異常検知ナイト
2018/2/14のDeep Learning Lab主催のイベントに参加しました
深層学習の中でも「異常検知」に特化した内容です。
Chainerを使った異常検知入門
ChainerはPreffered Networkが開発した日本製の深層学習フレームワークです。
オープンソースなので気軽に使えますが、
Pythonを使用するのでPython 2.7以上が必要なのと、計算にCUDAを使用するのでNVIDIA製のGPUが必要になるので注意が必要です。
特にGPUはノートPCとかだとコスト的にきつかったりするので、ちょっと触ってみたいだけならAZUREやAWS上でやったほうが安価で済みそうです。
このセクションの内容としては、そもそも異常検知とは何かという話とどんなことに応用が出来るかという紹介ののち、
実際に異常検知アルゴリズムを用いた外れ値検知と、正常データのみを用いたCNNによる異常検知のハンズオンがありました。
CNN（Convolutional Neural Network）とは、機械学習の中で画像分野に用いられる代表的なものです。
設備の異常検とかは、線形回帰の統計情報でしかないのかなというイメージしかなかったのですが、1つの情報だけで異常かどうか判断するのは確かに難しく、複数の要因から判断しなければならない場合には機械学習が必要だなと改めて気づかされました。
余談ですが、Chainerを使って手書きの数字を認識するサンプルがあり、
アセットも簡単に入手できるので比較的学習しやすそうなので、
時間を見つけてやってみようかと思います。
画像異常検知ソリューション gLupe の裏側
こちらは株式会社システム計画研究所のｇLoupeという製品の紹介でした。
部品や製品の検査工程で使用する外観検査に特化したものです。
一番驚いたのは、本来、大量に画像が必要で学習コストが高くなるところを、わずか数十枚程度の正常データのみで学習が済み、検知率も高いということです。
ただし、画像ベースなので、やはり写真の撮影がとても重要になってくるところが注意点のようです。
画像データを用いた異常検知（劣化診断・予知保全）の事例・知見紹介
こちらは株式会社Albertが取り組んでいる事例の紹介のみでした。
当日の資料がアップロードされていなかったので、リンクはないですが、画像から建物の外壁劣化診断の事例や、不正コマンドの検知といった紹介がありました。
最後に、当日の動画アップロードされているので、貼り付けておきます。
※開始47分くらいから本編始まります。
