異常の見逃しを抑制できる

目視によるチェック作業には、見間違いや見落としなどの課題があります。経験や体調によって精度に差が生じるほか、同じ技量を持つ作業者であっても、作業の精度にバラつきが出る場合も少なくありません。
一方、異常検知システムは、プログラムに従って検知を行うため、人的ミスの防止に効果を発揮します。従来の上下限アラートでは気づけなかった異常も検知できるため、製品の品質向上やトラブルの防止にもつながります。
異常検知システムの導入により、これまで困難であったヒューマンエラーの抑制を実現できます。

人件費を削減できる

目視チェックでは、ミスを防ぐためにダブルチェックが必要となる場合があり、人材確保のため人件費が増加するという課題がありました。
一方、異常検知システムを導入すれば、システムがチェック作業の一部を代行するため、大幅な人件費削減が期待できます。さらに、システムを利用すると24時間稼働を実現できるため、人手が必要だった夜間業務も自動化でき、深夜手当などの人件費削減にも効果が期待できます。
異常検知システムは、人件費削減という課題を解決する有効な手段と言えます。

ベテラン従業員の技術継承ができる

人手不足と高齢化が深刻化する製造業において、ベテラン従業員が持つ感覚的なスキルや経験の継承が喫緊の課題となっています。しかし、従来のOJTを中心としたスキル継承では、時間と労力がかかり、属人化による品質バラつきや継承漏れのリスクも伴います。
そこで、異常検知システムによるスキル継承の支援が注目されています。機械学習を活用することで、ベテラン従業員の豊富な経験や知識を形式値化しシステムに蓄積する事で、若手従業員でも容易に習得できる高精度なチェック技術を提供します。
これにより、ベテラン従業員の技術継承が可能になります。

コア業務にリソースを集中できる

異常検知システムを導入することで、これまで人が担当していたチェック作業を自動化できます。これにより、従業員はこれまでチェック作業に費やしていた時間を有効活用でき、本来の業務に集中できるようになります。チェック作業から解放された従業員は、人間でなければできない判断や分析が必要なコア業務、創造性や問題解決能力を活かした業務に集中できるようになります。
高度な業務に注力できることで、より高品質なサービスや製品の提供が可能になります。
異常検知システムの導入は業務の効率化だけではなく、企業全体の生産性向上に影響を与える重要な要素と言えます。

教師あり学習

教師あり学習は、正解ラベル（正常/異常）が付けられたデータを用いてAIに学習させる手法です。具体的には「学習」と「判定」の2つのプロセスで構成されます。
学習プロセスでは、大量の正解ラベル付きデータをAIにインプットすることで、正解のないデータでも正常か異常かを判別できるように学習させます。
判定プロセスでは、学習プロセスの完了後に学習済みのモデルを使って、検査対象の製品を正常か異常がないか判定します。
教師あり学習は、さまざまな種類のデータに適用でき高い精度で異常を検知できる反面、ラベル付けされたデータの質が学習結果に大きく影響します。大量のデータに正確にラベル付けする必要があり、そのための時間とコストが必要になります。
検出したい異常状態が明確かつ十分な正解データ（正常・異常それぞれ）が準備できる場合、教師あり学習が有効です。

教師なし学習

教師なし学習は、異常時のデータを用いずに学習を行う手法です。教師なし学習では、ラベル付けを行わずに過去の正常データから正常時のパターンを導き出し、異常データと正常データを判別します。
教師なし学習の特徴は、学習に異常データが不要で、正常データのみで学習できる事です。検査対象のデータに対し、正常時のパターンからの距離（異常度）を算出する事ができます。異常データが少ない製造業にマッチした手法です。

半教師あり学習

半教師あり学習は、教師あり学習と教師なし学習の特徴を組み合わせた機械学習手法です。少量のラベル付きデータと大量のラベルなしデータを用いて、ラベルなしデータに付けるラベルを予測します。
ラベルなしデータが少ない場合、十分な学習が行われない可能性があります。ラベルなしデータを追加することで、学習を補完できます。
ラベル付きデータが少ない場合、半教師あり学習が有効です。

ホテリング理論

ホテリング理論は、統計学に基づいた異常値検出手法です。観測データに基づいて統計量を計算し、異常値かどうかを判断する仕組みです。データの分布が正規分布に従うと仮定します。
ホテリング理論は、使用するデータが正規分布に従う場合に使用できます。正規分布に従わない場合は、対数変換などの前処理が必要となります。
ホテリング理論は、製造業以外でも、金融取引の不正検知、ネットワークセキュリティ、インフラ監視など、さまざまな分野で広く活用されています。

k近傍法（k-NN）

k近傍法とは、教師あり学習の一種であり、判別しようとしているデータと既存データとの距離をもとに、そのデータのグループを推測する手法です。
k近傍法の学習は、大量のデータをグループ分けします。そして、未知のデータに対し、距離が近いｋ個の既知データによって、どのグループに属するかを判別します。
k近傍法は計算量が少ない、パラメータ調整が容易、解釈しやすいといった利点を持つ、シンプルな機械学習アルゴリズムです。

