「NG画像不足」を解決、少量データで特徴抽出するAI技術スパースモデリング：組み込み開発 インタビュー（2/2 ページ）

「正常な製品の特徴」も学習

MONOist　例えば外観検査の場合、スパースモデリングをどのように適用するのでしょうか。

染田氏　当社では主に「正常な製品の特徴」のデータを抽出するためにスパースモデリングを用いている。不良品の画像データは収集しづらいので、代わりに正常な製品画像データを使うという発想だ。オートエンコーダーを用いたデータ処理とは異なるアプローチである。

　正常な製品といっても、実際にはバリエーションがある。その中から特徴を抽出してAIに学習させることで、検査対象品の画像をAIに与えた際に、「正常な製品の特徴」で検査対象のデータを説明できるかを検証する。

MONOist　「正常な製品の特徴」とはどういう意味でしょうか。

染田氏　正確性に欠ける表現ではあるが、「正常な製品に共通する画像パターン」をうまく抽出する技術的工夫があると考えてもらいたい。取り込んだ画像内にこのパターンで表せない箇所があるとき、画像内に異常があると判定する。

「ブラックホール撮影」にも応用

MONOist　製造業以外での応用例はありますか。

染田氏　2019年4月、巨大ブラックホールの存在が画像から証明されたことが世界的なニュースとして報じられた。このブラックホールの可視化に使われたのがスパースモデリングだ。

　地球からはるか遠くにあるブラックホールを撮影するには地球サイズのレンズが必要だといわれていたが、世界中の電波望遠鏡で同時に撮影した画像データを組み合わせ、これにスパースモデリングを適用した。

　もう1つ、MRI（核磁気共鳴画像法）装置への応用例も有名で、その分野では「圧縮センシング」という名前でよく知られている。

　MRIは検査中の騒音が大きく、子どもなどの患者が検査を受ける際には負担が掛かりやすい。だが、単純に撮影時間を短縮すると十分な質の画像が集まらない。そこでスパースモデリングを適用すると、検査時間を4分の1程度に減らして、診断に十分使える画像が入手できる。

AI判断の説明可能性も向上

MONOist　他にスパースモデリングの利点はありますか。

染田氏　AIによる判断の説明可能性が高まる。スパースモデリングは「画像のどの領域に注目しているのか」を後から確認しやすいモデリング手法だ。AIは「判断を間違うもの」で、外観検査などでも100％の精度で不良品を発見するのは難しい。ただ、誤った際にその判断の根拠を確認できる。

　もう1つはコスト面でのメリットだ。深層学習に比べると演算量が少なくて済むためGPUや専用AIアクセラレーターが必要ない。一般的な性能のCPUで稼働できるのでハードウェアコストを抑制しやすい。

MONOist　スパースモデリングの普及に向けた課題感などはありますか。

染田氏　スパースモデリングというよりはAIの普及課題という話になるかもしれないが、製造業で求められる品質精度に対して、いかにAIをシステムとして組み込むかという問題がある。

　製造業全体でのAIに対する理解度は以前より深まっている。顧客に「深層学習とは何か」といった基礎的な説明を行うケースは少なくなった。ただ、AIに100％の認識精度を求める声は、依然として一定数存在する。AIは一度導入したら終わりではない。AIは「間違い得る技術」であり、データ更新やパラメーター調整を通じて高度な判定が行えるように「育てる」ことが重要だ。こうした意識はまだ広く根付いていると言えない。

　同時にAIサービスやソリューションのサプライヤーにも、顧客業務を深く理解した上で、課題解決に結び付ける提案力の高度化が求められている。

MONOist　製造業でのAI活用はどう進むと考えますか。

染田氏　製造業ではいわゆる現場技術者のカンコツをいかに継承していくかが問題になっている。これらの領域でAIによる課題解決を図るのであれば、技術者の退職で急に困ることがないように、今の内からデータを蓄積する姿勢が重要になるかもしれない。

　AIプロジェクトの推進には技術だけでなく、他部門や事業部門との連携も必要になる。いってみれば、AIの導入という面に限定しているという点で「プチDX（デジタルトランスフォーメーション）」を行っているようなものだ。現場での成功体験の蓄積が、モノづくりの新しい価値創出につながる。

⇒その他の「組み込み開発 インタビュー」の記事はこちら