MENU CLOSE

CONTACT TRY TRYETING

COLUMN コラム

異常検知

Metric Learningを用いた異常検知の手法まとめ!

近年では機械の故障を検知したり、データを識別したりする際に、Metric Learningなどの「機械学習」を活用して異常検知をする事例が増えてきました。今回は異常検知とは何か、どのような場面で使われているのかについて紹介します。異常検知システムが気になっている方、導入を検討している方の参考になれば幸いです。

Metric Learningとは高性能な異常検知システム

まずは、異常検知と異常検知に使われる代表的な手法である「Metric Learning」について説明します。

1.異常検知とは

異常検知とは、プログラムで処理されたデータのまとまりのなかで、他のデータと一致していない観測結果が出ること。また、統計学やパターン認識、人工知能等のデータ解析の技法を使ってデータを識別することです。異常検知でいう「異常」とは、通常の動作として明確に定義された概念に該当しないデータパターンを意味します。

また、異常検知の種類のひとつで、ビジネスにおける場面でよく使用されているのが「外れ値検知」です。外れ値検知は正常時の状態から外れた点を見つけ出すため、機械学習を使った異常検知に使われる機会があります。

2.Metric Learningとは

Metric Learningは「距離学習」とも呼ばれる手法で、同じクラスに属するデータは近くへ、異なるクラスに属するデータは遠くへいくように変換します。

3.Metric Learningを使った異常検知とは

Metric Learningはデータ間の関係性を考慮する場合に適している手法で、情報検索やクラスタリング、個体認識などでも応用先として利用できます。

Metric Learning の活用事例

Metric Learningはどのような場面で使われているのでしょうか。活用事例を紹介します。

1.異常検知

まず、Metric Learningは工業製品等の外観検査などの異常検知で活用されています。この場合、特徴量空間において正常品が一か所に密集するように、また正常品と不良品が離れるようにDNNモデルを訓練します。そうすることで正常と不良の違いにフォーカスして異常検知モデルを構築し、識別することができるのです。

2.画像検索

Metric Learningは類似画像検索にも利用できます。特徴量ベクトル間の距離が類似度に対応するように訓練するとクエリ画像を特徴量ベクトルに変換します。特徴量ベクトルと距離の近い画像をとってくることで、その画像はクエリ画像と類似した特徴を持っていると判断できます。この技術はアパレルサイトでユーザーが特定のデザインのアイテムを検索する場合に応用できます。

3.顔認証

顔認証の目的は、ふたつの画像データが同一人物のものかどうかを判定することにあります。Metric Learningでは同一人物のデータを密集させ、異なる人物のデータを引き離すようにすることで、顔を識別できます。また、データ間の関係性を考慮した学習をおこなうので、「個人」そのものではなく、「個人と個人の関係」を学習します。このため、訓練データに存在しない人物についても対応して、顔認証を実現可能です。

Metric Learningの計算方法

Metric Learningには計算方法があります。ここからはどのような違いが生じるのかを交えて紹介します。

1.距離の計算方法

さまざまな距離の測り方が存在しますが、どの「距離関数」を使用するのかによって類似度は大きく変化します。使用する演算方法によって類似度の高いデータが入れ替わるケースがあるので、「どの距離関数を使用するのか」を考えて見極める必要があります。

2.特徴量と埋め込み空間

使用した特徴量の違い、つまり埋め込み空間の違いで距離が変化します。問題設定によってどのような埋め込み空間を用いる必要があるのかを考えて判断する必要があります。

3.距離によるクラスタリング

なかには「点Aに近いのは点Bと点Cのどちらか」という内容だけでなく、「任意の距離(閥値)よりも遠いか近いか」という問題設定で判断したい場合もあります。このステップを誤るとひとつの点が複数存在してしまうトラブルが生じます。

4.距離を決定する

距離にもユークリット距離やマハラノビス距離などいくつかの種類がありますが、適切な距離関数を用いることで機械学習をすることなく、クラスタリングをおこなえるようになります。

異常検知を導入するメリット

異常検知を導入することで、どのようなメリットがあるのか気になりますよね。ここでは3つの導入メリットを紹介します。

1.人件費を削減できる

ひとつめのメリットとして、人件費の削減が挙げられます。外観検査を自動化することで目視検査を行う検査員が不要になり、ランニングコストを抑えられます。

2.ヒューマンエラーの予防

ふたつめのメリットはヒューマンエラーの予防です。外観検査でいうと、画像データから特徴量を定量的に識別して製品を見極めるため、目視検査よりも高い精度で異常を検知できます。ヒューマンエラーがなくなれば不良品が流れることがありませんし、顧客満足度の維持を期待できます。

3.業務の属人化防止

3つめは業務の属人化を防止できる点にあります。多くの製造業の外観検査現場では、熟練検査員による属人的な作業が問題になっています。限度見本などを導入したとしても、人によって判断基準が異なりますし、長年の経験をもつ熟練検査員への依存度は高くなるばかりです。この点も、外観検査を自動化することで問題解消につなげられます。

異常検知が活躍する場面の例

異常検知は、実際にこのような場面で活用されています。

1.不正アクセスの検知

実際に使われている不正アクセス検知で、みなさんがイメージしやすいものに「ファイアウォール」があります。不正アクセスされたり、異常な通信があったりしたときに、その侵入を検知して管理者に通知するシステムとなっています。

2.カードの不正利用の検知

この不正アクセス検知を実際に取り入れている事例が「カード不正利用検知システム」です。三井住友カードでは業界最高水準のシステムを導入し、過去の不正利用のパターンをデータ化し、24時間365日カード利用をモニタリングチェックしています。

3.不良品の検知

不良品の検知という点では、NECが良品データの学習のみで不良品を検出するAIを製品化しています。これにより、大量生産の工場ラインにおいて長時間かつ均一な判断を求められる検品業務の効率化が可能となっています。

4.異常動作の検知

異常動作の検知は、監視カメラにも応用されています。独立行政法人 産業技術総合研究所において、カメラ映像から異常動作をリアルタイムで自動的に検出するソフトが開発されました。ノートPCレベルの処理系であっても十分に動作させることができ、セキュリティへの関心が高まる現代の多くの場で活用されています。

まとめ

異常検知は、大量のデータを扱うのが当たり前になった現代において、あらゆる業務に不可欠です。もはや人の目や手だけでは正確に対処、処理することは難しくなってきていますし、人材の確保もなかなか思うようにいかないのが現状です。異常検知システムの導入は、導入までの期間や費用の面で見ても、ハードルは下がってきていますので、社内に専用のツールを導入するのがおすすめです。

本件やその他お客様がお持ちの課題に関するお問い合わせは、ぜひ一度ホームページからお問い合わせください。

UMWELTのサービスページをチェックする(下記画像をクリック)

WRITING BY

TRYETING

公式

TRYETING公式です。
お知らせやIR情報などを発信します。