最後は人の手で?

検査や検品と聞くと、なんとなく食品や衣類、部品などの工場のラインを、ものすごいスピードで流れてくるその一つの一つを熟練の技術者がその目で見極め、異常な物を弾いていくといったイメージがありますが、皆さんはいかがでしょうか。
物作りも今やそのほとんどがロボットで作られる中、ものすごいスピードで大量の製品が生産されていきます。
製造においては、たとえ機械といえども不良品を作り出してしまうもの。
検査・検品はロボットの失敗を最後の砦のような役割としてカバーしてきました。

異常をほぼ100%検出*1 する高速な検査・検品AIを開発・提供する株式会社アダコテック(本社:東京都品川区 代表取締役: 池田満広)は、東京大学エッジキャピタル(本社:東京都文京区 代表取締役社長: 郷治友孝、以下UTEC)および、DNX Ventures(本社:米国サン・マテオ マネージングディレクター: 倉林陽、以下DNX)を引受先として、総額4億円の第三者割当増資を実施しました。

PoCを終え、すでに複数クライアントが実運用フェーズに移行

~中略~
すでに10以上のクライアントでPoC(Proof Of Concept、概念実証)、FS(Feasibility Study、実現可能性調査)を経て、順次パイロット検証、実運用のフェーズに移行中。その多くが自動車部品などの製造業における検査・検品や、トンネルなどのインフラ非破壊検査などの社会的に重要なシーンに適用されています。

技術的特徴|非ディープラーニング系「検査・検品に実用性のある異常検出AI」

アダコテックは、産業技術総合研究所*2により開発されたAIを自社製ソフトウェアとして提供しています。弊社のシステムは、特徴抽出法*3等を活用した適応学習型認識方式の非ディープラーニング系AIです。ビッグデータ(膨大なデジタルデータ)が潤沢にあるWEB解析などのシーンで威力を発揮するディープラーニングですが、高頻度にPDCAを積み重ねる必要のある製造業の現場、特に、与えられたタクトタイム*4以内に求められる検出精度を100%実現しなければならないシビアな場面には、弊社のアプローチでこそ解決できるシーンが多数あることを認識しました。

たとえばディープラーニングでは、異常検知のために正常品と異常品の両方を教師データとするのが一般的であるのに対し、弊社のソフトウェアは正常品のみを教師データとし、状況によっては10〜100枚程度学習するだけで「正常を逸脱したもの=異常」を網羅的に検出します。膨大な教師データ(ディープラーニングの場合少なくとも1,000〜10,000枚程度以上)を必要としないため、すぐにでもFS(Feasibility Study、実現可能性調査)に着手できたり、試行錯誤を高回転させることができます。
また、計算処理の負担が小さく汎用PCで充分に運用可能。正常モデルからの逸脱で異常検知ができることから、未学習・前例のない異常も精緻に検出するアルゴリズムを実現できます。検査・検品のシーンにおいて高いご評価をいただいております。

  *1 国立研究開発法人 産業技術総合研究所
  *2本技術(高次局所自己相関特徴抽出法:HLACを用いた適応学習型認識方式)は、産総研大津名誉リサーチャーらによって開発され、弊社がパッケージソフトとして実装したものです。
  *3 製造における生産工程の均等なタイミングを図るための工程作業時間

画像引用元:PR TIMES

~中略~
特に、全数検査の要求が高い業界や単価が高い製造品の製造現場で、「不良品を見逃さず」「不良を判断した理由を明示しながら」「タイトなタクトタイム内で」検品をクリアするなど、広範にご活用いただいております。

画像引用元:PR TIMES

最後も機械の手で

AI技術もその発展とともに、高度な技術をもって様々なところに進出してきました。
100%検出。
人の力では100%とは決して言えなかった領域に、AIの力が達することになるのでしょうか。
ビッグデータとディープラーニングによるAIの進歩は、止まるところを知りません。
「AIが人間の仕事を奪う!」といった類のニュースで世間を賑やかす中、着々と進むAI、ロボット化。
AIと人間の共存について今後どうなっていくか、注目です。

※引用元の記事の主張と、本記事の主張内容は関係ありません
[執筆:髪の毛くるくる太郎
[最新更新日:2019年7月5日]