機械学習がIIoTの価値をどのように高めているか

IIoTは、すでに製造業、自動車、医療などの分野に革命を起こしています。しかし、IIoTの実際の価値は、機械学習(ML)がセンサデータを適用したときに実現されます。この記事では、MLがどのようにIIoTソリューションを強化しているかを紹介します。

クラウドコンピューティングは、コネクティッドデバイスとエンタープライズIoTの最大の可能性を表しています。安価なストレージと豊富なコンピューティングパワーは、IIoTの後押しとなっています。さまざまなセンサやデバイスからデータを取得することは可能ですが、大量のデータセットを保存するのには非常に高価でした。十分なストレージリソースが割り当てられた後であっても、エンタープライズデータセンターには必要な容量が足らないため、これらのデータセットを処理、照会、分析することができませんでした。利用可能なリソースの多くは、ビジネスに不可欠なデータウェアハウスおよびビジネスインテリジェンスシステムに割り当てられていました。

製造、自動車、ヘルスケア、航空などの業種は、センサによって生成されたすべてのデータポイントを取得しています。これは、大規模なパブリッククラウドプロバイダが提供するクラウドストレージ、ビッグデータおよびビッグコンピューティング機能を利用しています。これこそ企業におけるIIoTの採用を加速する上で最も重要な要素です。

IIoTの第一世代は、データの取得とそれの分析をすることです。センサーによって取得されたデータポイントは、複数のステージを経て実行可能なインサイトに変換されます。 IIoTプラットフォームには、リアルタイムデータを扱うことができる拡張可能なデータ処理のパイプラインが含まれています。このパイプラインは、即時に目を引くリアルタイムのデータを扱います。このデータは、ある期間にわたってのみ意味のあるデータです。リアルタイムデータの処理を担当するパイプラインは、ホットパス分析と呼ばれます。例えば、IoTプラットフォームが、圧力と温度の閾値の異常な組み合わせを検出してから、LPG充填機をシャットダウンしていては遅すぎるかもしれません。代わりに、異常をミリ秒以内に検出し、その後に設定されていた即時アクションを実行する必要があります。リアルタイムが必要とされるもう一つのシナリオは、医療です。患者のバイタル統計はリアルタイムで監視されます。

データがIoTプラットフォームに入ると、摂取レイヤーは、リアルタイムデータポイントを処理するように設計されたパイプラインを通じてそのサブセットをルーティングします。ホット・パス分析は、エンタープライズIoTプラットフォームの基本的なビルディング・ブロックの1つです。

ホット・パス分析の中心には、異常を検出するルール・エンジンがあります。エンタープライズIoTプラットフォームには、受信センサデータストリームから複雑なパターンを動的に評価できる洗練されたルールエンジンが組み込まれています。スキーマとデータ形式を完全に把握している専門家は、ルールエンジンのベースラインの値とルーティングロジックを定義します。このロジックは、メッセージの流れを編成する際にルールエンジンへの重要なインプットとして機能します。データ処理パイプラインの次のステージに移動する前に、すべての着信データポイントに対して評価されるネストされたif-then条件を定義します。

ルールエンジンはエンタープライズIoTプラットフォームの中核となっています。AWS IoTには、AWS Lambdaと統合されたSQLベースのルールエンジンが含まれています。リアルタイムのストリーム分析サービスであるAmazon Kinesis Analyticsには、ルールエンジンも付属しています。Azure Stream Analyticsと同じですが、Azure Event Hubと組み合わせることでと動的ルーティングが可能となります。GE Predix、SAP Leonardo、PTC Thingworx、およびIBM Watsonを含むほぼすべての産業用IoTプラットフォームは、同様のルールエンジンを備えています。

機械学習の重要な要素の1つは、既存のデータセットから類似のデータポイント(分類)をグループ化し、将来のデータポイントを予測するパターンを見つけることです。監督されたMLと監督されていないMLの両方に関連する高度なアルゴリズムは、分類と予測分析に使用することができます。これらのアルゴリズムは既存のデータから学ぶことができるため、明示的に定義することなくベースラインの値を特定できます。 IoTデータの大部分は時系列に基づいているので、これらのアルゴリズムは、履歴データに基づいてセンサの将来の値を予測することができるようになります。

複数のMLアルゴリズムの組み合わせは、IIoTプラットフォームに組み込まれた従来のルールエンジンを置き換えるのに適しています。専門家は、条件に基づいて実行させるアクションを定義する必要がありますが、これらのインテリジェントなアルゴリズムによってその精度が向上します。

IIoTにおけるMLの1つの使用例は、デバイスの予測保守(PdM)です。これは、診断や根本原因の分析を促進するシステムの異常を検出するためによく使用されます。アルゴリズムは、パターンの変化を相関させて分析することによって、デバイスの故障を予測することが可能となります。PdMは、デバイスの「残存寿命」(RUL)などの他の重要な指標を報告することもできます。

予測メンテナンスは、航空宇宙、製造、自動車、輸送、物流、サプライチェーンなどの分野に適用されます。例えば、消費者におけるシナリオでは、予測保守システムが、予測モデルに基づいて自動車サービスセンターへの訪問をスケジュールすることができます。航空業界では、保守履歴や飛行経路情報などの関連するデータソースに基づいて、航空機の遅延またはキャンセルの可能性を予測することができるようになることが予測保守ソリューションの目標です。

機械学習と組み合わせたホット・パス分析は、次世代のIoTプラットフォームの不可欠なパーツになります。MLとAIは専門知識に取って代わることはできませんが、より良いインサイトを提供するためにプラットフォームを確実に増強します。

原文はこちら: How Machine Learning Enhances The Value Of Industrial Internet of Things