AIを使う中で見えた"違った視点"を持つこと

設備保全に対してAIを活用した障害の予兆保全が一般的になってきました。
AIは、障害の予兆を「いつもと違う」状態から判断しますが、この判断を別な見方から活用してみれば、というご紹介をします。

私が担当しているのは、NEC Advanced Analyticsの中のインバリアント分析になります。
今回は分析者としての経験から、分析して行く中で見えてきた、もともと想定していたものと異なる考え方を1つご紹介します。

インバリアント分析技術は、対象システムから取得される多数のセンサデータの内、「いつもの状態」で稼働している期間のデータを用いて「いつもの状態」のシステムモデルを自動学習し、その対象システムに内在する関係性（１対１のセンサ間の関係式）を総当たりで見つけ出します。
センサがn個ある場合は、センサの関係性には方向性があるので、n×（n-1）個の関係性がありえます。


「いつもの状態」のシステムモデル（各センサ間の関係性）から予測される予測値と、今の状態である実測値を比較することで、「いつもと違う状態」を検出し、例えば、対象システムが設備であれば、その変化を障害の予兆と捉え、状態が悪化する前に保全を行うことができます。

この「いつもと違う状態」。単に障害の予兆を見つけるだけでなく、新たな知見の発見やノウハウの見える化に使えるのではと私たちは考えています。

先ほど、「いつもの状態」のモデル学習方法に関して、「いつもの状態」で稼働している期間を指定し、そのデータを用いて自動で学習すると書きました。
当たり前ですが、その学習以外の事が起きれば「いつもと違う状態」と判断されます。
予兆保全に関して、仮に正常な状態であっても、学習時のデータに含まれていない現象であれば障害とみなされて、結果、誤検知となる場合があります。
これは、別の見方をすると、正常であっても「いつもと違う状態」ですから、「いつもの状態」というのが複数ありえる事を示しています。
例えば、出来上がるものは同じでも、その日の湿度や温度によって加減や設定を変えているなど、職人技のような調整やその影響を受けて人が気づかないような変化が起きていることがあります。
そういった部分が、インバリアント分析技術によって、客観的なセンサデータから自動的に目に見える形（関係性の式）として抽出されることにより、職人技のような暗黙的な知識が、関係性の式として見える化されることで新たな知見の発見につながる可能性があると考えます。また、その関係性が既知のものであっても、職人が漠然と感覚的に思っているものである場合は、ノウハウの見える化につながります。

単純に予兆検知という考えだけだと誤検知になりますが、別な視点で考えると、それは見える化などの有用な情報を得られることがあります。
どんな分野でもそうだと思いますが、一方向から見ると失敗・使えないように見えることも、別の角度からみると実は使えるということはあると思います。
分析に従事している方は、うまく行かないなと思った際に、ふと違った見方をしてみると新たな発見ができるかもしれません。

関連リンク