<img height="1" width="1" style="display:none;" alt="" src="https://px.ads.linkedin.com/collect/?pid=1719028&amp;fmt=gif">

物理学と機械学習を組み合わせたハイブリッドAIが産業界を大きく変える

ハイブリッドクラウドの次に、
ハイブリッドAIアナリティクスが
注目されています。

ハイブリッドAIモデル

ハイブリッドAIとは物理学と機械学習を組み合わせたモデルのことを言います。従来のデータのみを用いた機械学習モデルに比べて、トレーニングデータの合成や、精度向上が見込まれ、注目されつつあります。

最近まで、純粋にデータドリブン型の人工知能(AI)、特に機械学習は、石油・ガス産業や製造業などの重厚長大産業で展開されているデジタルツインを含め、産業全体で新しいデータを実現するための最も魅力的なテクノロジーとして注目されてきました。より確立された物理ベースのモデリングは、近年ではほとんどスポットライトを浴びることはありませんでした。

しかし、AIには固有の「ブラックボックス」の性質があるため、純粋なAIベースのアプローチでは、重要なシステムに対するリスク許容度がゼロの工学科学に根ざした現場作業では受け入れられませんでした。さらに、石油ガス業界のリーダーによる有望なAIスタートアップが関連する何百もの概念実証実験から、生産最適化や予知保全のユースケースを大胆に解決するためのAIの全能性が主張されていることも否定されています。

ハイブリッドAIは、物理学とAIのアナリティクスをブレンドしたもので、物理学ベースのモデルの「ガラスの箱」のような解釈可能性と堅牢な数学的基盤と、AIのスケーラビリティとパターン認識能力を組み合わせたものです。

物理学ベースのモデルと機械学習(AIアプリケーションの最も一般的な形態)の両方を将来の予測に使用することができます。答えは、解決しようとしている問題によって異なり、問題のクラスは主に2つのカテゴリーに分類されます。

  1. 過去の挙動に関する実験データは多いが、理論的知識の枠組みがないシステム
  2. 優れた数学的理論のフレームワークを持つシステム(一般的には、同様に頑健な経験的な振る舞いデータと一致します)。物理シミュレータの利点の一つは、過去のデータが存在しない場合でも、一定の信頼性を持って予測できることです。つまり、それは「最初のオイル」から機能することを意味します(そして、それは設計段階で機能します)。時系列データは、精度を高め、不確実性を推定するために使用されます。

 1番目の状況下では、システムを記述するための数学モデルを定式化することができないため、物理学に基づくモデルは不可能です。しかし、機械学習は可能です。実際には、AIの「ブラックボックス」の性質の裏返しで、このようなシナリオでも機械学習を使用することが可能になり、十分に文脈化された訓練データが利用可能であると仮定しています。この条件が満たされていれば、機械学習モデルは、システムとその結果の間にある根本的なパターンを学習し、最終的には予測を行うことができるはずです。

しかし、2つの注意点が残っています。1つ目は、結果として得られる予測の信頼度に疑問があること(つまり、精度と再現率の問題)であり、このようなAIアプローチは多くのプロセスに適していない可能性があります。2つ目の注意点は、従来の定期的な設備メンテナンスは、何よりもそのような高価な故障を防ぐように設計されているため、重要なシステムにおける故障の教育サンプルがほとんどないということです。

2番目の状況では、物理ベースのモデルが良い解決策となります。物理ベースのモデリングは、宇宙飛行軌道などの最も重要なシミュレーションに対しても試行され、テストされ、検証されていますが、これにも限界があります。最も注目すべき制限は、特に計算量の多いIoTのユースケースにおいて、リアルタイムデータを含むランタイム環境で物理ベースのモデルを持続させるための計算コストです。そこで、ハイブリッド解析機械学習(ハイブリッドAI)が魅力的なソリューションを提供しています。

