製造業：センサデータを機械学習に使う
プラットフォームの概要 AI Platform 生成 AIおよび予測 AIのプラットフォーム もっと詳しく ドキュメント 新機能 ログイン 無料で始める 運用 自信を持ってAIを拡張し、比類のないエンタープライズ・モニタリングとコントロールでビジネス価値を促進 デプロイと実行 再学習と最適化 監視と介入 ガバナンス AIの環境、チーム、およびワークフローを統合し、大規模な範囲での完全な可視性と監視を実現 レジストリと管理 監査と承認 コンプライアンスドキュメント生成 構築 ニーズの進化に合わせて自由に適応できるオープンなAIエコシステムで、迅速なイノベーションを実現 分析と変換 学習とチューニング 組立てと比較 プラットフォーム統合 インフラストラクチャーへのデプロイ ソリューション 業界ごと ヘルスケア 製造 小売業 金融サービス 成果ごと ユースケースのライブラリー お客様事例 Dat
AIエンジニアが気をつけたいPython実装のノウハウ・コツまとめ - Qiita
本記事では、データサイエンティスト、AIエンジニアの方がPythonでプログラムを実装する際に気をつけたいポイント、コツ、ノウハウを私なりにまとめています。 AIエンジニア向け記事シリーズの一覧 その1. AIエンジニアが気をつけたいPython実装のノウハウ・コツまとめ（本記事） その2. AIエンジニアが知っておきたいAI新ビジネス立案のノウハウ・コツまとめ 2020年4月に書籍を、出版しました。 【書籍】 AIエンジニアを目指す人のための機械学習入門 実装しながらアルゴリズムの流れを学ぶ（電通国際情報サービス 清水琢也、小川雄太郎 、技術評論社） https://www.amazon.co.jp/dp/4297112094/ 本投稿は、上記の書籍に書ききれなかった 「AIエンジニアが、Pythonでプログラムを実装する際に気をつけたいことのまとめ」 です。 本記事の内容は、あくまで筆
Self-supervised learning: The plan to make deep learning data-efficient - TechTalks
Image credit: Depositphotos This article is part of Demystifying AI, a series of posts that (try to) disambiguate the jargon and myths surrounding AI. Despite the huge contributions of deep learning to the field of artificial intelligence, there’s something very wrong with it: It requires huge amounts of data. This is one thing that both the pioneers and critics of deep learning agree on. In fact,
機械学習のオススメ情報収集術｜べいえりあ
今回は、自分が機械学習に関する最新情報を収集するにあたってどういう情報源を頼っているのかを紹介してみたいと思います。 はじめに今回の記事では、機械学習（主にNLP、あと医療を少々）の「最新情報（＝最新の研究）」の収集術について書きます。個人的に思っているのは、最新の研究情報の収集というのは基礎的なことを理解して初めて意味を成すものだと思っているので、もし基本的な教科書を読んでいないのであれば、まずはMurphy本（機械学習）だったりJurafsky-Martin（NLP）を読むことをオススメします。 ブログ、特に各企業のAIブログなど最近は優秀な研究者の方々がアカデミアから企業に移っていたりするので、企業のAIブログなどをフォローしていると結構な量の情報を集められたりします。 企業のAIブログの良い点は、大抵の場合論文の著者が記事を書いているので内容がとても正確であること。デメリットは一応
解析・予測 | KEYENCE IoTソリューションサイト | キーエンス
