心を開いて、自由解答の質問。。。

デジタルトランスフォーメーションとQoLの向上を実現するAIの社会適用

32 分で読む
高まるAI実用化への期待に応えるため,日立は,2020年4月に人工知能イノベーションセンタを発足した。同センタは長い歴史を持つAI研究の成果を生かし,企業活動のデジタルトランスフォーメーションと,人々のQoLの向上に取り組んでいる。
F E A T U R E D A R T I C L E S イノベーションの加速に向けた技術革新 デジタルトランスフォーメーションと QoLの向上を実現するAIの社会適用 高まるAI実用化への期待に応えるため,日立は,2020年4月に人工知能イノベーションセンタを 発足した。 同センタは長い歴史を持つAI研究の成果を生かし, 企業活動のデジタルトランスフォー メーションと,人々のQoLの向上に取り組んでいる。 本稿では,TRECVID,CoNLLやSemEvalといった国際コンペティションで上位入賞する実力を 持つ日立の言語処理AIや映像解析AIを駆使し,金融機関の意思決定プロセスを効率化した事 例や,生産現場で働く作業員の身体負荷をモニタリングした事例などを紹介する。また,DXや QoL向上の価値を,社会での突発的な変動においても持続的(レジリエント) に提供するため, サイバー空間とフィジカル空間を連携させるLumadaのCPSの開発についても述べる。 影広 達彦| Kagehiro Tatsuhiko 風間 頼子| Kazama Yoriko 村上 智一| Murakami Tomokazu 柳井 孝介| Yanai Kosuke は,組立図面と机上の積み木の形状を自動認識し,自律 1. はじめに 的に積み木の組立作業ができることを実証した。 その後, 文書解析,概念検索,手話認識,画像検索,音声合成認 識,機械翻訳,地理情報処理,リモートセンシング,指 現在,グローバルトレンドとして,第三次AI (Artificial 静脈認証,映像解析などの研究開発を次々と行い,実用 Intelligence)ブームが到来している。1960年代の第一次 化を進めてきた。2015年以降,センサネット,ロボティ ブーム,1980年代の第二次ブームは,社会からの期待に クス,コンシューマ端末,ヘルスケアインフォマティク 対して研究成果が実用レベルに届かず,大きな失望とな スの研究チームが合流し,2020年4月から人工知能イノ り終わっている。第三次AIブームでは,ディープラーニ ベーションセンタが発足している。東京・国分寺の日立 ングの出現により,適用範囲を限ればAIが人間の能力を 製作所中央研究所内に新設した「協創の森」に研究者が 超える研究成果が報告され,社会適用が加速している。 集 結 し,AIに 関 す る 研 究 テ ー マ を 推 進 し て お り, 日立では,企業などの生産性を高効率化するDX (Digital TRECVID (TREC Video Retrieval Evaluation) ,CoNLL Transformation)の実現と,人が生活し業務を遂行する (Conference on Computational Natural Language 際のQoL(Quality of Life)の向上を顧客価値として提 Learning) ,SemEval(Semantic Evaluation)といった 供するため,AIの開発に長らく取り組んできた。日立に 国際コンペティションや学会において高い評価を受ける おけるAI研究の始まりは,1970年の日立技術展で展示し 技術を多数開発している。 た知能ロボットに遡ることができる。この知能ロボット 64 従来,優れた技術があっても,AIをビジネスで活用す るには時間とコストがかかっていたが,日立はその解消 ている。通常,物流倉庫の取り扱い物品は数万種におよ にも取り組んでいる。2020年4月,Lumada Data Science び,需要の変動やイベント,天候などの外的影響度合い Lab.を設立し,研究所と事業部が一体となり,研究開発 は物品ごとに大きく異なる。そこで日立は,複数の外的 と事業展開を進めている。アジャイルな研究開発プロセ 要因の影響と,物量の短期・長期の周期的パターン,突 ス, 人財プールによる動的な対応, オープンイノベーショ 発的変動パターンについての予測モデルを複数作成し, ンによる外部からの知見の導入により,研究成果の素早 それらを統合して物品ごとの需要を予測するAI技術を い社会適用を進めている。ここでは,顧客との協創で培 開発した。