AIマップβ 2.0 NexTecWeek 2023 AI人工知能学会 ブース 備忘録
＜AIマップβ 2.0 NexTecWeek 2023 AI人工知能学会 ブース＞
生産新聞について
NexTecWeek 2023 AI人工知能学会 ブースにて AIマップβ 2.0 という展示を見てきた。その備忘録である。ChatGPTを参考にしながら書いてみる。なお当方はChatGPTがいろんな学術論文を読み込んでいるという噂を聞きつけており、学術的な質問をあえて投げかけて参考論文として示させている。質問を投げる際に情報源の提示も同時に求めている。
ブースにて画像認識の人工知能の話になり、企業の生産現場の生産ラインにおける「生産新聞」という話が出てきた。その生産新聞というものについて興味があったので本稿を書きたかった次第である。AIマップβ 2.0の話は書いていないがご了承願いたい。
大学と企業の現場の生産ラインとは一蓮托生である。大学と企業の現場の生産ラインは、結構一緒になって企業の現場の課題解決に取り組んでいる。
一般的に言って企業には現場がある。製造業であれば、その現場という所では製品物資を生産しているのが普通である。その製品物資を生産している実態は工場である。その工場には製品物資を作る生産ラインというのがある。
近年IoTの動きが社会全体に起こってきた。その中で工場にもその影響が及んでいる。工場の生産ラインにセンサーを設置してみようということになってきた。
高精細のカメラがセンサーになりうる。高精細のカメラを生産ラインに設置して、生産ラインにて生産される製品の写真を撮影して画像データとして取得するのである。
高精細のカメラを設置して製品の画像データを取得するのには実は意味がある。その画像データを見て不良品についての検査をするのである。企業の現場の生産ラインのエンジニアにその画像データを見てもらい、その画像データから製品物資の不良具合を調べさせるのである。どんな不良が出ているのかを調べさせるのである。そして生産ラインでの原因を探り、原因を突き止めて、改善する。その改善を通して再び生産ラインを稼働させて、より良い条件下での生産ラインの運用に資するのである。
高精細のカメラの性能から言って数から言って、また画像データを送信して溜めていく情報通信システムの発展から言って、画像データは数多く取得し溜めておくことができる。画像データは山のようになってくる。
企業の現場の生産ラインのエンジニアがいくら優秀であっても見切れないくらいのデータが集まってくる。現場のエンジニアにも見切れず、画像データは使われない宝の山としてただひたすら溜まっていくようになる。
そうなると画像データの量が多くなって、データのストレージの維持費用がバカにならなくなったりする。画像データは取得できていて溜まっているのに、それは使われないまま、費用だけ嵩むことになるのだ。
企業もただ手をこまねいているばかりではないはずだ。そこで人工知能の出番になる。画像認識の人工知能をお招きするのだ。お招きして何をするのか。
大量に溜まっている、また情報通信システムによってどんどん送られてくる画像データを、現場のエンジニアが見る代わりに、画像認識の人工知能に読み込ませてやるのだ。現場のエンジニアでは処理しきれない、しかも宝の山になり得る大量の画像データを、画像認識人工知能に処理してもらうのだ。
画像認識人工知能では次のような手がよく使われるらしい。ある理想的な製品の画像データをあらかじめ画像認識人工知能ソフトウェアに覚えさせておく。画像認識人工知能というのは最初は理想的な状態の製品の画像しか知らないということになる。
次に実際の工場なんかで取得できる画像データを、画像認識人工知能にて画像認識させる。画像認識人工知能ソフトウェアに画像データを読み込んでもらう。
実際の工場の生産ラインで生産されている製品物資は、研究所なんかで作成する理想的な状態の製品物資とは程遠い。いろんな不純物が入ったり、濃度にムラがあったりとかする。実際の製品物資は 理想的な状態で生産された製品物資とは、全くと言っては言い過ぎかもしれないが、違った状態の製品が出来てくる これは直感でもわかることである。
実際の生産ラインでの製品物資を画像認識人工知能にて画像認識してやる。理想的な状態の製品物資の画像データしか知らない画像認識知能にとって、生産ラインでの製品物資の画像データは異常な画像データに見えることだろう。どうしても差異が出てくるのだ。理想的な画像データとの差異が出てくるのだ。
逆手に捉えれば、画像認識人工知能は、理想的な状態と実際の状態との差異ばかりを検出できることになる。その差異を状態変化として検出できることになる。そして状態変化の様子を数値として検出できることにもなるのだ。
