ディープラーニング
Deep Learning
ディープラーニングとは?
- 多層のニューラルネットワークで特徴を自ら学習
- 機械学習の強力な一分野
- 現代AI革命のエンジン
ディープラーニングが実際に変えたのは、精度の数字ではなくプロジェクトが回る順序です。以前は業務領域の専門家が「どの値を見れば不良か」をルールとして抽出するのに期間の半分以上を費やしており、そのルールがずれるとモデルも一緒にずれていました。ディープラーニングでは、その役割をデータ収集とラベル品質管理が代わりに担います。そのため予算項目もコンサルティング料からGPU利用料とラベリング人件費の方へ移り、現場の担当者に求められる能力も「ルールを言葉で解く力」から「使えるデータを集め、基準を定義する力」へ移ります。
すべての課題にディープラーニングが答えになるわけではありません。画像・音声・自然言語のように特徴を言葉で定義しにくい非定型データでは圧倒的ですが、Excel形式の表データ、たとえば顧客離脱予測や与信評価では、今でもブースティング系の伝統的な機械学習の方が速く正確な場合が多いです。データ規模も条件です。数百〜数千件しかないのに層を深く重ねると丸暗記(過学習)で終わるため、こうした場合は大型の事前学習モデルを持ってきて、自社データで少しだけ調整する転移学習(ファインチューニング)が現実的な選択です。学習コストは一度にまとまってかかりますが、推論コストは毎月発生し続けるという点も分けて考える必要があります。
現場で最も頻繁につまずくポイントは、「ディープラーニングだから勝手に学習するはず」という期待です。ラベルが混ざったままだと、モデルはその混乱までそのまま学習してしまい、不良率2%のデータでは全部「正常」と判定しても正解率は98%になります。さらに多い事故はPoC環境と現場条件の違いです。試験室の照明とカメラで97%を出した検査モデルが、ライン照明を一度替えただけで30%台に落ち込むことは珍しくありません。加えて判断の根拠を文章で説明できないため、与信審査や人事評価のように説明義務が伴う領域では、再学習の周期と人による最終確認の手順を契約書にあらかじめ明記しておかないと、後始末ができません。
ニューラルネットワーク研究に根ざし、2006年のジェフリー・ヒントン(Geoffrey Hinton)らの研究と、2010年代のGPU・ビッグデータによって本格的に飛躍しました。
架空の事例で見てみましょう。社員320名規模の自動車部品メーカーA社は、外観検査を検査員12名が3交代制で担当してきました。検査員ごとに判定基準が異なるため、同じ製品がA班では合格、B班では不良と分かれ、顧客企業への流出クレームが毎月4件続いていました。6か月の計画で、ディープラーニングによる外観検査の導入に着手しました。
- 品質チームのキム部長が"基準も示せないのに、AIで判定できるのか"と問い返すと、担当役員が判定が割れた製品から集めようと整理し、3カ月分の検査画像4万枚を確保しました。
- 熟練の検査員3名が2週間かけて不良画像6,000枚を、傷・打痕・異物の3種類にタグ付けしました。3人の判定が割れた800枚は学習から外し、別途、基準を決める会議の議題に回しました。
- AI担当のパク課長は、最初から学習させる代わりに公開の事前学習モデルを自社データでファインチューニングし、GPU 2枚を使って3日でPoCの精度96.8%を確認しました。
- 現場投入の最初の週に未検出が急に増えましたが、原因はライン照明の交換でした。パク課長が変わった照明で5,000枚を撮り直して再学習させ、月1回の再学習を運用ルールとして文書化しました。
- 6か月後、流出クレームは月4件から0.5件に、製品1個あたりの検査時間は8秒から2秒に減りました。検査員12名のうち7名は最終判定と設備保全の業務へ配置転換されました。
金鍾赫
イム・アラ