「投資価値のある成熟した機械学習アプリケーションに焦点を当てる」

モノのインターネット (IoT) は、接続デバイスの急増によって 10 年以上にわたって着実に成長してきました。今日の数十億の接続デバイスは、ビジネス プロセスを改善するために物理世界からデータを収集および分析する前例のない機会を企業に提供します。場合によっては、斬新で成功したビジネス モデルを推進し、企業が IoT 導入の波に乗るように導いていることもあります。

ほとんどの場合、企業は IoT データをエッジ デバイスやマイクロコントローラーではなく、エッジ クラスターまたはクラウドで処理します。組み込み機械学習と TinyML の出現は、このパラダイムを破壊し、アプリケーション インテリジェンスを IoT ネットワークのエッジに押し上げます。このシリーズの最初の記事で述べたように、これには次のような大きな利点があります。

• 帯域幅、エネルギー、ストレージ リソースの大幅な節約
• 高速化と低遅延 連携の機会データ
• リアルタイム制御アプリケーションを促進し、タイムリーな意思決定を推進します
• 大量のデータを活用します

メリットは明白であり、明確なビジネス関連性があります。企業がネットワークのエッジでより多くのデータとプロセスを使用できるようになると、ビジネス効率が向上し、それが直接的に金銭的利益と企業利益の向上につながります。組み込み機械学習は、人工知能と IoT コンピューティングにおけるゲームチェンジャーであり、企業の生産性を向上させることができます。ここでは、組み込み機械学習を導入する産業企業向けの 5 つのユースケースを紹介します。

インテリジェントな資産管理と産業メンテナンス

ほとんどの産業企業は、機械や工具などの定期的なメンテナンスや交換に依存する予防保全アプローチに基づいて資産を維持しています。これらの間隔は、機器メーカーが提供するメンテナンス ポリシーによって決定されます。このアプローチは、障害が発生する前に資産が維持されることが多いため、致命的な本番ダウンタイム イベントを回避するのに役立ちます。ただし、資産は常に時期尚早に交換されるため、予防保守では資産の最適な利用が低下します。

インダストリー 4.0 と産業用モノのインターネットの出現により、産業企業は資産の状態ベースの監視を実装できるようになります。センサー (振動センサー、温度センサー、熱画像など) と資産管理システムからのデジタル データを活用することで、企業はツールや機械などの産業資産のステータスをリアルタイムで把握できるようになりました。さらに、機械学習アルゴリズムを使用することで、資産の残存耐用年数 (RUL) について予測的な洞察を得ることができます。場合によっては、信頼できる RUL 推定により、産業企業は予防保守を予知保守に変えることができます。予知保全は、最適な総合設備効率 (OEE) を達成するためのメンテナンスおよび修理作業の究極のビジョンです。状態ベースの監視と予知保全は、企業が資産の利用率を向上させ、生産のダウンタイムを削減し、機器の故障によって生じる無駄を排除し、最適な時期に保守タスクをスケジュールするのに役立ちます。予知保全は、第 4 次産業革命 (インダストリー 4.0) のキラー アプリケーションの 1 つと考えられています。これは目に見える投資収益率があり、製造、エネルギー、建設、スマート ビルディング、石油とガスなど、ほぼすべての産業部門に適用できます。採掘など

ほとんどの予知保全導入では、データがクラウドに送信され、分析されます。このアプローチには運用上の制限があります。たとえば、クラウドベースの機械学習分析による障害予測は、適切な修復または予防措置を講じるのに必ずしも十分な速さではありません。組み込みの機械学習は、予知保全と状態監視に大きな価値を追加し、リアルタイムの洞察を生成し、リアルタイムの意思決定を可能にします。機械内部のデータ収集デバイスまたはマイクロコントローラーで機械学習を直接実行することで、産業企業はさまざまな資産の状態をタイムリーかつ正確に把握できるようになります。これにより、実際の機器の状態に基づいたリアルタイムの意思決定の可能性が解き放たれます。全体として、組み込み機械学習は、予知保全アプリケーションの効率を向上させ、資産の使用率を高め、サービスの品質を最適化します。

品質管理とゼロ欠陥製造

機械学習は最近、製造および生産業務における品質管理に新たな地平を切り開きました。具体的には、予測品質の概念、つまり、品質上の問題が発生する前にそれを予測する機能を提供します。この点で、ディープラーニングを含む機械学習技術が生産ラインに適用されます。そのアルゴリズムの目的は、製品の欠陥につながる条件やパターンを積極的に特定することです。これに基づいて、工場管理者は欠陥の発生を防ぐための是正措置を講じることができます。さらに、機械学習技術を使用して、コストや環境パフォーマンスなどの他のパラメータに関連するパターンを最適化できます。

組み込み機械学習は、上記の品質管理のユースケースに大きな価値を追加します。具体的には、デバイス内のデータの処理に基づいて、潜在的な欠陥に対する予測的な洞察を抽出する方法を提供します。これらの洞察をクラウド分析からの情報と組み合わせることで、品質問題の原因となるプロセスと制御パラメータを特定できます。同様に、複数のパラメータを同時に最適化するために使用でき、欠陥のない製造が可能になります。したがって、組み込み機械学習は、工場管理者や品質エンジニアに欠陥に関するリアルタイムの資産レベルの情報を提供し、品質管理の問題に関する既存の知識を補完します。したがって、企業は総合品質管理 (TQM) やシックス シグマなどの品質管理戦略の導入に優れることができます。全体として、産業企業は組み込み機械学習を活用して既存の品質管理の知識を補完し、生産時間とコストを削減しながら製品の品質を向上させることができます。

