2018年2月 株式会社 ウェーブフロント - wave front ·...
TRANSCRIPT
2018年2月株式会社 ウェーブフロント
Copyright © 2018 WAVE FRONT All Rights Reserved. 2
1. 会社概要と事業内容
2. ご要望事項の確認と弊社の優位点
3. 機械学習ソリューションの紹介
Copyright © 2018 WAVE FRONT All Rights Reserved. 3
1.会社概要と事業内容
株式会社 ウェーブフロントみなとみらいクイーンズタワーB12階 TEL:045-682-7070
評価支援ツールの販売・導入支援・ISO26262/IEC61508・鉄道RAMS・PRA/PSA(安全評価アセスメント)・脅威分析・他
・車をはじめとする各種CAEソリューションの提供
・解析支援や解析受託・シミュレーションソフト販売およびサポート
・他
・設備資産管理システム・導入時コンサルティング・導入・構築支援・各種連携システム構築・他
・故障予知モデルの構築・オンラインモニタリング・デジタルツインモデルの構築・タブレットによる情報収集・他
Copyright © 2018 WAVE FRONT All Rights Reserved. 4
ウェーブフロントの優位性
1. 半導体分野をはじめとした25年以上のプラズマ解
析に関する実績
✓ グロー放電
✓ アーク放電
2. スパークプラグ解析における実績
3. 大規模データ解析の実績
✓ 鉄道、航空宇宙
機械学習ソリューションの概要紹介
Copyright © 2018 WAVE FRONT All Rights Reserved. 5
強化学習
価値を最大化させるような行動を学習広い意味での価値を評価する現在の価値ではなく将来を見据えた価値を評価する例:株の売買など
教師なし学習
データ構造を学習正解が与えられないため解を出すのが困難近しいデータを分類するなどに利用される例:クラスタリングなど
教師あり学習入力と出力の関係を学習問題(入力)と正解(出力)をセットで与え学習させる例:天気予報など
6
機械学習の種類と特徴
メリット デメリット
TensorFlow
・利用者数が多く、コミュニティが大きい
・低レベルの処理も可能・GPUの利用も簡単
・計算グラフ構築後の変更が不可能・導入が大変
Chainer・直感的な計算グラフの構築・デバッグが比較的行い易い
・計算速度が遅くなりがち・アップデートでの互換性が不十分・利用人口がまだ少ない(増加傾向にはある)
Keras
・コードを書くのがとても簡単・プログラミング未経験者でも使いやすいGUI
・利用者も多い
・処理の中身はコードからは全く分からない
・オリジナルの処理をさせるのが面倒・計算グラフ構築後、変更不可能
PyTorch
・利用者のコミュニティも拡大傾向・研究での利用例も増えてきている・Chainerのメリットのほとんどを有する
・日本語での文献は極めて少ない(blogやqiita)
・まだプリミティブなコードも書く必要がある
・研究用途であると宣言されている
機械学習関連のソフトウェア紹介
7
Copyright © 2018 WAVE FRONT All Rights Reserved. 8
機械学習が活用されている場面
➢機械/設備の故障予測、異常検知
➢製品の品質検査(外観検査)
➢生産データの分析及び品質改善
➢病理診断(医療診断)
➢新商品の需要予測
➢クレジットカード不正検知
➢商品レコメンデーション
➢囲碁将棋
最近では特にニューラルネットワークの中でも深層学習と呼ばれる手法が注目を集めている。
Copyright © 2018 WAVE FRONT All Rights Reserved. 9
機械学習のアルゴリズム例
➢ 一般化線形回帰
➢ ロジスティック回帰
➢ サポートベクターマシーン(SVM)
➢ 決定木(CART)
➢ 回帰木
➢ ランダムフォレスト
➢ 勾配ブースティング木
➢ パーセプトロン
➢ 畳み込みニューラルネットワーク(CNN)
➢ 再起型ニューラルネットワーク(RNN)
➢ 残差ネットワーク(ResNet)
➢ 単純ベイズ(ナイーブベイズ)
➢ AR,MA,(S)ARIMAモデル
➢ 状態空間モデル
➢ k近傍法(KNN)
➢ ブースティング
➢ バギング
➢ 階層型クラスタリング(ユークリッド距
離*ウォード法など)