現場のPLCでリアルタイム情報処理 解析・予測 KV-8000/7000シリーズは、その高速性と多彩な機器との接続性を活かし 既存設備への後付けによるエッジ化はもちろん、 新規設備でも装置制御とエッジ処理を1台で実現。 サーバの負担軽減と製造現場へのリアルタイムなフィードバックを両立させます。
【活用事例】電力監視 | SensorCorpus センサーコーパス - Universal IoT Platform ユニバーサルIoTプラットフォーム
省エネの第一歩は工場の生産設備および事務所のエネルギー監視を行うことです。電力計および電流センサーを用いて見える化を行うことで設備の稼働状況と消費電力の関係を把握し、ピーク電力の削減をはじめ、省エネ対策の実現を図ります。 IoT導入のポイント
【活用事例】機械設備稼働率の把握 | SensorCorpus センサーコーパス - Universal IoT Platform ユニバーサルIoTプラットフォーム
食品製造機械の稼働状況および周辺情報の把握 美味しいチーズを作るために、チーズ製造機械の稼働情報、粘度、含水率を収集、分析（住友商事マシネックス様） 美味しいチーズの触感を制御できるシステム作るために、触感を左右する各種データ（チーズ製造機械の稼働情報、粘度、含水率等）をSensorCorpus上で一括管理できるようにしました。収集したデータを分析することで、例えば、ローターの回転数やチーズの原材料の量に応じた粘度の変化など、各種データをマッシュアップすることで相関関係を見ることで、求めるチーズの触感を再現できるパラメータを導き出すことができます。 IoT導入のポイント
組立工場のAIはエッジコンピューティングに向かう
工場での製造形態は大きく組立系とプロセス系にに分類されますが、特に組立工場にAIを適用しようとすると、難題が多く、エッジと言われる現場に近いところに学習済のAI機能を実装することになります。 その辺りをこちらでご説明しています。 組立系製造業とは 製造業は大きく分けて組立系とプロセス系の製造業に分類されます。各製造業の特徴は下記のようなものだと言えます。 組立系製造業の特徴 ◆ 製造自体は然程難しくない よくテレビ報道などで工場のイメージが出るので、皆さんが工場と聞いた時にイメージするのはこちらの製造形態ではないかと思います。 パソコンや車の組み立てラインのように予め別工場や部品メーカーで加工した部品を組み付ける生産ラインが組立ラインになります。 ◆ 部品を数えられる 殆どの部品が１個２個と数えられる部品で、グリスなどの間接材料以外の殆どの原材料が最終製品に何個使われたかが明確なものです。
AI 予知・予防保全で良くなる５つのこと
AIによる予防・予知保全は世間で騒がれているほど浸透していないのが実態です。むやみやたらとセンサーを付けまくるのではなく、費用対効果を意識して、生産する製品や工場ラインの特性にあったアプローチを考える必要があります。 こちらではその辺りの考え方をご説明しています。 生産方式の特徴 製造業における生産方式には大きく分けて、組立系の製造業とプロセス系の製造業があります。 組立系製造業 一般的に組立系の製造業は部品、または半製品（Assy/モジュール）の状態で部品メーカーから納入された部品を組み立てる最終組立工程のみを行います。 そのため、製造ラインはそれほど複雑にはならず、工場・設備の建設費用も製品の付加価値に対して大きくはないのが通常です。 よって、どちらかと言えばラインの稼働率、ラインスピード（≒単位時間辺りの製造可能数）を重視する傾向にあり、部品・半製品を含めた在庫数、金額を低く抑えるほ
工場IoT・AI 化の価値・意味
IoTと言っても当初は遠隔監視程度から始める会社が多いと思いますが、AIを活用した予測などの精度・効果を実感してくると、遠隔制御、そして自動化へと欲が出るのが人間です。 その時、今起きていることをリアルタイムで外部から把握し、コントロールし、連携していく方向へいくのは必然であります。 IoT化によるリアルタイム性を実現 外部モニタリングだけなら簡単 従来から工場内には集中監視室があり、オペレータが詰めて設備全体の稼働状況、生産の状況を監視している会社は多いと思います。 それらの集中監視しているモニター画面をインターネット経由で外部から見れるようにするのは然程難しいことではありません。プラント制御機器メーカーからはスマートフォンで外部から制御装置のモニタリングをする仕組みが多く売り出されています。 それでは、なぜ今ここまでIoTが叫ばれているのでしょうか？ それは、単に外部からモバイル機器な