本技術により,従来は難しかった物品ごとの われたOT(Operational Technology)のドメイン知識に 需要予測を高い精度で実現した。さらに,AIが予測した AI技術を掛け合わせた日立独自のソリューションを迅 結果についての説明を自動的に付与することにより,現 速に作り上げることができる。 場の納得性を高め,導入を推進することができた。株式 本稿では, DXの実現とQoLの向上という二つの顧客価 会社日立物流において,本技術を用いた需要予測に基づ 値に向けて,日立で開発したAIの適用事例を紹介する。 く倉庫運用の試験を行い,倉庫運用費の削減を実現して また,これらを実現するうえで,企業や人が活動してい いる(図1参照) 。 るフィジカル空間のデータを抽出し,サイバー空間で認 識解析してモデルを構築し,その結果をフィジカル空間 2.2 にフィードバックするCPS(Cyber Physical System)の 自然言語理解AIによる金融文書の自動解析 金融機関においては,金融庁が開示する大量の有価証 取り組みを紹介する。 券報告書などの情報に基づき意思決定が行われる。これ らの文書は長いもので300ページを超え,月1,000件以上 2. AIを用いた企業活動のDX 発行されることもある。従来は,これらの書類を人が読 み,130項目以上の情報を抽出していたため,その作業 本章では,日立で開発したAIが企業活動のDXに活用 に数か月かかることもあった。そこで日立は,有価証券 されている2件の事例を紹介する。 報告書などの文書から,投融資判断に必要な情報を選別 して抽出する技術を開発した(図2参照) 。 2.1 キーとなる関係抽出技術StruAP1)は,係り受け解析さ 需要変動パターン予測AIによる倉庫運用費の削減 れた文の構文木を抽象化する作業により木構造のパター 物流倉庫では,サプライチェーンにおける需要の想定 ンを生成し,これと構文木とでパターンマッチをかける を誤った際に起きる人員・輸送などの手配ロス,在庫の ことにより,フレーズ間の関係情報を抽出する。本技術 過不足による機会損失やコスト増,またこれらの見積も を用いることで,情報抽出の作業が半日以下で完了でき りを熟練者の経験に頼っていることが大きな課題となっ るようになり,さらに,データ品質の向上・均一化など 図1|需要予測AIの概要 ・複数の個別予測手法 → さまざまな物量パターンに対応 ・個別予測結果を合算+寄与度も計算 → 手法の事前選定不要,予測値の理由付け可 出荷予測(出荷量) 出荷日 商品ID 統合型需要予測 Step1 : Step2 : 個別予測 統合予測 周期性ベース予測 天気 トレンドベース予測 予測値 25 PCS 30 PCS ・ ・ ・ ・ ・ ・ ・ ・ ・ 出荷予測(予測精度) 商品ID 予測誤差偏差 00001 00002 0.7 11.1 ・ ・ ・ ・ ・ ・ 営業 周期性 商品ID 寄与度 … イベント 寄与度 20181020 00001 20% … 0% 20181021 00001 12% … 0% 出荷日 天気データ予測 営業イベント予測 00001 00001 出荷予測(寄与度) ⋮ 営業 イベント 曜日平均予測 統合判断 出荷実績 20181020 20181021 周 期・ 変 動パターンと外 的 要 因の 影 響をそれ ぞれモデル化し,それらを統 合するAI(Artificial Intelligence)を備えている。 商品ごと に計算 ・ ・ ・ ・ ・ ・ ・ ・ ・ … ・ ・ ・ 注:略語説明 ID(Identification) Vol.103 No.02 228-229 65 図2|有価証券届出書の例 網掛け部分をAIを用いて抽出する。キーワードや文 字列パターンを指定することでの抽出は難しく,実用 可能なレベルの抽出を行うには,周囲の日本語の構 文を解析する必要がある。 の効果も認められた。本技術は,実際に顧客の現場に適 法の言語化が困難な場合が多く,技術の継承には課題が 用することでDXを実現した事例として, 人工知能学会の ある。そこで日立は,熟練作業者と一般作業者の間で違 現場イノベーション賞を受賞している。 いのある作業箇所と身体部位を特定するAI技術を実現 した。本技術では,スーツ型のウェアラブルデバイスを 3. AIを用いた従業員のQoL向上 用いてあらかじめ熟練作業者の身体動作と一般作業者の 動作データを計測し,Siamese Networkと呼ばれるAI技 術を活用して学習する。これにより,重要な違いを生ん 日立の開発するAIは,企業活動の効率化だけでなく, でいる作業箇所と身体部位を特定し,作業者の身体負荷 働く人々のQoLの向上にも役立っている。 