医者の診断に例えて学ぶ
AIを用いたセンサデータ分析システムに関するよくある誤解について
製造業で盛んに導入されているセンサ。
そのセンサデータを分析してビジネスインパクトのある結果を出すには、どのようにしたら良いのでしょうか？
データ分析を成功させるためには、様々な要素が考えられますが、ここではセンサデータの質に注目したいと思います。
いくら高度なデータ分析手法を用いても、分析対象のセンサデータが正しく取得できていない場合は、結果が出ないことは容易に想像できますが、あまり議論されることはありません。
これは、センサ計測とデータ分析の両方を視野に入れた幅広いノウハウが必要となり、Information Technology (IT) とOperational Technology (OT)との融合という課題に行き着くためです。
本ブログでは、このマニアックな話題を、医者の診断に例えながら、わかりやすく解説していきます。
------
はい、本日は 「なぜ医者の診断に例えて学ぶと良いのか？」 をテーマにお話しします。
近年、製造業DX、またはインダストリアルIoTと呼ばれるトレンドにより、AIを用いたセンサデータの分析が流行しています。
例えば、
・ 製造装置の故障予測 （設備状態監視）
・ 生産品の不具合検出 （生産ラインの品質管理）
が人気の用途です。
背景としては、熟練者のリタイヤを見越して、彼らが持つ暗黙知の形式知化が必要とされていることや、熟練者ですら見つけられない不具合を検出することで更なる品質向上を実現したいという考えが背景にあります。
そのため、データ分析のリーディングカンパニーである弊社には、世界各国において、センサデータの分析に関する御相談が数多くやってまいります。 それと同時に様々な誤解が生じていることがわかってまいりました。 ところが、数多くのお客様とお話をしていくと、多くの誤解や勘違いが存在することがわかってきました。
例えば、
分析アルゴリズムに関して、熱心に調査されているお客様、がおられます。
ごく普通のニーズだと思いますが、お話を伺うとこんな感じになることがあります。
監視対象物や起こっている異常状態が不明
データは持っておらず、機械学習等の分析手法を調査されているご様子であったり、監視対象となる設備機械や生産品が決まっていないというお客様です。 要は情報収集段階だということです。この場合、優秀なデータサイエンティストでも明確な回答はできず、お客様もなかなか納得されない状況が生まれます。
この状況は、医療で例えるなら、病気にもなっていないのに病院に行き、治療方法を熱心にお医者様に相談している状況と同じではないでしょうか？ この例え話をさせて頂くと、すぐに状況を御納得頂けます。
データ分析をしても結果が出ない
2017年頃にIoTが流行った際に、まずはセンサで計測してみましょうということで「スタートアップキット」なるものが流行ったことがあります。 この名残で、分析しても結果がでなかったという苦い経験をされたお客様が数多くおられたようです。 投資もしましたし、会社組織としても困りますよね。そこで弊社に相談が来るわけです。
もちろん分析手法が原因である場合もありますが、実は問題の大半は、センサの選定ミスや、取付けミス、生データの取得方法などに関係しています。
この状況は、医療で例えるなら、心臓の病気を見つけるのに、聴診器を足に当てて心音を聞いているような状況が起こっているということです。また、ウィルス性の病気を聴診器で見つけようとしているようなケースも見うけられます。 これでは絶対に病気は見つけられませんよね？
医療に例えれば、あり得ない状況ではありますが、センサデータ分析の世界では、頻発している問題です。 正直、驚きではありますが事実です。
私はこのような状況を、非常にもったいないと感じています。
そのため、本ブログを通して、AIを用いたセンサデータ分析システムに関して生じている様々な誤解について、医者の診断に例えながら、わかりやすく御紹介していけたらと思っております。
その理由ですが、医療診断と、製造業系データの分析の流れは似ているからです（図1）。また、医療診断は、多くの皆様が実体験をお持ちですので、例え話を通して、言われてみればそうだなという感覚を持って頂きやすいのではないかと考えております。
図1． 医療診断の流れと、生産ラインでのデータ分析の流れはよく似ている
今回は、医者の診断に例えると、色々と見えてきますというお話をさせて頂きましたが、次回からは、よくある誤解に関して、次々に御紹介していきます。
テーマとしては、こんな感じの物を予定しています。
・ 生産ラインにおけるAIを用いたデータ分析の種類について
・ 無症状であり、異常検出が甘くなる原因となる「センサの選択ミス（取得データの選定ミス）」
・ 無症状であり、異常検出が甘くなる原因となる「センサの設置方法のミス」
・ 無症状であり、異常検出が甘くなる原因となる「取得データの質が悪いケース」
・ 患者に寄り添う現場スタッフとのコラボの必要性
・ 病名は同じでも、症状が微妙に異なるケースへの対処
など