画像認識人工知能は生産ラインの製品物資の画像データを読み込むことによって、異常な状態変化の検出をして数値データとして我々人間の方に報告してくれることになる。
画像認識人工知能は製品物資の状態変化を数値データとして我々の方に報告してくれる訳だが、その数値データはそのままの数値データだと我々人間にはわからないままである。
それゆえ我々人間は、報告してくれた数値データを別の人工知能に渡すことになる。そしてさらに解析を進めることになる。数値データを集めて整理していろんな解析手法にて解析することになるのだ。
さて、話が少しそれたようだ。話を本線に戻すことにする。
現場のエンジニアには数多の優秀な方がいらっしゃるようだ。画像データを見ただけで製品の不良具合がわかる優秀なエンジニアが数多いるそうである。数多いると言ってもだんだん歳をとってくるようで、彼等優秀なエンジニアの高齢化が企業では問題になっている。後継者不足が懸念されている。
そこで、上記の画像認識人工知能やそれに続く別の人工知能に、高齢化したエンジニアの代わりをしてもらうことになる。生産現場の画像データを画像認識人工知能に読み込んでもらって、さらにそれが生成してくる数値データを別の人工知能に解析してもらって、数値データのクラスタリングとでも言いましょうか、数値データを分類していくことになる。その分類具合が製品物資の不良具合を示していくことになってくるのだ。
こうして画像認識人工知能やそれに続く別の人工知能は、高齢化している生産現場のエンジニアの仕事を代替えしていく。代替えされた生産現場のエンジニアは生産現場で何をするようになるのか。
人工知能は夜の間にでも製品物資の画像データを読み込んでいる。人工知能はさらに出てきた数値データを解析していて、製品物資の不良具合を判定している。さらに判定した結果をまとめて、「生産新聞」として生産現場においておくのだそうだ。
朝、生産現場に入ってくる生産現場のエンジニアがいる。すると生産現場のエンジニアは先ずその生産新聞を読むのだ。生産新聞には、生産現場の製品物資の不良具合が判定されていて、どのような不良が出ているのかを示していて、さらに生産ラインのどこに不具合が出ているのかを予測しているのだそうだ。
生産現場のエンジニアはその生産新聞を読んで、生産ラインのどこに集中して改善するのかを特定していく。そしてその部位を集中的に調べて、生産ラインを改善して、夕刻には改善結果を生産ラインに反映して、生産ラインを改善した状態で稼働させていくのだ。
製品物資に不具合が出ているからといって、生産工程の主な工程をかえるわけではない。そんな大掛かりな主工程を変えるような変化は、普段の状態では生産現場では起こり得ない。
画像認識人工知能をはじめとした各種人工知能は、生産現場の生産ラインの生産工程を根底から覆すようなことに使うわけではない。生産ラインの細部の工程でどこに不良が出ているのかを範囲を絞っていく。それを生産新聞としてまとめて生産現場のエンジニアに提供する。そんなことが人工知能の役割であるのだ。
生産現場のエンジニアの新しい役割は、生産ラインの細部のよくわからない未知の不良部位を特定していく。そしてその不良部位を人の力によって特定して、最終的に改善して、生産ラインにフィードバックしていくということなのだ。毎朝、生産新聞という新しい情報を生産現場のエンジニアはよく読む。よく読んで状況を把握する。そして生産ラインの未知の不良部位のところへいく。彼等の技術力で持って不良部位の特定をする。彼等の技術力で持って改善する。生産ラインを改善する。そんなことを生産現場のエンジニアは執行していくのだ。実に地道な改善作業を生産現場のエンジニアはすることになる。
人工知能に任せられるところは任せてしまう。そして生産現場のエンジニアには付加価値の高いところに仕事を振り向ける。上記はそんな姿そのものであろう。
我々も新聞を読む。新聞を読んで世の中の状況を把握する。そして仕事の仕方を決めていく。どこかに集中して仕事をしていく。改善活動を施していく。
それと同様、生産現場のエンジニアは生産新聞を読む。よく読んで生産ラインの状況を把握する。生産ラインのどこに集中してメンテナンスをすれば良いのかを生産現場のエンジニアの力で絞っていって、地道に改善活動を遂行して、改善して、生産ラインにフィードバックする。付加価値の高いところと言っても、実態は地道な改善活動である。
生産新聞。そしてその裏方で働いている人工知能の数々。生産現場のエンジニアが生産新聞を読む姿。一見すると煌びやかに見える人工知能も、生産現場での地道な改善活動の単なる一員である。そんなことを鑑みつつ本稿を終えることにする。