単純ベイズ法（ナイーブベイズ）

単純ベイズ法は、あるデータがどのカテゴリーに属するかを確率に基づいて判断する機械学習手法です。この手法は、各グループに属する確率を計算し、最も高い確率を持つグループにデータを分類します。
単純ベイズ法は、計算量が少ないシンプルなアルゴリズムであり、ベイズの定理に基づいて分類を行います。各属性は互いに独立しているという仮定に基づいており、この仮定が成り立たない場合は精度が低下する可能性があります。

局所外れ値因子法（LOF法）

局所外れ値因子法（LOF法）とは、データ集合から外れた値を見つけ出す検知アルゴリズムです。この手法は2000年に発表され、現在でも高い検知性能とシンプルな実装で評価されています。
LOF法の特徴は、空間におけるデータ点の密度に着目することです。具体的には、ある点から最も距離が近いk個の点とどれくらい密になっているか」を示す指標である「局所密度」を用います。
局所密度とは他のデータとどれだけ距離が近いかを示すもので、高いほど正常と判断されます。対象データの距離が他のデータと遠い場合は、他のデータ点から孤立しているため異常と判断され、局所密度は低くなります。このように、局所密度に基づき異常度を算出するのがLOF法の主な特徴です。

正常データのみを利用してシステム構築

従来の教師あり学習モデルによるAI異常検知では、システムが正常に動作する状態と異常を表すラベル付きデータを用意する必要があります。しかし、異常データが不足していたり、新たな異常パターンが出現した場合には、教師あり学習モデルでは十分な学習が困難となり精度低下につながります。
SAILESSは教師なし学習モデルを採用しており、正常データのみを学習することで異常を検知するシステムです。最適なアルゴリズムを用いて「異常度」を算出し、異常をリアルタイムで検知します。

未経験トラブルも予兆検知

SAILESSは正常稼働時のデータから外れ値を分析し「異常度」を算出するため、従来の経験則や過去のデータに基づいた判断では発見できなかった未知のトラブルの予兆も検知できます。未知の問題や突発的なトラブルの早期発見を可能にし、重大な問題への発展を防ぐことにつながります。
予兆検知能力は、設備の効率的な運用とメンテナンスを実現するために非常に重要です。SAILESSによる異常検知システムは、未知のトラブルにも迅速に対応できるため、製造ラインの安定稼働と生産性の向上を実現します。

ユーザーによる運用・横展開が可能

SAILESSは導入した異常検知モデルの調整や、類似機器への横展開を容易にする機能を提供しています。
システム導入後も設備は経年劣化などにより変化するため、正常データも変化します。高精度な異常検知を維持するためには、モデルの調整が重要です。SAILESSでは、ユーザーが簡単にモデルを更新できる仕組みを用意しています。
また、類似機器への横展開においても、最初の学習モデルをそのまま利用できます。そのため、データ解析の専門知識がなくても、ユーザー自身が異常検知システムを構築・運用でき、横展開の費用を抑えられます。

ステップ1：ヒアリング

お客様の課題や検知したい異常を十分にヒアリングします。また、活用するデータの概要を確認し、試用モデルやスケジュール、費用感も含めたPoCの内容を提案します。

ステップ2：PoC（事前検証）

データ分析を通じて、お客様の課題や環境に最適な機能を選択しシステムを試作・運用し、結果検証を実施します。事前に検知精度や導入効果を確認できるので安心です。

ステップ3：カスタマイズ・チューニング

PoCの結果を受けて、前処理などのカスタマイズを実施します。

ステップ4：導入

Q. AIによる異常検知とは何ですか？

A.異常検知とは、過去のデータと比較して「異常」な値やパターンを見つける技術です。
以下の3つのステップで実行されます。

1. 1．データ収集・前処理：対象となるデータを集め、分析に適した形式に変換します。
2. 2．モデル構築：過去のデータから正常な状態のパターンを学習し、異常検知モデルを構築します。
3. 3．異常検知：新しいデータを入力し、モデルが学習したパターンと比較して異常かどうかを判断します。

AIによる異常検知―機械学習では、上記の手順を自動化し、より高度な異常検知を実現します。これにより、未知の問題や予期せぬトラブルを早期に検出し、対応できるようになります。

Q. 異常検知の種類にはどのようなものがありますか？

A.異常検知には、外れ値検出・変化点検出・異常部位検出の3種類があります。
検出できる異常の対象は、それぞれ下記のとおりです。

例えば、外れ値検出は異常音の検出、変化点検出は急激なデータ増減の検出、異常部位検出では機械のわずかな温度上昇などの検出に適しています。