ブログ

産業オートメーション検査における AI、マシンラーニング、ディープラーニングの違いは何ですか?

AI vs deep learning vs machine learning

人工知能(AI)について、特にファクトリオートメーション検査においては、多くの場合、マーケティングの話題から事実を切り離すのは困難です。AI はすでに様々な方法で私たちの日常生活の一部であり、さらに多くの点で、その技術はまだ未来的な概念です。

メールクライアントのスパムフィルターは AI を活用するため、不要な迷惑メールを読む必要はありません。一方、スターウォーズの C-3PO など、チューリングテストに合格できるロボットは、SF 映画やテレビ番組にしか存在しません。ここ数年、コンピュータの処理能力の急速なコスト改善により、AI の実用性が爆発的に増加し、クラウドストレージのみでなく、画像、テキスト、ソフトウェア トランザクションなどからのデータの生産も増加しています。

AI、マシンラーニング、ディープラーニングなどの用語は、それぞれが何を意味するかについてほとんど説明や文脈なしで、同じ意味で使用されることがよくあります。マシンラーニングやディープラーニングなど、人工知能の様々な特色を理解することで、この技術がいかにして、今日のメーカーや工場を助けている/いないかを理解しやすくなります。

人工知能 − 論理に基づいたプログラミング タスク

まず、人工知能はコンピュータサイエンスのサブセットであり、コンピュータシステムが人間と同じかそれ以上のタスク (画像分類、音声認識、言語翻訳など) を実行します。論理概念は、1950年代のコンピュータサイエンス開拓時代に生まれました。

AI は、大まかに 2 つの方法、特化型人工知能 (弱い AI) と汎用人工知能 (強い AI) に分類できます。「汎用人工知能」は、ロボットが人間のように行動し、考える未来的な概念です。いつの日か、感傷的なロボットに対処するときが来るかもしれませんが、ここでは、特に人間のようにタスクを実行するコンピュータシステムである特化型人工知能を中心に話しを進めます。

人工知能 (AI) とは、スマートなアルゴリズムを作成する規律です。初期の頃、AI はコンピュータ命令をプログラムしたものにすぎませんでした。現在では、複雑なロジックから、参照例に基づいて、人間によるプログラミングを最小限にして結果を生み出すセルフラーニング アルゴリズムまで様々です。

信号機の運行は現実世界における AI の一例です。かつて人間が赤から緑に切り替えていた操作は、スマートロジックとプログラミングで 1 つの色を45秒間緑色に保ち、赤色に変えることができます。これは固定時間制御と呼ばれています。信号機ネットワークのプログラミングには、ドライバーに連続して緑色の点灯を提供する強調制御という別のアプローチもあります。基本的に、街灯の操作は、特定のタスクをプログラミングするだけで達成できるため、人間が手動で行う必要はありません。

マシンラーニング − 人工知能の応用

マシンラーニングは AI のサブセットとして開発され、AI を実現するための技術と考えられています。マシンラーニングは、コンピュータ システムがアルゴリズムを使用して、データから学習し、意思決定を行う能力を持つ方法です。

これまでにも意思決定アルゴリズムには、デシジョン ツリー、クラスター分析、強化学習、ベイジアンネットワークなどがありました。信号機の話しに戻ると、マシンラーニングのアルゴリズムは、時間帯や交通渋滞に基づいて赤から緑に切り替える最適な時間のパターンを決定するのに役立ちます。これはラスベガス (ネバダ州) のような都市で、すでに試験的に採用され、マシンラーニングによって交通渋滞を40%削減できることが期待されています。マシンラーニングは、都市の信号機をプログラミングするのみでなく、自動車から生成されたデータを活用して、そのプログラムされたロジックに最適な意思決定を行うのにも役立ちます。

最後に、マシンビジョンも、マシンラーニングを最適に活用しています。カメラで撮影した画像データや、分類器、位置ツール、光学式文字認識などの画像に適用される多様なアルゴリズムを活用することで、マシンビジョンソフトウェアが対象物の有無、または部品を判断することが可能です。たとえば、両端間の幅を測定したり、タイヤの文字列を識別したりできます。

コグネックスでは、従来のアプローチまたはルールベースのアプローチとしてマシンビジョンで検査の課題を解決しています。そのルールは、技術的なアルゴリズムであり、実際には部品の両端を見つけてその幅を判断するなど、特定のタスクをプログラムするために人間が使用するソフトウェアツールにすぎません。コグネックスでは、たとえ同等に分類できるとしても、マシンラーニングや AI という認識はありません。

