IoTのエンジンとなる ディープラーニング · ネットワークの...
Transcript of IoTのエンジンとなる ディープラーニング · ネットワークの...
AutomotiveHumanoid Robot
Preferred Networks’ positioning in AI: Industrial IoT
Consumer Industrial
Cloud
Device
PhotoGameText
Speech
Infrastructure
Factory
Robot
Automotive
Healthcare
Smart City
Industry4.0
Industrial IoT
CNNによる車両認識(ADAS・自動運転への応用を目指す)
Results by Preferred Networks.
Data: CityScape Dataset https://www.cityscapes-dataset.com/citation/
電力需要量予測
実際の需要量に応じた発電を行いコストを最小化
未来の電力需要量を予測– 気象データ、家庭の位置情報を活用
– ディープラーニングの利用で高精度な予測を実現
低圧の需要予測において、従来手法と比較しエラー率半減
気温
湿度
位置
電力需要量時系列
人手による複雑な生命現象の解明は、不可能に近い
様々な要因が複雑に絡み合っている現象においては、それらの要因を同時に捉
えることが重要
ディープラーニングを用いることにより、様々なデータ・様々な特徴を同時に
学習・分析することが可能に
特に、がんは複雑かつ多様であり、もっとも難しい生命現象の一つであるが、
ディープラーニングを分析に利用することより、精度を大幅に向上させること
に成功した
– もっとデータがあれば、より精度をあげることができるだろう
がんの診断への応用
白い車は、深層強化学習を利用し学習しています。6台で知能をリアルタイムで共有しながら学習することにより、12時間程度でかなりうまく運転できるようになります。赤い車は、人が運転して白い車を邪魔しようとしていますが、そういった未知の状況にも対応できるほど高度な運転技術を完全に自動で習得しています。
バラバラにつまれたワーク(部品)の取り出し方を、深層学習が自動的に習得していきます。これまでは、熟練したエンジニアが取り出し方のプログラムを記述する必要があり、ロボットの導入の障壁となっていました。この技術では、8時間ロボットを動かすことで、自動的に、熟練技術者が記述するプログラムに匹敵する精度を達成できます。
Amazon Picking Challengeでは、物流倉庫の棚から自動で荷物を取り出すというタスクで競い合います。棚の中では様々な物体が重なり合っており、非常に難しいタスクですが、ピッキングのタスクではPFNは2位(1位と同点で世界最高得点)を獲得しました。ディープラーニングを、認識だけではなく、掴み方の戦略の学習にも利用しました。
ドローンは、また、少しの操作ミスで簡単に墜落し、実機だけでの学習は困難で、シミュレーション技術の活用が重要です。しかし、ドローンは外乱を受けやすく、正確なドローンのシミュレーションはこれまでは困難でした。ディープラーニングを、シミュレーションの精度向上にも利用することにより、これらの課題を解決しました。
DIMo(ダイモ): Deep Intelligence in-Motion
Cloud
Portal
Fog
Agent
Edge
Agent
クラウドからフォグ/エッジで動作する深層学習を制御。クラウドで高速に研究開発した成果を即エッジで運用可能に。
フォグ/エッジのIoTプラットフォームと連携して動作。ネットワークのレイヤーを横断した協調動作を実現する。
提供する深層学習のアルゴリズム:
• コンピュータビジョン• 異常検知• 電力需要予測(2017年前半)
• 強化学習(2017年後半)
• その他開発中
Colla
bora
tion th
rough la
yers
フォグやエッジで深層学習を使う意義• 高頻度・低レイテンシなデータ分析を実現: シビアな制御に深層学習を利用可能• ネットワーク帯域を節約: 今まで集められなかったデータの分析を実現
FIELD system
ZDT LINK+ App.App.
FIELD system
ZDT LINK+ App. App.
Edge
Fog
Cloud
FIELD system
ZDT LINK+ App.App.
FIELD system
ZDT LINK+ App.App.
CNC レーザ ロボット ロボマシン工作機械、産業機械
PLC
各社のセンサ
Open Platform
FIELD: Fanuc Intelligent Edge Link and Drive
クラウドコンピューティングから新しいコンピューティングへ
「収集できるデータ量」ではなく「学習できるデータ量」を最大化
⇒ディープラーニングの価値の増大
1.Fog Computing 2. Edge computing 3. Edge-Heavy Computing
レイテンシを最小化
⇒デバイス同士のリアルタイムな協調
http://www.cisco.com/web/about/securit
y/intelligence/iot_framework.html
http://www.ntt.co.jp/news2014/1401/
140123a.html