会社にはAIに使えるデータがない
AIに学習させるには、当初から目的に繋がる論理・因果関係を明確に整理し、計画的にデータ収集していく必要があります。何となく貯めてきているデータだけでは使えない場合が殆どです。それは自社ビジネスそのものの理解であり、IoT的な収集には時間を要しますので、たった今から活動を始めても既に競合に対して遅れをとっている可能性が高いと考えるべきです。 最近気付いた事 私は様々な企業からAIに関する相談を受けて最近感じていることがあります。それは、 AIを自社の業務に活用する取組みを始めようとしても、殆どの会社には十分なデータが無い と言うことです。 データそのものが無いと言うことではありません。むしろ何処の会社にもデータは沢山ありますが、無いのは、AIに学習させるのに必要なデータが十分ないのです。 必要な情報の一部が紙に手書きされている状態や、歯抜けになっていたりします。最近話題のディープラーニングを
工場のIoT化はクラウドに行きつく
今後のIoT社会を考えると、全てを自前主義で持つ選択は有り得ないと思われます。自社のコアバリューに経営資源を集中し、グローバル競争の中で安価に最先端のAI機能などを使いこなす技術を身に着けていく必要があります。 単なるインフラであるクラウド環境などは借りて使うことでスピードを獲得するのが良いのだと思います。 IoT化はタッチパネル機能でも可能 殆どの製造業の現状は、工場内に閉じた集中監視室などで設備の稼働状況、生産状況を監視しているか、もしくは個別の設備の近くにオペレータの詰め所があって、そこで稼働状況を監視しているようなレベルかと思います。 IoTをどう捉えるかですが、単にインターネット経由で工場設備の稼働状況をiPhone等のモバイル機器で見るだけであれば、制御盤についているタッチパネルや計装メーカーの専用の小箱を付けるだけで実現できます。 横河電機さんや山武（今はアズビルでしょうか）
AWSクラウドは日本の一般企業には向かない
ひと昔前までは、金融業や政府関連機関など極めて慎重姿勢だったセクターでも、最近はパブリッククラウドを使うことに抵抗がない企業・団体が増えてきているように感じます。そのようなクラウドを取り巻く環境の中、その選び方がどうも間違っていると最近感じています。 現在のクラウドの使い方は初期段階 クラウドの使い方は大きく下記のように分類されます。 IaaS（Infrastructure as a Service） 優位な立場を利用して安く大量に購入してきたハードウエアの上でVM（virtual machine）と言われる仮想化ソフトウエアを動かし、その能力を切り売りしている状態です。基本的にはVMを起動している間課金され、サーバーを購入せずに必要な時間帯だけサーバーを借りている状態です。 ユーザー企業はこのVMの上にOS（オペレーティング・システム）、アプリケーションソフトを独自にインストールしてサー
全設備を故障予知・予防保全には出来ない
全ての設備・部位にセンサーを付けてデータを収集し続けるなど非現実的です。むしろ、その必要もなく各設備の故障の癖を捉えることが重要であり十分と考えられます。DEXCAではこれまでの製造業のお客様とのパートナーシップで培った保全ノウハウに基づき保全活動の高度化をご支援させて頂いております。 設備の保全レベル 昔はのんびりしていた 言うまでもなく、日本は戦後の復興を製造業の発展により成し遂げてきた国であり、現在では第三次産業であるサービス業に従事する人が増えたとは言っても、今だに外貨を稼ぐ手段の大半は製造業に依存していると言っても良い状況だと思います。 私は大学を卒業し、新卒であるプロセス製造業の会社に入社し、工場設備、特に計装・電気設備のメンテナンス、プラント建設の部署に配属されました。 当時はのんびりしたもので、故障したら、センサーや調節弁・バルブなど、もしくは制御盤の回路基板を交換しに行っ
工場のIoT化には、間にゲートウエイが必要となる