ディープラーニング − 新たな検査への進化

ディープラーニング アルゴリズムは、技術の継続的な進歩のおかげで達成される人工知能の最新のサブセットです。ディープラーニングは、マシンラーニングによる進歩から構築されていますが、いくつかの重要な違いがあります。

コンピュータ アルゴリズムを採用して人間がタスクをプログラムすることに頼らないディープラーニングは、人間の学習を模倣する例に基づくアプローチで結果に到達します。ニューラルネットワークを活用するディープラーニング ベースの検査アプリケーションは、大量のデータセットから連結性とスポット パターンを作成します。

たとえば、メーカーが製造する製品の欠陥を検出したいとします。これを実現する1つの方法が従来のマシンビジョンです。従来のビジョンでは、エンジニアは、欠陥のサイズと種類、欠陥の場所など、何百万ものバリエーションを考慮して検査を明示的にプログラムする必要がありました。これは、本質的にばらつきがあるため、保守とプログラムの両方で非常に時間がかかります。

ディープラーニングベースのアプローチでは、アルゴリズムでユーザーが提供する例を集め、検査対象の部品の情報を自動生成します。わずかなばらつきを考慮して、良い部品がどのようなものかを知る検査を作成することにより、その結果、傷、異物、またはその他の視覚的な欠陥など、何らかの欠陥を見つけた場合に知らせることができます。ユーザーは、ツールの学習材料となるデータを多く提供することにより、ソリューションを改善できます。ディープラーニング アプリケーションのデータ数が多いほど、異常を見つけるために時間と能力が向上します。

ファクトリオートメーション検査の未来

人工知能は、多くの企業からマーケティングの流行語として試用される中、特にファクトリオートメーションでは、それが何であり、何ができる/できないのかを理解することが重要です。

将来的には、検査を解決するアプローチが例に基づくものか、ルールに基づくものか、それらの組み合わせかとういことが重要ではなくなるかもしれません。しかし、当分の間、それぞれのアプローチには固有の長所と短所があり、それに応じて使用する必要があります。

例に基づく検査およびルールに基づく検査の違いの詳細については、無料の電子ブック:ディープラーニングとマシンビジョンをダウンロードしてください。

 

他の投稿

産業オートメーション検査における AI、マシンラーニング、ディープラーニングの違いは何ですか?

AI vs deep learning vs machine learning

人工知能(AI)について、特にファクトリオートメーション検査においては、多くの場合、マーケティングの話題から事実を切り離すのは困難です。AI はすでに様々な方法で私たちの日常生活の一部であり、さらに多くの点で、その技術はまだ未来的な概念です。

メールクライアントのスパムフィルターは AI を活用するため、不要な迷惑メールを読む必要はありません。一方、スターウォーズの C-3PO など、チューリングテストに合格できるロボットは、SF 映画やテレビ番組にしか存在しません。ここ数年、コンピュータの処理能力の急速なコスト改善により、AI の実用性が爆発的に増加し、クラウドストレージのみでなく、画像、テキスト、ソフトウェア トランザクションなどからのデータの生産も増加しています。

AI、マシンラーニング、ディープラーニングなどの用語は、それぞれが何を意味するかについてほとんど説明や文脈なしで、同じ意味で使用されることがよくあります。マシンラーニングやディープラーニングなど、人工知能の様々な特色を理解することで、この技術がいかにして、今日のメーカーや工場を助けている/いないかを理解しやすくなります。

人工知能 − 論理に基づいたプログラミング タスク

まず、人工知能はコンピュータサイエンスのサブセットであり、コンピュータシステムが人間と同じかそれ以上のタスク (画像分類、音声認識、言語翻訳など) を実行します。論理概念は、1950年代のコンピュータサイエンス開拓時代に生まれました。

AI は、大まかに 2 つの方法、特化型人工知能 (弱い AI) と汎用人工知能 (強い AI) に分類できます。「汎用人工知能」は、ロボットが人間のように行動し、考える未来的な概念です。いつの日か、感傷的なロボットに対処するときが来るかもしれませんが、ここでは、特に人間のようにタスクを実行するコンピュータシステムである特化型人工知能を中心に話しを進めます。

人工知能 (AI) とは、スマートなアルゴリズムを作成する規律です。初期の頃、AI はコンピュータ命令をプログラムしたものにすぎませんでした。現在では、複雑なロジックから、参照例に基づいて、人間によるプログラミングを最小限にして結果を生み出すセルフラーニング アルゴリズムまで様々です。