なお、最後に参考文献としてChatGPTが作成した文章を示しておくことにする。最初にも申し上げたが、当方はChatGPTがいろんな学術論文を読み込んでいるという噂を聞きつけており、学術的な質問をあえて投げかけて参考文献として示させている。質問を投げる際に情報源の提示も同時に求めている。以下掲載しておくのでご参照いただければ幸いである。質問とその答えという形での掲載である。質問が私が投げかけたプロンプトであり、答えはChatGPTが作成した回答である。ChatGPTは何か論文を作成する役立つツールとして世の中にて認識されているようだ。私は論文本体は自分自身で作成するものであるべきと考えている。そして参考文献を示す代わりに参考論文を書いてもらうのがChatGPTの役割だと思っている。
以上
参考文献
（CHATGPTより 参考1）
QUESTION1：
半導体の生産現場においては、画像撮影センサを設置して画像データを取得するようになっているが、どうしてこのような画像撮影センサを設置するようになったのか、その理由を2000文字くらいでわかりやすく説明してください。またその際の情報源も示してください。
ANSER1：
画像撮影センサが半導体の生産現場に設置されるようになった理由は、品質管理や生産効率の向上などさまざまな利点があるからです。
品質管理の向上:
半導体製造は微細な回路を作り上げるプロセスであり、微小な欠陥や不良が製品の品質に大きな影響を与えます。画像撮影センサは製品の表面を高精細で撮影し、微細な欠陥や不良箇所を検出することができます。例えば、不良のあるチップの形状や配線が異常な場合に、自動検査を行い、不良品を早期に排除することができます。これにより、製品の品質を向上させることができます。
プロセス制御の改善:
画像撮影センサはリアルタイムでデータを取得できるため、製造プロセスの制御を改善するのに役立ちます。製品の形状や寸法を測定し、プロセスパラメーターを調整することで、均一な品質の製品を大量生産することが可能になります。また、不良箇所の特定により、製造プロセスの問題点を特定して改善することができます。
自動化と効率化:
画像撮影センサを活用することで、視覚的な判断が必要な検査作業を自動化できます。これにより、従来の目視検査に比べて高速で正確な検査が可能になります。自動化によって、検査時間が短縮されるだけでなく、人的ミスを軽減し、作業効率が向上します。
ビッグデータとAIの活用:
画像撮影センサが多くのデータを取得することで、大量の生産データが蓄積されます。これらのデータはビッグデータ分析や人工知能（AI）技術と組み合わせることで、製造プロセスの洗練や予測保全に役立ちます。AIは異常検出やトラブル予知において高い精度を持ち、生産ラインの安定性を向上させます。
製品トレーサビリティの確保:
画像撮影センサにより、製造過程の様子を記録・保存できます。これにより、製造された個々の製品を追跡し、万一の品質問題が発生した場合でも迅速に原因特定が可能になります。トレーサビリティの確保は、製品の信頼性を高めるとともに、不具合製品のリコールを効果的に行うために重要です。
これらの利点により、画像撮影センサは半導体の生産現場で広く導入されるようになりました。品質向上、プロセス改善、自動化・効率化、ビッグデータ活用、トレーサビリティ確保といった多くの側面で生産効率を向上させ、高品質な製品の供給を可能にする重要な技術となっています。
情報源:
「センサと計測」 2018年10月号
https://www.sensors.ne.jp/magazine/archives/201810.php
（CHATGPTより 参考2）
QUSTION2：
画像認識する人工知能が、画像の異常検知をして我々にその画像の異常状態を報告するまでの過程を、技術的にわかりやすく、2000文字程度で説明してください。その際に情報源も提示してください。
ANSER2：
タイトル: 画像異常検知における人工知能の過程と技術解説
はじめに：
画像認識を行う人工知能が、異常検知を行って異常な状態を検出し、報告する過程は、コンピュータビジョンの分野における重要な応用です。このプロセスは、画像処理、機械学習、深層学習といった技術を組み合わせて実現されます。以下にその基本的な過程を紹介します。
データ収集と前処理：
まず、異常検知モデルを訓練するためのデータセットが必要です。正常な状態と異常な状態の画像を含むデータセットを収集します。これらの画像は、現実世界で発生する可能性のある様々な状況をカバーするように選ばれます。収集したデータは、画像のサイズ統一、ノイズの除去、明暗調整などの前処理が行われます。
特徴抽出と表現学習：
画像認識のためには、画像から有益な情報を抽出する必要があります。このために、異常検知モデルは画像内の特徴やパターンを自動的に学習します。この段階で、異常な状態を表現する特徴がモデルによって抽出されます。代表的な手法として、畳み込みニューラルネットワーク (CNN) を用いた特徴抽出があります。
