　2020年は産業用途におけるAI（人工知能）の急速な成長を伴う「AI駆動システム（AI-Driven System）」の年になるとみられています。データサイエンティストだけでなく、より多くのエンジニアや科学者がAIプロジェクトに取り組み、AIが必要とするトレーニングデータをシミュレーターが提供するようになれば、スキルやデータ品質などの障壁は緩和されます。さらに、AIが低消費電力、低コストの組み込み機器へ導入されるようになり、強化学習がゲームから実世界の産業用途へと移行するにつれて、新たなフロンティアが成長をけん引するでしょう。

1．スキルやデータ品質という障壁の緩和

　AIが産業界で普及するにつれて、データサイエンティストだけでなく、より多くのエンジニアや科学者がAIプロジェクトにも取り組むようになるとみられています。

　既存のディープラーニング（深層学習）のモデルが手に入り、研究成果にもアクセスできるようになるため、ゼロから始めるよりも大幅に障壁が低くなります。これらのAIモデルは、かつては大部分が画像をベースとしていましたが、時系列データ、テキスト、レーダーなどのセンサーデータも多く含まれるようになります。

　プロジェクトの成否には、エンジニアや科学者のデータに関する固有の知識（ドメイン知識）が大きく影響します。これは、データサイエンティストにはない優位性であり、自動ラベリングツールなどを使用することにより、データサイエンティストのスキルがなくても、ドメイン知識を利用して大規模で高品質なデータセットを迅速に構築できるようになります。高品質のデータが入手可能であればあるほど、AIモデルにおける精度向上が期待され、プロジェクト成功の可能性が高くなります。

2．AI駆動システムの台頭による設計の複雑化

※画像はイメージです

　AIがより多様なセンサーデータ（IMU（慣性計測装置）、LiDAR（ライダー）、レーダーなど）を扱えるようになり、自動運転車、航空機のエンジン、工場、風力タービンなどの幅広いシステムへの、エンジニアによるAI活用が進んでいきます。これらの複雑かつマルチドメインなシステムにおいて、AIモデルの挙動はシステム全体のパフォーマンスに大きな影響を与えます。このような分野では、AIモデルの開発は最終段階ではなく単なる一歩にすぎず、AI駆動システムのシミュレーション、統合、そして継続的なテストを行えるモデルベース開発ツールへの注目が高まっています。

　モデルベース開発ツールを使用すると、シミュレーションでAIとシステム全体の相互作用を理解し、統合することでシステムの全体感を持って設計アイデアを試せるようになります。また、継続的なテストによりAIトレーニングデータセットの弱点や他のコンポーネントの設計上の欠陥を素早く見つけることができます。

3．低消費電力、低コスト組み込み機器へのAIの導入

　これまでのAIのモデリングでは、GPUやコンピュータクラスタ、データセンターなどのHPC（高性能コンピューティング）システムと同じように32ビットの浮動小数点演算を利用するのが一般的でした。これらの高性能機器を使えば、より正確な結果が得られ、モデルのトレーニングが容易になります。一方、固定小数点演算を使用する低コストで低消費電力の組み込み機器は、これらのAI推論モデルを実装する対象ではありませんでした。

　しかし、AI開発ツールが進歩し、異なるレベルの固定小数点演算によるAI推論モデルに対応するようになり、低消費電力、低コストの組み込み機器へのAIの展開が可能になりつつあります。自動車のECU（電子制御ユニット）や、その他工業用途の組み込みアプリケーションなど、AIを設計に組み込むための新たなフロンティアが開かれることになるでしょう。

4．強化学習がゲームから実世界の産業用途へ移行

　2020年には、強化学習（Reinforcement Learning）はゲームの世界を飛び出し、自動運転車や自律システム、制御設計、ロボット工学向けの、実世界の産業用途の実現に使われるようになります。

　エンジニア向けの使い勝手のよいツールで、強化学習のポリシーの構築とトレーニング、トレーニング用の大量のシミュレーションデータの生成ができるようになり、システムレベルのシミュレーションツールへの強化学習エージェントの統合や、組み込みハードウェアのためのコード生成が容易になっています。今後は、より大きなシステムを改善するためのコンポーネントとして強化学習が使われ始めるようになるでしょう。

　一例として、自動運転システムの運転性能の向上が挙げられます。AIは、強化学習エージェントを追加してシステムの制御性能を高め、高速化、低燃費化、応答時間などの性能を改善、最適化することができます。この性能を高めたコントローラーを、車両ダイナミクスモデルや環境モデル、カメラセンサーモデルおよび画像処理アルゴリズムを持つ完全自律運転システムモデルに組み込むことができます。

5．AI導入の最大の障害であるデータ品質をシミュレーションが克服

　アナリストの調査によれば、AI導入の成功に向けた最大の障壁はデータ品質であり、2020年にはシミュレーションによってこの障壁は低くなるとされています。正確なAIモデルのトレーニングには多くのデータが必要となります。その中で特に必要とされるのは、システム運用における平常時のデータではなく、異常時や重大な障害状態のデータです。

　これは、工場のポンプの残存耐用年数を正確に予測するなど、予知保全の分野では特に重要です。実際の機器から故障データを作成することは危険かつ高価であるため、最善のアプローチは、故障挙動を表すシミュレーションからデータを生成し、このデータを使用して正確なAIモデルをトレーニングすることです。今後シミュレーションは、AI駆動システムを成功させる上で重要な役割を担っていくことになるでしょう。

筆者プロフィール

阿部悟（あべさとる） MathWorks Japan インダストリーマーケティング部部長

1989年から、本田技術研究所基礎研究所で超低エミッションエンジン、希薄燃焼エンジンなどの制御システム基礎研究、Formula-1、Indy Carレースの電装システム開発部門で開発をリーディング。2003年からはContinental、AVLなどサプライヤーサイドでエンジン、ボディー、シャシーなどの電装製品の開発に従事。2012年から現職。これまでの経験を生かして業界マーケティング活動を通してモデルベース開発の推進に尽力している。

・MathWorks Japan https://jp.mathworks.com/

組み込みAIは必要不可欠な技術へ、推論に加えて学習も視野に
2017年初時点では芽吹きつつあった程度の組み込みAI。今や大きな幹にまで成長しつつあり、2019年からは、組み込み機器を開発する上で組み込みAIは当たり前の存在になっていきそうだ。
AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。
機械学習はどうやって使うのか――意外と地道な積み重ね
前編では、AI（人工知能）と機械学習、ディープラーニングといった用語の説明から、AIを実現する技術の1つである機械学習が製造業を中心とした産業界にも徐々に使われ始めている話をした。後編では、機械学習を使ったデータ分析と予測モデル作成について説明する。
機械学習で入ってはいけないデータが混入する「リーケージ」とその対策
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第1回では「リーケージ」について取り上げる。
機械学習による逆問題への対処法、材料配合や工程条件を最適化せよ
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第2回は、製造業で求められる材料配合や工程条件の予測に必要な、機械学習による逆問題への対処法ついて取り上げる。
世界を変えるAI技術「ディープラーニング」が製造業にもたらすインパクト
人工知能やディープラーニングといった言葉が注目を集めていますが、それはITの世界だけにとどまるものではなく、製造業においても導入・検討されています。製造業にとって人工知能やディープラーニングがどのようなインパクトをもたらすか、解説します。