異常検知とエッジコンピューティング

機械のダウンタイム、機器の欠陥、非効率的なプロセス — これらは長期的にはかなり高価になる可能性があります。そうなると、組織を変革する可能性のある包括的なパターンや傾向を発見する機会をすべて逃してしまいます。企業には、事態が悪化するのを待って、遡及的に行動を起こす余裕はもはやありません。産業企業では、リアルタイムの意思決定と予測的処理に対する継続的なニーズが当たり前になっています。 IoT エッジでの異常検出がどのように役立つかについては、こちらをご覧ください。

各業界は、業務の全体像を把握して効率化ソリューションを推進することを目指して、IoTデバイスからのセンサーデータを活用してデータ内のパターンや外れ値を検出しています。

予測分析に向けたこの世界的な発展の1つの側面は、最近異常検出に焦点が当てられていることです。このような予防傾向の特例として、次のような状況における異常検知があります。 最近のエッジコンピューティングへのシフト。エッジコンピューティングを使用する理由の 1 つは自律性です。このアプローチにより、よりローカルな最適化と即時性が可能になります。

異常検知とエッジコンピューティングの両方が定義され、アプローチされている 局所的に。それらがどのように連携するかを見てみましょう。

アノマリーへのアプローチ方法

異常検知に関連する問題を細分化し、概念に分解し、個別に取り組む方法を理解することで、イノベーションのスピードが向上しました。技術的能力が進化し、問題を局所化してグローバルな解決策を考え出すことができるようになればなるほど、私たちはイノベーションの限界に挑戦し続けています。

エコシステムを考える

この開発の効果の1つは、からのシフトです。 ルール に コンテキスト。異常検出のルールは、システムの根底にある特性を包括的かつ深く理解していることを前提としています。ただし、ルールベースの手法は厳密性が根付いているため、異常検出シナリオでは機能しない場合があります。適切な行動を取るためには、ルールは常に変化していなければなりません。これが、物事がパターン認識ベースの異常検出へと徐々にシフトしている理由です。柔軟性が増します。異常は、その異常が発生する生態系を通してのみ定義できます。その際には、隣接する生物のライフサイクルと行動を時系列で考慮する必要があります。

コンセプトの分解

しかし、繰り返しになりますが、アノマリーの概念そのものに向き合う必要もあります。異常検知の問題に取り組むには、つまり異常検知技術と実行可能な異常検知モデルを開発するには、この一見一枚岩のように見える概念を以下のように分解する必要があります。 実用的 質問。コンセプトの背後にある重要な疑問を抽出すると、ここからどこに進むべきか、どのような異常検出方法を選択するか、どのディープラーニングアルゴリズムを開発するか、どの検出タスクに優先順位を付けるべきかなど、はるかにきめ細かいアイデアが得られます。

従来の定義は、当初の理論的設定よりもはるかに複雑で微妙な現実の断片の一般的なプレースホルダーとして機能します。そこで、最初のステップは、カスタム定義を作成し、その定義がそうであるかどうかを確認することです。 インサイトドリブン。つまり、それが洞察につながる行動につながるかどうかを見極める必要があります。次に、定義を微調整し、それに次元を追加し始めます。

インテリジェントデバイスの時代におけるアノマリーの定義

第二段階は因果関係を確立することです。これは、概念に幅と深みを与えるため、次元性の問題とある程度関係があります。ただし、この段階では、対象範囲や文脈とは別に、過去の情報も考慮し、パターンの歴史的説明を作成します。

• 因果関係: なぜこれが異常なのか?

3つ目の質問は未来志向で、すでに実行可能な計画が提示されています。

• アクション: 私たちはどうするの？

この最後の質問は、残りの質問を要約したものです。繰り返しになりますが、このプロセスで抽出されたコンセプトは、実行可能なものでなければならず、コンテキストに組み込む必要があります。次に、取るべきアクションを定義し、外れ値の検出に最も適した方法論を確立します。

エッジコンピューティングへの移行

IoT エッジでの異常検知 人間の能力を伸ばす 外れ値に対応するため。応答します。 迅速に、次のことを可能にする期間内に 適切な行動、は不可欠です。エッジコンピューティングは、クラウドでの分析よりも高速でありながら、信頼性の高い検出パフォーマンスを確保できるため、提案された方法の一部となっています。

どうやって?エッジコンピューティングとは、コンピューティングプロセスの一部をさまざまな物理的な場所に持ち込むことです。 データ処理を必要な場所に近づける。コンピュータネットワークのエッジで計算能力を利用する主な理由は 2 つあります。1 つは高速であること、もう 1 つは通信の中断を回避するためです。必要な場合 反応時間が速い、コンピューティングはエッジの近くで行う必要があります。

IIoT環境では、最適なIoT設計が不可欠です。つまり、測定された状態の優先順位と重要度に応じて、ストレージと計算リソースを配分する必要があります。

そのためには、IoT コンテキストで扱うデータの抽出ポイントとプロパティを詳しく調べる必要があります。

エッジコンピューティングの最近の進化は、メーカーがより高い自律性と低帯域幅を好むことを明らかに示しています。自律性が高いほど応答時間が短くなるのに対し、帯域幅が低いと、中央制御装置への通信を制限できます。 ローカルで集計を行う。その後、分析結果のみが送信されるため、計算リソースを節約し、情報の損失を回避できます。

データ品質の保護

このアプローチの人気は、データの可用性、品質、サイズがスマートプロダクションにおける主要な課題であり続けていることを示しています。これは何を意味するのでしょうか？まず、高品質のデータ、つまり信頼性が高く、正確で、適切にモデル化された入力データがなければ、機械学習モデルのトレーニングを試みることはできません。次に、分類アルゴリズムをトレーニングするためにはデータにラベルが必要です。3 つ目は、トレーニングデータがさまざまなソースから収集される可能性があることです。そのためには、必要に応じてエッジアプリケーションをデプロイするリモートメカニズムが必要です。

また、大量の未加工データを収集すると、使用できないデータレイクが作成されることがよくあります。フィルタリングされていないデータが継続的にストリーミングされると、ストレージリソースが消費され、新しい ML モデルのトレーニングにデータが必要なモデルにノイズが生じます。ランダムに収集されたビッグデータが、必ずしも知識につながるとは限りません。データを適切に前処理してラベル付けするには、エッジでインテリジェンスを実行する必要があります。私たちに必要なのは スマートローカル IoT 分析。

いくつかの例

エッジデバイスレベルでは、測定およびデータストリーミングプロセスを動作させるには、サンプリング周波数やストリーミング周波数など、最小限のパラメータしか必要ありません。繰り返しになりますが、継続的なストリーミングは膨大な量の IoT データにつながる可能性があります。データストリーミングの優先順位を確認して、データの蓄積を防ぐことをお勧めします。このようなプロセスでは、データの優先順位、つまりリアルタイムデータを一時的にストリーミングしたり保存したりするのかを (できれば自動的かつ適応的に) 決定する必要があります。

自動車工場における折り畳み成形の温度感度を例にとってみましょう。窓やドアが開いていると、繊細な手順の精度が変わり、ひいては製品の品質が変わる可能性があります。ただし、工場内のすべての窓やドアの状態をいつでもストリーミングするべきではありません。このような変化は、必要に応じて現地の保守装置から報告され、アルゴリズムによって検出されます。もう 1 つの例は、走行中の車のサウンドスニペットによる鳴き声検出です。ここでは、エッジデバイス上でニューラルネットワークモデルを実行してデータを分類し、関連するラベル付きデータのみをデータベースに送信できます。これにより、時間とリソースを節約できます。

‍