➢ 非階層型クラスタリング(k-means等)
➢ トピックモデル(LDAなど)
➢ 自己組織化マップ(SOM)
➢ アソシエーション分析
➢ 協調フィルタリング(アイテムベース、
ユーザベースなど)
Copyright © 2018 WAVE FRONT All Rights Reserved. 10
深層学習の位置づけと概要
人工知能
機械学習
ニューラルネット
深層学習
生物の脳の神経細胞(ニューロン)をモデルとしたアルゴリズムで「入力層」、「中間層(隠れ層)」、「出力層」と各層を持ち、各層は複数の「ノード(もしくはユニット)」が「エッジ」で結ばれる構造となっています。
この中間層(隠れ層)は複数の層を持つことができ、特に深い中間層(隠れ層)を持つものを深層学習(ディープラーニング)と呼んでいます。
CNN
RNN
DNN
RBM
LSTM
GAN
入力層 中間層 出力層
状態「正常」
状態「異常」
参照URL:http://gagbot.net/machine-learning/ml4
Copyright © 2018 WAVE FRONT All Rights Reserved. 11
深層学習とは…1
データデータ固有の特徴
アルゴリズム
数値ラベル等
十分なデータ量があれば、人間の力なしに機械が自動的にデータから特徴を抽出してくれる学習手法の一つ
入力 出力
従来は人が定義、指定していた特徴(パターンや規則性)を自動的に抽出する事が可能となる
深層学習
Copyright © 2018 WAVE FRONT All Rights Reserved.
12
深層学習とは…2
正解データも入力として扱える
途中での分岐も可能
順伝播順伝播
逆伝播
Copyright © 2018 WAVE FRONT All Rights Reserved.
13
深層学習とは…3
➢ネットワーク上の複雑な演算処理であり主に行列を
使用した計算であるためGPU活用の効果が高い
x1
x2
x3
w1
w2
w3
学習される重み係数
+1
b 学習されるバイアス
h=f(w1x1+W2x2+W3x3+b)
出展:https://thinkit.co.jp/story/2015/09/09/6399
Copyright © 2018 WAVE FRONT All Rights Reserved. 14
深層学習活用のメリット
✓ 業務に対する専門的な知識が少なくても最適な解を出すことが可能
✓ 多大な時間、コンピューターリソースを必要とする計算のコストを削減
Copyright © 2018 WAVE FRONT All Rights Reserved. 15
深層学習活用時の注意点
過学習しやすい学習データに含まれない未知の入力に対して最適化する事が主目的であるが、学習用データに対して最適化しすぎた場合、性能が落ちてしまう
大量の学習用データが必要現在活用されている深層学習では教師有学習が主であり、データが多ければ多いほど精度が高くなる傾向がある。正解データの効率化と高精度化が肝
求められるコンピューターの性能が高い
学習データが多く、モデルが複雑になる場合もよくあるため、計算にGPUやHPCが必須となってくる。特に学習フェーズではこちらが強く求められる
パラメータの収束が難しい多数のレイヤーを持つ場合等、もともと数百万以上ある多数のパラメータをそれぞれ最適値へ収束させるのに手間がかかる
この問題を解決するため、表現力があり発散しにくいモデル、フレームワークの活用やより多くのデータの使用、パラメータを収束させるための工夫が必要となる
Copyright © 2018 WAVE FRONT All Rights Reserved. 16
AI/機械学習の構築及び導入の流れ
実証実験
NO 各フェーズ名 各フェーズの概要
1 実証実験サンプルデータから試験的に学習を実施し、それに基づく目標精度の実現可能性を検証する
2AI/機械学習システム開発
実証実験により課題解決が見込まれる場合、実運用を念頭に置いた開発フェーズに移行する
3本番への適用
業務フローへの組込開発したシステムを実際の業務フローへ適用し、必要であれば追加の学習やチューニングを行う
目的設定
ND
A
締結
データ準備
AI/機械学習システム開発
要件定義
学習計画
機械学習
精度評価
本番への適用業務フローへの組込
運用設計
追加開発
運用・改善
相関探索
試作