本章では,QoL の認識,危険な作業姿勢の検知,作業動作の改善点の提 向上に活用されている2件の事例を紹介する。 示を可能とする。本技術はドイツ人工知能研究センタと の共同研究によって実現した。 3.1 マルチモーダル認識AIによる作業員の安全性向上 映像およびセンサーを用いた人物行動の認識AIは,製 センサー情報理解AIによる疲労度推定 造・保守・物流の現場などに適用されている。これらの 心拍センサーや脈拍センサーなどのバイタルデータか 分野では,作業の対象や形態によって認識の粒度が変わ ら人の疲労度やストレスを推定し,業務生産性やヒュー るため,これに応じた作業認識のメニューをそろえる必 マンエラーとの因果関係を明らかにする技術を開発して 要がある。日立は,位置・動線の認識,姿勢・動作の認 いる。例えば,運送業においては,人をセンシングして 識,微細動作の認識などを組み合わせて,生産性と品質 得られたデータと事故リスクとの相関を解析すること の向上に加え,作業員の安全性を向上するソリューショ で,交通事故防止策を講じることが考えられる。日立は, 2) ンを提供している 。 実際にセンシングしたデータを解析し,副交感神経活動 図3に安全性向上に向けたマルチモーダル作業動作認 と事故リスクに相関があることを示した(図4参照) 。こ 識技術の例を示す。工場などの作業現場においては,適 の解析結果に基づき,心拍変動からドライバーの疲労度 切な作業方法やコツを学ぶことが重要であるが,作業方 を推定し,ドライバーや管理者にアラートを上げる機能 図3|模範作業者との動作の違いを 比較・評価するための実験用画面 身体負荷評価に基づく動作適正度(左上部) ,適正 度が低かった動作の動画(右上部) , 各身体部位の 状態推移(左下部)および各身体部位の動作適正 度(右下部)を示す。 66 3.2 FEATURED ARTICLES イノベーションの加速に向けた技術革新 図4|副交感神経活動と事故リスクの関係 心拍変動から疲労度を表す自律神経機能を抽出 し,事故リスク(ヒヤリハットの発生)との因果関係を 推定する。 ヒヤリハット確率(%) 95 % 90 % 第3四分位点 中央値 80 60 40 20 0 0 5 10 15 20 25 30 35 40 自律神経指標 を実現した。本技術は,日立物流の運送事業の現場にお り複雑な社会での突発的な変動においても,持続的な価 いて,80拠点の1,200台の商用車に適用されている。今 値向上を提供可能とする。 後は社会インフラの保守作業や工場の作業におけるミス や事故防止に向けて,本技術を適用していく。 本 研 究 は,MILA(Montreal Institute for Learning Algorithms) ,スタンフォード大学,カリフォルニア大学 バークレー校と共同で進めており,グローバル最先端の 4. レジリエンスを実現する LumadaのCPS 技術を素早く取り込んでいる。また,CPSの具体的な事 例として,産業用ロボットの自動化において立ち上げや 変 更 を 容 易 に す る「変 わ れ る オ ー ト メ ー シ ョ ン DXやQoL向上の価値は, 社会での突発的な変動におい (Collabotics) 」の実現に取り組んでいる。 ても持続的(レジリエント)に提供されることが期待さ れる。本章では,レジリエンスを実現するLumadaのCPS 4.2 に関する研究開発について述べる。 CPSを構成するAI AIはCPSの「成長」と「進化」のループにおいて中心 4.1 的な役割を担う。構成要素には,センシング分析AI,予 LumadaのCPS 測・解探索AI,対処説明AIがある。 OTとAIを掛け合わせたイノベーション創出に向け, まず,フィジカル空間をサイバー空間上に再現するセ サイバー空間とフィジカル空間を連携させるLumadaの ンシング分析AIは,センシングして得られたデータと CPS実現に注力している(図5参照) 。このCPSの特徴 フィジカル空間の空間構造を表現したデータをGIS は, 「成長」と「進化」の二つのループを持つことと,プ (Geographic Information System)上で組み合わせる技 ロダクト・システム・ソサエティといった規模や対象が 術である。これにより,例えば,建物の設計図面とレー 異なるCPSを統一的に扱えることにある。 「成長」 とは, ザー計測などによる人の検知位置を組み合わせて,人の フィジカル空間を再現したサイバー空間上でより効率的 行動を高度に識別することができる。 