統計的機械学習

深層学習のような一部の機械学習は、推論の過程がブラックボックスになっており、なぜそのように予測をしたのかを理解すること難しいものになっています。機械学習の産業利用において、適用分野によってはブラックボックスであること自体が課題になるケースがあります。

インテックの統計的機械学習技術は、入力データが予測結果に与える影響（説明性）、推論プロセスの理解しやすさ（解釈性）を重視し、統計的な裏付けを持った機械学習の仕組みづくりを目指しています。

正常な状態のデータの相互関係（分布）を学習し、正常な状態から逸脱した観測値を異常として検出する手法です。一般的な相関関係（直線的な関係）に限らず、複雑な相互関係も学習することできます。学習の際に異常時のデータを必要としないので、稀にしか起きない異常も検知することが可能です。
なぜ異常と判断したのか、その根拠を示すことができるので、原因対策の手掛りを得ることができます。

異常検出のしくみ

• 正常な状態のデータの相互関係を、データの分布として学習します。
• 等高線図で色の薄い領域は正常なデータが観測されやすく、色の濃い領域は正常なデータが観測されにくいところになります。
• 新たな観測値が与えられたとき、色の薄い領域にあれば正常、色の濃い領域にあれば異常と判断します。

イベントの発生（有／無）や、結果（良／否）と強い関連を持つ要因を推定する技術です。
例えば、市場の反応に影響する要因を把握し、適切な施策の手掛かりを得たり、結果の良否を左右する要因を把握することで、業務改善の手掛かりを得ることができます。
異なる特徴を持つ手法を併用することにより、多角的な推定を実現します。

製造業における応用事例

• 設備の使用履歴や設備の状態を示す計測値と、検査結果との相関を評価します。
• 良／不良のサンプル数に偏りがある場合でも、それを考慮した推定を行います。
• 不良品の発生要因を特定し、その要因をコントールすることで歩留まりの改善につなげることができます。

橋梁点検業務においては、発見された損傷の発生原因の診断が重要です。しかしながら、診断業務においては、高い専門人材が必要であったり、診断者によるバラつき、試料採取分析のコスト問題があります。
本AI技術では、ひび割れなどの損傷情報だけでなく、コンクリートの損傷発生に影響を与える設計、および周辺環境に関する情報も加味した学習データからAIモデルを生成しています。この仕組みにより診断精度を向上させています。

• 橋梁損傷原因のAI診断技術

• 
• 
•