
