施設管理における占有監視

近年、モノのインターネットは、スマート ビルディングおよび施設管理アプリケーションに変革的な影響を与えています。建物やその他の不動産資産にセンサーを導入すると、不動産所有者は不動産の状態に関するリアルタイムの最新情報にアクセスできるようになります。この情報に基づいて、HVAC (暖房、換気、空調) システムの動作を最適化し、コストを節約し、環境指標を改善できます。この点で、占有監視アプリケーションは非常に重要です。

温度やその他のセンサーからのデータの処理に基づいて、部屋の占有状況や、机、コンピューター、オフィス スペースなどのその他の物理的資産を正確に把握できます。これは、エネルギー効率を最適化し、テナントの快適性を最大化するための鍵となります。さらに、施設管理者に資産の使用状況に関するリアルタイムの洞察を提供し、使用量を計画し、全体的な生産性を向上させることができます。過去数か月間、新型コロナウイルス感染症（COVID-19）の流行により、このような占有監視アプリケーションの需要が急増しました。後者は大規模な在宅勤務政策の導入につながり、施設管理者が資産占有パターンを監視し予測することがより困難になっています。センサーと IoT アプリケーションは、さまざまなスペースにおけるテナントの物理的な存在に関する信頼性の高いタイムリーな情報を提供することで、それらを支援します。

施設管理環境では、組み込み機械学習により占有管理アプリケーションの持続可能性と精度が向上します。具体的には、クラウドゲートウェイを介して複数のセンサー値を集計することなく、占有監視センサー内で統計データ分析を実行できます。これにより、モニタリングの精度と適時性が向上すると同時に、CO2 排出量の削減にも役立ちます。施設管理者が排出量を削減し、野心的な持続可能性目標を達成するために IoT に注目しているため、組み込み機械学習は重要です。このようにして、ブランドイメージを強化し、関連規制への準拠を強化します。たとえば、最近のニューヨーク市気候動員法 (CMA) では、建物のエネルギー効率を高めることが求められています。具体的には、25,000平方フィートを超える建物は、2005年レベルと比較して温室効果ガス排出量を2030年までに40％、2050年までに80％削減することが義務付けられている。全体として、組み込み機械学習は、次世代のエネルギー効率の高い施設管理アプリケーションのための強力なツールです。

牛のモニタリング

過去数年で、IoT システムと組み込みデバイスが農業分野に浸透し、精密な農業が可能になりました。顕著な例としては、農家が家畜を監視できるようにするために、ビーコン、RFID タグ、特殊な埋め込みセンサー (胃センサーなど) などのセンサーやユビキタス接続デバイスが家畜に埋め込まれるケースが増えています。この目的を達成するために、関連する IoT アプリケーションは、適切な分析のために牛の状態に関する生データをクラウドに送信する傾向があります。ただし、ほとんどの牛の群れは数千ヘクタールにわたる屋外環境で生活しているため、場合によってはこのアプローチは非効率的であったり、実行不可能であったりする可能性があります。この設定では、ネットワーク接続 (短距離 IoT ネットワークなど) が、データ集約プロセス中に必要なサービス品質をサポートするには十分ではない可能性があります。さらに、このようなデバイスは多くの場合バッテリー電源を必要とするため、エネルギーの自律性の問題が生じます。

組み込み機械学習と TinyML は、これらの制限を軽減するのに大きな助けとなります。データ分析は家畜に対して行われるため、アプリケーション バックエンドに転送する必要があるデータの量が大幅に削減されます。データの継続的なストリームを収集する代わりに、組み込みデバイスに機械学習を展開すると、定期的に (たとえば、1 時間ごとに) データをストリーミングできます。これにより、農家は家畜の状態や活動 (休息、苦しみ、咆哮など) についての洞察を得ることができます。これらの洞察により、農家は搾乳や屠殺などの生産プロセスについて情報に基づいた意思決定を行うことができます。全体として、埋め込み機械学習は、従来のクラウド処理が不可能または非効率な状況において、農家が高精度家畜監視システムを活用するのに役立ちます。

危機管理

機械学習と計算知能技術は、地震や山火事の予測など、危機管理や民間防衛の用途にも使用されています。この点で、さまざまなセンサーからのデータはクラウドに集約されて処理されることがよくあります。しかし、危機管理では時間が非常に重要です。危機管理活動の成功は、危機管理指標の予測の適時性に大きく依存します。たとえば、地震の前兆を早期に特定できれば、より迅速で効果的な行動につながる可能性があります。これは、組み込み機械学習が非常に価値のある分野です。

山火事の管理に関しては、牛の監視状況と同様に、組み込み機械学習により信頼性と展開上の利点が得られます。特に、組み込みセンサー内で統計モデルを実行すると、強力なネットワーク接続やバッテリー駆動のデバイスを必要とせずに、山火事のタイムリーな予測が容易になります。

まとめ

組み込み機械学習は広く使われており、その応用範囲は上記の5つに限定されるものではなく、例えば精密農業においては、作物の病気を手間をかけずに直接検出することができます。さまざまなデータストリームがクラウドに集約され、分析されます。もう 1 つの例は、温度異常を推定するために周囲温度を使用することなく、食​​品、飲料、医薬品などの敏感な製品の温度を直接分析する正確な冷凍インテリジェンス アプリケーションを可能にすることです。全体として、組み込み機械学習は、さまざまな分野でほぼ無制限のイノベーションの機会を解き放ちます。

ただし、組み込み機械学習アプリケーションを産業環境に開発および導入するのは簡単ではありません。厳しい業界要件を満たすために、実装の各ステップを慎重に計画する必要があります。適切な組み込みデバイスの選択から、十分なトレーニング データの取得、適切な機械学習モデルの実装に至るまで、開発者と導入者は慎重に選択する必要があります。

以上が「投資価値のある成熟した機械学習アプリケーションに焦点を当てる」の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。