物理ベースのモデルを使用してシステムを詳細に記述すると、仮想センサデータや機器のブレークポイントデータなど、物理的に正確で、豊富で、完全に解釈可能な合成データが生成されます。このデータは、機械学習モデルを訓練するために使用され、予知保全や生産最適化のユースケースでは、機械学習モデルが一度訓練されると、それを使用して高速で大規模な新しいデータの予測を行うことが非常に効率的であり、その後のリアルタイム運用データ分析のために使用されます。

第二に、生産アルゴリズムに認知的な優位性を与えるために、そのようなハイブリッドAIモデルは、システムの物理的な境界条件を真に理解する(したがって「認知的」という用語を使用する)ために、専門家の監督を受けています。これにより、意味のある結果を生み出すアルゴリズムの能力が大幅に向上します。

結論として、ハイブリッドAIモデルは、機械学習モデルを教えるために使用できる数学的理論のフレームワークが存在する複雑な産業プロセス問題に最適です。その結果、強力な領域知識(物理学)と機械学習を組み合わせることで、コスト効率とスケーラビリティを実現した信頼性の高いハイブリッドモデルが完成しました。特にデジタルツインの空間では、ハイブリッドAIアナリティクスは大きな可能性を示しています。

物理学に基づいたモデリング

  • 業界を超えてテストされ、試行され、実証されており、最も重要なアプリケーションにも対応しています。
  • モデルの不確実性は広範囲に研究されており、設計や運用の際に考慮することができます。
  • システムを記述する優れた数学的理論のフレームワークが必要です。
  • 限られた実験データセットで校正・検証が可能。
  • 既存のデータの範囲外の予測が可能であること。
  • 形状や他の流体/物質特性のような情報に加えて、数学的方程式の境界条件の完全なセットが必要です。これは常に利用できるわけではありません。
  • 市販のシミュレータは非常に高価であることが多い。
  • ライブIoT環境で大規模に実行するには計算コストがかかります。
  • 広範な専門知識が必要。
  • 資産のフリートをまたいでスケールすることが難しい(BC、ジオメトリ、流体/材料特性を変更する必要があるが、数学モデルはスケールする。新しいアセットのセットアップに必要な時間に関してはスケールしないかもしれないが、異なるアセットの精度に関してはよくスケールすることが多い)
  • 将来の事象を予測できる。

データドリブンAI

  • 故障イベントのクリティカルマスを含む、文脈に沿った大規模なティーチングデータセットが必要です。
  • 形状、流体/材料特性などの情報が不要で、より少ないセンサセットでも動作可能(ただし、精度に影響を与える)。
  • 初期モデルのトレーニング後、リアルタイムのストリーミングデータで実行すると費用対効果が高い。
  • データサイエンスの専門知識が必要。
  • 資産のフリート間で非常によくスケールする(常にそうとは限らないが。訓練されたモデルは、非常に類似した資産に対してのみトランスファーすることができます。新しいアセットは、異なるセンサーセットを持っていたり、異なる場所に設置されていたりする可能性があり、再訓練が必要になる。新しい資産はまた信頼できる予測を得るために別のセンサーを要求する別の物理現象によって支配されるかもしれない - 物理学はスケールしないかもしれない)。
  • 将来の出来事を予測できる(将来の出来事が訓練セットの中にあると仮定して)。
  • 予測の論理で解釈できない「ブラックボックス」

ハイブリッドAI分析

  • 物理ベースのモデリングと機械学習を組み合わせたものです。
  • 多くのシナリオを網羅した産業用システム・アナリストに最適です。
  • 特定分野の専門家とデータサイエンスの専門知識の両方を必要とします。
  • 半可逆的に解釈可能な予測ロジックを提供します。
  • 純粋な物理モデリングと比較してコスト効率が高く、生産や資産のフリート全体のスケールでの利用が可能です。
  • 過去のデータが存在する前に適用することができます

コンテキスト化されたデータを用いた製造業のDX事例をご覧ください。

ダウンロード