非集中学習技術「Decentralized X」

現状のAI学習における課題

様々な領域でAIの導入が始まっていますが、AIの性能を求めるレベルにまで高めるために必要な質と量のデータを、いかに準備するかが課題となっています。

課題1.現場にデータが偏在している
課題2.現場のデータ集約が困難

非集中学習技術「Decentralized X」

超分散・多様な現場のモデル統合する技術

データの代わりにモデルを集約し、統合することでより賢いモデルをつくります。全てのデータを集約して機械学習を行った場合と同等性能のAIを開発できます。

DcXイメージ3

「Decentralized X」の特長~類似学習技術との違い~

類似の学習手法と異なり、クライアントが独自にモデルとデータを保持して、サーバがモデル統合をすることでモデルの性能が向上します。

DcXイメージ4
※Google. 2017年5月17日『フェデレーション ラーニング:集中トレーニング データを使用しない協調機械学習』

製造業での活用
~外観検査における初見欠陥検出~

製造業における外観検査において欠陥の検出にAIの活用が進んでいます。
しかし、欠陥を検出するAIをつくるためには、欠陥品の学習用のデータが必要になりますが、欠陥品の発生を待たなくてはいけないことや、そのデータの数が少ないことで学習用データを集めることが困難です。また、そのデータは企業秘密であるため共有することも難しいのが現状です。

「Decentralized X」では、各現場で構築した欠陥検出の機械学習モデルを共有し統合することで、様々な欠陥に対応できるAIをつくることができます。そのため、その現場ではそれまでに発生していなかった欠陥の検出も可能になります。

DcXイメージ5