「異常検知モデル」のポイント

•正常データのみで学習が完了
　- 学習時に外部委託することの多いアノテーション作業が不要になるため、顧客等との秘密保持契約締結が不要です。
　　また、多量の不良品データの準備も不要な上、数秒で学習が完了するため現場への迅速なAI導入が可能です。

•学習と推論がともにFPGA搭載のエッジデバイス上で完結
　- 画像データの社外送信が不要なため、情報漏えいリスクの低減、煩雑な秘密保持契約が要らず、省力化につながります。
　- ネットワーク環境のない場所での利用も可能です。

•AIエンジニアがいなくても、現場で再学習可能
　- ヒートマップで異常箇所を分かりやすく視覚化。AIの学習結果を保存して再読み込みが可能、　
　　簡単に現場でのやり直しが可能となり、IT人材の確保が困難な企業でも利用できます。

IT人材の不足や設備にかかるコストを低減

慢性的な人手不足により、製造業の現場では自動化へのニーズが高まっています。検品などの外観検査ではAI活用が注目されていますが、IT人材の不足や設備にかかるコストの高さが課題です。また、AIの学習に必要な不良品データの収集が困難なことに加えて、消費者ニーズの多様化から多品種少量生産への対応が求められており、検査対象の変更に伴うAIの再学習にAIエンジニアのサポートを必要とするケースも想定されます。こうした対応への労力も導入ハードルとなっています。

LeapMindはこれまでも、ディープラーニングを使ったデバイスを世に広め、人々の生活を便利にするため、様々なエッジデバイスへディープラーニング機能を組み込むことができるAI推論アクセラレーターIP「Efficiera®」を開発してきました。この度開発した「Efficiera 異常検知モデル」は、独自の技術「極小量子化技術」などを活かし、現場での実用に即した、高セキュリティかつ運用しやすいAI外観検査を実現します。学習と推論がともにFPGA搭載小型エッジデバイス上で完結することに加え、学習が正常データのみで完了するという二つの特徴によって、様々な利点を持たせました。クラウドAIを利用する場合と比べて、検査対象の画像をデバイス外に出す必要がないため、社外送信時に懸念される情報漏えいのリスクを低減するほか、広帯域ネットワークやクラウドサービス利用料の削減にも貢献します。また、オンプレミスGPUサーバーを利用する場合と比べると、機材コストや設置スペースを理由とした拡張性への懸念も解決します。

さらに、学習は数十枚の正常データのみを使って数秒で完了し、多量の不良品データが不要です。正常データのみで学習できるため、アノテーション*¹ 作業が不要となり、また学習した不良しか検知できないというリスクを下げ、想定外の異常も検知することが可能です。再学習時の動作も簡便で、AIが異常と判定した箇所をヒートマップで視覚化するため、多品種少量生産ラインでもAIエンジニアのサポートを受けることなく現場で簡単に調整できます。学習結果は数MBのデータに保存して後から推論に利用できるため、誤った学習のやり直しも簡単です。IT人材の確保が困難な企業や、広帯域ネットワークを利用できない地方に製造拠点を持つ企業においてもスムーズなAI実用化を叶え、製造業のDXを後押しします。

*¹データに情報タグを付加すること。作業は社外に依頼するケースが多く、情報漏洩リスクとなり得る。