人工ニューラルネットワーク
Neural Network
人工ニューラルネットワークとは?
- 脳のニューロンを模したAIの基本構造
- パターンを層を重ねて学習
- ディープラーニング・生成AIの基盤
人工ニューラルネットワークが実際に変えたのは、開発者の仕事の性質です。以前は「このピクセルがこれだけ暗ければ不良」のように、人が条件文を一つずつ書き込んでいました。しかしニューラルネットワークを使うと、正解ラベル付きのデータを集めて投入するだけで、機械が自ら判別ルールを作ります。そのためプロジェクトの勝負どころがロジック設計からデータ確保とラベル品質へ移ります。社内で「AIがうまい開発者を一人採用すればいいのでは」という言葉が食い違いやすい理由もここにあります。実際に日程を圧迫するのは、データを集めてラベルを付ける作業です。
構造は入力層・隠れ層・出力層に分かれ、隠れ層が何層も積み重なったものをディープラーニングと呼びます。扱うデータによって系統が分かれます。画像はCNN、音声や需要データのように順序のある値はRNN・LSTM、言語はトランスフォーマー系を使います。規模の差も大きく、手書き文字の分類器は重みが数万個あれば十分ですが、大規模言語モデルは数千億個に達します。機械学習とニューラルネットワークは同じ意味ではないという点も押さえておく必要があります。決定木や回帰分析も立派な機械学習であり、保有データが数百件規模なら、ニューラルネットワークよりブースティング系の方が精度が高い場合が多くあります。
最もよくある誤解は、ニューラルネットワークが人のように「理解している」と考えることです。ニューラルネットワークは学習データに含まれていた分布をなぞるだけなので、夜間照明で撮った写真だけで学習していた場合、昼間のラインでは性能が大きく落ちます。正常画像が95%のデータで学習させ、「精度95%」と報告することも珍しくありませんが、全部正常と判定しても出る数字です。不良検出率と誤検出率を別々に見なければ、検証なしでラインに載せた後に流出不良がそのまま残り、責任の所在もあいまいになります。なぜそう判断したのか説明しにくい点まで考慮し、人が再確認する段階は最低数か月は残しておくのが安全です。
1943年のマカロックとピッツによる人工ニューロンモデルに始まり、1958年のパーセプトロン、1980年代の誤差逆伝播法を経て、2010年代にディープラーニングとして花開きました。
仮想の事例で見ていきましょう。自動車部品を製造するA社は、役職員420名、年間売上高900億ウォン(約1,076,310万円)規模です。塗装面の外観検査を検査員3名が1日1万2千個ずつ目視で行っているため、最近3か月間に顧客企業から返品された流出不良が27件ありました。品質保証チームは、6か月間のニューラルネットワーク検査パイロットを開始しました。
- 品質保証チームのキム チーム長が返品記録27件を調べたところ、19件が夜間班から出ていました。「A社の目が悪いのではなく、午前3時に人の目が見えなくなること」という結論を役員会議で提起しました。
- 生産技術チームがライン上のカメラで画像6万枚を集めましたが、不良画像は800枚しかありませんでした。データ担当のイ課長が正常データばかり多いと、全部正常と判定しても98点が出ますと待ったをかけました。
- 3週間にわたり不良品を別途撮影し、回転・明るさの変形を加えて不良画像を4,200枚まで増やした後、公開されたCNN事前学習モデルに転移学習を適用して、GPU 1台で2日のうちに第1次モデルを作成しました。
- 検証データでは96%が出ましたが、実際のラインに取り付けると午後の照明が切り替わる時間帯に82%まで落ち、検査ブースの照明を固定してその条件で再学習させました。
- 6か月後、流出不良は月9件から2件に減り、再検査の作業時間は1日4時間から50分に短縮され、検査員3名のうち2名は組立工程へ配置転換しました。
金鍾赫(キム・ジョンヒョク)
パク・ソリョン