IoTのエンジンとなるディープラーニング

株式会社 Preferred Networks

西川 徹

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

ディープラーニングの産業への応用

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

ディープラーニングの制御への適用

IoTデバイスはセンシングだけではなくリモートでのコントロール・アクション

を実現する

センシング → コントロール・アクション

デモンストレーション

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。

ディープラーニング活用と新しいコンピューティング

Chainer: 2015/6/9 Release

A Powerful, Flexible, and Intuitive Framework of Neural Networks

To process this huge amount of data, we need to apply parallel computing to deep learning

Performance Comparison in Scalability of Deep Learning Frameworks

Available early 2017

Scaling Result for CNTK, MXNet, TensorFlow and Chainer

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

クラウドコンピューティング エッジヘビーコンピューティング

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

分散協調型の強化学習

分散協調型強化学習 学習結果は

リアルタイムで反映

Copyright © 2014-

Preferred Networks All Right Reserved.