モデルの訓練：
抽出された特徴を元に、異常検知モデルを訓練します。通常、正常な状態の画像のみを用いてモデルを訓練します。これにより、モデルは正常なパターンを学習し、異常なパターンを検出する能力を獲得します。訓練には教師なし学習の手法が一般的に用いられます。異常な状態の画像は、訓練データ内で希少なものとして扱われます。
異常検知の閾値設定：
モデルが正常な状態を学習した後、異常検知の閾値を設定します。これは、モデルが何を異常とみなすかを決定する重要なステップです。適切な閾値設定には、モデルの性能評価や検出率と偽陽性率のトレードオフなどが考慮されます。
推論と異常検知：
実際の画像に対して、訓練済みのモデルを用いて推論を行います。モデルは画像の特徴を抽出し、学習した閾値と比較して異常かどうかを判断します。もしも閾値を超える異常度が検出されれば、その画像は異常として検出されたことになります。
報告と可視化：
異常検知が行われると、異常な状態を報告する仕組みがトリガーされます。これは、適切なアラート、通知、または可視化手法を用いて行われます。報告の形式や方法は、応用の要件に応じて異なります。
情報源：
この説明は、コンピュータビジョンと機械学習の基本的な原則に基づいています。詳細な手法や最新のアプローチについては、以下の情報源を参考にすることをおすすめします。
"Deep Learning" by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
"Computer Vision: Algorithms and Applications" by Richard Szeliski
ディープラーニングおよび異常検知に関する研究論文や学術記事
これらの情報源は、画像異常検知に関する詳細な知識を深めるために役立つでしょう。
（CHATGPTより 参考3）
QUESTION3：
大学と企業の現場の生産ラインは、結構一緒になって企業の現場の課題解決に取り組んでいるが、その様子をわかりやすく2000文字程度で説明してください。その際に情報源も提示してください。
ANSER3：
タイトル: 大学と企業の協力による生産ライン最適化と課題解決
はじめに：
近年、大学と企業の連携がますます重要視されており、特に製造業分野においては生産ラインの最適化や課題解決においてその影響力が増しています。大学の専門知識と研究能力を企業の現場の課題に適用することで、効率向上やイノベーションの促進が可能となります。
大学と企業の協力のメリット：
専門知識の活用：大学は広範な学術分野での専門知識を保有しており、それを製造業の現場の問題に適用することで、新たな視点や解決策が生まれます。
研究と実践の結びつき：大学の研究成果を実際の生産ラインに適用することで、理論と実務のギャップを埋め、より効果的な手法やプロセスの開発が可能です。
イノベーションの推進：大学は常に新しいアイデアや技術を追求しており、これらを企業の生産ラインに組み込むことで競争力を高めるイノベーションが生まれます。
人材育成：協力プロジェクトは学生に実務経験を提供し、産業界でのニーズに合ったスキルを身につける機会を提供します。
成功事例の一例：
自動車メーカーABC社では、生産ラインにおける部品組み立ての過程において、効率向上と品質管理の課題を抱えていました。大学DEF大学の機械工学部と連携し、生産プロセスのシミュレーションモデルを開発しました。これにより、最適な作業手順と部品配置が特定され、生産ラインの効率が向上しました。また、センサーデータの活用によるリアルタイムの品質監視システムも導入され、不良率の低減に成功しました。
情報源：
本説明は一般的な知識と成功事例からの洞察に基づいています。具体的な情報源は以下の通りです。
"The Role of University-Industry Collaboration in Enhancing Manufacturing Performance" - S. Adhikari et al. (2019)
"University–Industry Collaboration: A Systematic Review" - M. Ranga et al. (2008)
"Enhancing Manufacturing Processes Through University-Industry Collaboration" - D. J. Schaefer et al. (2009)
これらの情報源は大学と企業の協力関係が製造業に与える影響や成功事例について詳細な情報を提供しています。
おちゃ１１