機械学習 · ディープラーニング
Machine Learning / Deep Learning
機械学習とは?
- データから規則をみずから学習
- ディープラーニングはその中でも強力な一分野
- ルールを書かずに学ばせる
導入効果はコードより、仕事の進め方の順序に先に表れます。ルールベースのシステムでは例外が出るたびに開発者が条件分岐を一つずつ足していきましたが、機械学習では誤った事例を集めて再び学習させることが基本の対応になります。そのためプロジェクト工数の大きな部分がモデル自体ではなく、データ収集・ラベリング・検証に費やされます。現場が'何が正解か'を定義できなければ、どれほど優れたアルゴリズムでも学習対象がありません。AI案件がIT部門の仕事ではなく現場の仕事になる理由がここにあります。
学習の方式は大きく3つに分かれます。正解ラベルを付けて教える教師あり学習(不良判定、離脱予測)、正解なしでかたまりを見つける教師なし学習(顧客のクラスタリング、異常検知)、試行錯誤に報酬を与える強化学習(在庫配置、経路最適化)です。ディープラーニングとそれ以外を分ける基準は、特徴量を誰が抽出するかです。従来の機械学習は「厚み」「曜日」「滞在時間」のような変数を人が設計して入れますが、ディープラーニングはピクセルや文字などの生データから特徴を自ら捉えます。その代わり、データと計算量が多く必要なので、表形式の社内データが数千件規模であれば、ディープラーニングが常に有利とは限りません。この規模では決定木系の方が速く、説明もしやすいです。
現場で最も頻繁にずれるのは精度の数字です。不良率3%のラインでは、モデルがすべて良品と答えるだけで精度は97%と表示されます。この数字だけを見て目視検査を減らし、クレームを受ける事態が実際に起きています。検出率と誤検出率を分けて報告を受けることが安全です。もう一つは'一度作れば終わり'という誤解です。原料・設備・顧客構成が変わると、学習時のパターンとずれて性能が静かに落ち(データドリフト)、誰も気づかないまま数か月が過ぎます。再学習の周期と担当者を運用ルールにあらかじめ明記しておかないと、結局責任者のいないモデルが一つ残るだけです。
「機械学習」という用語は、1959年にIBMのアーサー・サミュエル(Arthur Samuel)が作ったとされています。深層学習は2010年代初頭、データと計算能力の増加とともに、画像・音声認識で大きな成果を上げて台頭しました。
仮想の事例で見てみましょう。役職員260名、年間売上約480億ウォン(約574,032万円)の自動車用射出成形部品メーカーA社です。外観検査を検査員9名が目視で担当していたため、夜勤班では不良の流出が月30件前後で繰り返され、取引先からのクレームは四半期に4件まで増えていました。品質保証チームは、ディープラーニングによるビジョン検査の導入を5か月のプロジェクトとして立ち上げました。
- 品質保証チームのパク次長が最初に行ったのは、ルールを書くことではなく、写真を集めることでした。3か月分の良品1万2千枚、不良品1,400枚を、ラインカメラで撮り直して蓄積しました。
- ラベリングで一度つまずきました。検査員3人が同じ写真を「スクラッチ」と「異物」で別々に記録したため、朴次長は限界見本の写真40枚を壁に貼り、「これより濃ければ不良」と基準を統一しました。
- 1次モデルの精度は96%と出ましたが、生産チームの反応は冷ややかでした。不良は全体の3%にすぎず、すべて良品と答えるだけで97%になるデータだったうえ、実際の不良検出率は62%にとどまりました。
- 生産チーム長が「見逃すより過検出の方がいい」と整理したため、判定のしきい値を下げ、疑わしい案件はすべて再検査ラインに回しました。過検出は増えましたが、検査員が1日に再確認するのは180枚だけで済みました。
- 6週間後、原料の供給会社が変わって表面の光沢が違ってくると、検出率は71%まで落ち込みました。その後、月1回、新規画像500枚での再学習を運用ルールに明記し、担当者を朴次長に決めました。
- 5か月後、不良の流出は月30件から4件へ、取引先からのクレームは四半期4件から0件になりました。検査員9名のうち4名は、再検査と設備点検の業務へ配置転換されました。
金鍾赫
ク・ジャリョン