またしても日本はガラパゴス化の道を歩もうとしている。しかも、それは今後の産業構造を大きく変えていくIoTの分野で起きようとしている。過去のメーカー独自仕様による囲い込みと言う極めて身勝手な戦略により、ユーザー企業はまたしても巻き込まれる。... その中で、インターネット、特にクラウド環境に工場の制御機器を接続する場合にどうしても、その間をつなぐゲートウエイが必要となると説明しました。ここでは、そのIoTゲートウエイが必要となる理由についてご説明していきたいと思います。 最新のクラウド環境と直接コミュニケーション出来ない 工場のIoT化を考えた時に、単にインターネット経由でモバイル監視を行うのではなく、どうしてもクラウド環境を使うことになる点をこちらでご説明していますが、そのクラウド環境へのデータ連携において問題があるのです。 最新のクラウド環境では、アメリカの巨大IT企業（アマゾン、マイク
工場のIoT化における日本の課題
工場の設備をIoT化し、AIを適用しようと考えた場合に現状では様々な課題が存在します。そして、日本はFA機器メーカーの身勝手な戦略によって日本はガラパゴス化の道を歩もうとしているのです。 こちらではその辺りのご説明しています。 工場のIoT化で考えるべき点 工場と一言で言っても、東京の大田区や大阪で言えば東大阪市にあるような町工場から、大規模な自動車の組み立て工場など様々です。 ここでは、NC加工装置が個別に数台あるような金属加工などではなく、ある程度の規模で生産活動を定常的に行っている半自動化工場を前提にお話ししたいと思います。 PLCが工場設備を制御している 日本において、ある程度の規模で生産活動を行っていると、その生産設備やライン自体はPLC（Programmable Logic Controller ）又はシーケンサーと言われる一種のコンピュータで制御されていることが殆どです。 生
工場の AI 活用が進まない１０の理由
AIを実業務、特に工場の自動化・近代化をしようとしても現状では様々な課題があります。AI社会はそぐそこまで来ており、技術の発展に伴う進化はもう止める事が出来ません。流れに取り残されることの無いように社会全体でそれらの課題をどう解決していくかを考える必要があります。 こちらでは、その辺りの考え方をご説明しています。 今進んでいるAIの応用事例 最近多くのメディアで取り上げられ、AIと言う言葉を聞かない日がない位ですが、その実応用の多くはチャットBOTの応答を機械学習した保険会社の事例や、顔認証で行楽地、プール、コンサートなどのお客の満足度を数値化するような事例が殆どのようです。 もしくは、よく報道されるのは20XX年までに自動運転車を実用化する、と言った進行中のAI応用でしょうか。画像認識で早期に癌組織を発見していく取り組みなど、それはそれで非常に重要なテーマであると思いますが、日本はなんと
インダストリー4.0の本当の価値はSCMにある
スマートファクトリーの実現を考えると、様々な設備や周辺環境などをIoT化してAI機械学習で生産の最適化・・・・となりそうですが、その効果の本質はSCMにあります。 SCM計画を策定するには、設備と人が互いに連携して生産活動を行う世界での効果創出ポイントを理解しておく必要があります。その辺りをこちらではご説明しています。 スマートファクトリーとは スマートファクトリーの条件 スマートファクトリーとは、言うまでもなくドイツ政府が提唱するインダストリー4.0を具現化した先進的な工場とされ、下記のような特徴を満たす工場であるとされています。 センサーや設備を含めた工場内のあらゆる機器がインターネットに接続 (IoT)されている 品質・状態などの様々な情報が「見える化」されている 情報間の「因果関係の明確化」がされている 設備どうし (M2M) 又は設備と人が協調して動作する スマートファクトリーは
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
「工場×IoT」が進化中。故障発見からAIによる予兆検知へ | ビジネス畑 | 情報畑でつかまえて
https://www.tokai-soft.co.jp/business/bu_14/index.html