信号機の運行は現実世界における AI の一例です。かつて人間が赤から緑に切り替えていた操作は、スマートロジックとプログラミングで 1 つの色を45秒間緑色に保ち、赤色に変えることができます。これは固定時間制御と呼ばれています。信号機ネットワークのプログラミングには、ドライバーに連続して緑色の点灯を提供する強調制御という別のアプローチもあります。基本的に、街灯の操作は、特定のタスクをプログラミングするだけで達成できるため、人間が手動で行う必要はありません。

マシンラーニング − 人工知能の応用

マシンラーニングは AI のサブセットとして開発され、AI を実現するための技術と考えられています。マシンラーニングは、コンピュータ システムがアルゴリズムを使用して、データから学習し、意思決定を行う能力を持つ方法です。

これまでにも意思決定アルゴリズムには、デシジョン ツリー、クラスター分析、強化学習、ベイジアンネットワークなどがありました。信号機の話しに戻ると、マシンラーニングのアルゴリズムは、時間帯や交通渋滞に基づいて赤から緑に切り替える最適な時間のパターンを決定するのに役立ちます。これはラスベガス (ネバダ州) のような都市で、すでに試験的に採用され、マシンラーニングによって交通渋滞を40%削減できることが期待されています。マシンラーニングは、都市の信号機をプログラミングするのみでなく、自動車から生成されたデータを活用して、そのプログラムされたロジックに最適な意思決定を行うのにも役立ちます。

最後に、マシンビジョンも、マシンラーニングを最適に活用しています。カメラで撮影した画像データや、分類器、位置ツール、光学式文字認識などの画像に適用される多様なアルゴリズムを活用することで、マシンビジョンソフトウェアが対象物の有無、または部品を判断することが可能です。たとえば、両端間の幅を測定したり、タイヤの文字列を識別したりできます。

コグネックスでは、従来のアプローチまたはルールベースのアプローチとしてマシンビジョンで検査の課題を解決しています。そのルールは、技術的なアルゴリズムであり、実際には部品の両端を見つけてその幅を判断するなど、特定のタスクをプログラムするために人間が使用するソフトウェアツールにすぎません。コグネックスでは、たとえ同等に分類できるとしても、マシンラーニングや AI という認識はありません。

ディープラーニング − 新たな検査への進化

ディープラーニング アルゴリズムは、技術の継続的な進歩のおかげで達成される人工知能の最新のサブセットです。ディープラーニングは、マシンラーニングによる進歩から構築されていますが、いくつかの重要な違いがあります。

コンピュータ アルゴリズムを採用して人間がタスクをプログラムすることに頼らないディープラーニングは、人間の学習を模倣する例に基づくアプローチで結果に到達します。ニューラルネットワークを活用するディープラーニング ベースの検査アプリケーションは、大量のデータセットから連結性とスポット パターンを作成します。

たとえば、メーカーが製造する製品の欠陥を検出したいとします。これを実現する1つの方法が従来のマシンビジョンです。従来のビジョンでは、エンジニアは、欠陥のサイズと種類、欠陥の場所など、何百万ものバリエーションを考慮して検査を明示的にプログラムする必要がありました。これは、本質的にばらつきがあるため、保守とプログラムの両方で非常に時間がかかります。

ディープラーニングベースのアプローチでは、アルゴリズムでユーザーが提供する例を集め、検査対象の部品の情報を自動生成します。わずかなばらつきを考慮して、良い部品がどのようなものかを知る検査を作成することにより、その結果、傷、異物、またはその他の視覚的な欠陥など、何らかの欠陥を見つけた場合に知らせることができます。ユーザーは、ツールの学習材料となるデータを多く提供することにより、ソリューションを改善できます。ディープラーニング アプリケーションのデータ数が多いほど、異常を見つけるために時間と能力が向上します。

ファクトリオートメーション検査の未来

人工知能は、多くの企業からマーケティングの流行語として試用される中、特にファクトリオートメーションでは、それが何であり、何ができる/できないのかを理解することが重要です。

将来的には、検査を解決するアプローチが例に基づくものか、ルールに基づくものか、それらの組み合わせかとういことが重要ではなくなるかもしれません。しかし、当分の間、それぞれのアプローチには固有の長所と短所があり、それに応じて使用する必要があります。

例に基づく検査およびルールに基づく検査の違いの詳細については、無料の電子ブック:ディープラーニングとマシンビジョンをダウンロードしてください。

 

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加

お気軽にお問合せください

Cognex は世界中でお客様のビジョンと工業用バーコドリーダのあらゆるニーズをサポートしています。

お問合わせ
Loading...