な対処をAIが導き出し,フィジカル空間にフィードバッ 次に,過去データから予測を行う予測・解探索AIにつ クして対処を促すループを早く回すことで,成長を促進 いて述べる。機械学習モデルは,モデル作成者の知見で する。 「進化」 は環境や目的,ステークホルダーの増減と 精度が大きく変わってしまう。そこで,モデル構築の属 いった変化によって現状のシステムでは対処が難しく 人性を緩和する特徴量自動生成技術や,顧客のドメイン なった場合に,制約の緩和やシステムの入れ替えなども 知識を予測モデルに反映する技術を開発している。 また, サイバー空間上でシミュレートし,マルチKPI(Key 将棋やチェスなどのゲームでは人間を超える判断を実現 Performance Indicator)を満足させる解を導出すること している強化学習技術を,現実世界の課題の解探索に応 で,複数のステークホルダー間の合意形成を経てフィジ 用する研究を進めている。 カル空間の対象を更新する。この二つのループ構造によ 最後に,AIの判断結果を説明する対処説明AIを紹介す Vol.103 No.02 230-231 67 図5|LumadaのCPS サイバー空間とフィジカル空間を連携させ,成長と進化の二つのループによって,不確実性が高く複雑な社会課題に対しても 持続的な価値を提供し続けるCPSである。 進化のループ 価値向上 進化した CPS進化の トリガー 企画・KPI設定 マルチステークホルダー 合意形成 事前検証 CPS OT モデル 成長のループ ITモデル Description Prediction センシング分析AI プロダクト 人流解析 モデル Prescription 対処説明AI 予測・解探索AI リモートセンシング 予測モデル 強化学習 XAI Collabotics Lumada Solution Hub Data OT for Real CPS 不確実性が高く,複雑な社会課題 注:略語説明 CPS(Cyber Physical System) ,KPI(Key Performance Indicator) ,OT(Operational Technology) ,XAI(Explainable AI:説明可能AI) る。現実世界でAIの判断を採用するには,複数のステー クホルダーにその根拠を説明し,合意を形成する必要が ある。しかし,深層学習モデルに代表されるAIは非常に 複雑で,現場担当者がその根拠を理解できないと安心し て業務に使えない。そこで日立は,多種多様なAIの判断 根拠を,分かりやすく説明する技術を開発している。 5. おわりに 本稿では,日立のAI研究の歴史と,人工知能イノベー ションセンタの取り組み,その社会適用の事例について 解説した。 今後は,Lumada Data Science Lab.との連携を通じて 日立のAI技術の迅速な社会適用をめざすとともに,顧客 と共に培ったOTとITをAI技術に掛け合わせ,社会の期 待に応えていく。 参考文献 1)K. Yanai et al.: StruAP: A Tool for Bundling Linguistic Trees through Structure-based Abstract Pattern, Proceedings of the 2017 EMNLP System Demonstrations, pp. 31-36(2017.9) 2)吉川裕,外:映像解析技術を核とした作業認識ソリューション, 日立評論,102,6,739∼743(2020.11) 68 執筆者紹介 影広 達彦 日立製作所 研究開発グループ 人工知能イノベーションセンタ およびLumada Data Science Lab. 所属 現在,人工知能研究のデータサイエンスのマネジメントに従事 博士(工学) 電子情報通信学会会員,情報処理学会会員 風間 頼子 日立製作所 研究開発グループ 人工知能イノベーションセンタ 知能情報研究部 所属 現在,AIのアルゴリズム開発,応用研究開発に従事 博士(工学) 日本リモートセンシング学会会員,計測自動制御学会会員 村上 智一 日立製作所 研究開発グループ 人工知能イノベーションセンタ 知能ビジョン研究部 所属 現在,画像認識・処理技術の研究開発に従事 博士(情報理工学) 電子情報通信学会会員,映像情報メディア学会会員, 日本バーチャルリアリティ学会会員 柳井 孝介 日立製作所 研究開発グループ 人工知能イノベーションセンタ メディア知能処理研究部 所属 現在,メディア知能処理の研究開発に従事 博士(科学) 人工知能学会会員