JP7216501B2 - エッジサーバおよびエッジサーバにおけるai学習モデル生成・運用方法 - Google Patents
エッジサーバおよびエッジサーバにおけるai学習モデル生成・運用方法 Download PDFInfo
- Publication number
- JP7216501B2 JP7216501B2 JP2018159152A JP2018159152A JP7216501B2 JP 7216501 B2 JP7216501 B2 JP 7216501B2 JP 2018159152 A JP2018159152 A JP 2018159152A JP 2018159152 A JP2018159152 A JP 2018159152A JP 7216501 B2 JP7216501 B2 JP 7216501B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- learning model
- version
- old
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Stored Programmes (AREA)
Description
その反面、学習対象機器に取り付けた各種センサのセンサデータを直接クラウド側に集めて分析し、クラウド側から学習対象機器にて必要とする分析結果を取得するまでに通信の遅延が起こり、学習対象機器の不調に即応できないという課題がある。
一般的に学習対象機器で何かアクションを起こしてからその結果を得るまでに、例えば、数百ミリ秒、多い場合は数秒が必要とされている。複雑な処理が必要なサービスであっても、そうした遅延が許されないケースもあり得る。
すなわち、クラウドよりもっと、学習対象機器に近い場所(工場やビルなど)にサーバなどのコンピュータ(エッジサーバ)を配置し、必要な処理を施し、その場で制御を学習対象機器にフィードバックし、処理後のデータはクラウド側の上位のシステムに渡して、長期分析にかけ、上述した遅延の課題を是正する技術である。
しかし、クラウドなどを通じて機械学習した学習結果に基づく学習モデルの新バージョンをダウンロードした場合、当該ダウンロードした学習モデルの新バージョンが、必ずしも工場やビルなどに設置された学習対象機器にとって最も適したものとは言い切れない。その理由は、工場やビルなどの環境の違いにある。つまり、工場やビルなどは、それぞれ、特有な環境があり、環境の異なる工場やビルなどに設置される学習対象機器も、その環境に応じた学習モデルに沿った適切な制御が望ましい。
例えば、クラウド側のAI装置とエッジ側の学習対象機器との間における通信の遅延問題が解消できるとともに、学習対象機器のダウンタイムを短縮でき、効率的な保守管理が可能となり、運用コストの低減が図れる技術を提供することを目的とする。
上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。
インターフェース装置、記憶装置、演算装置を備え、
前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
前記記憶装置は、
前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
前記演算装置は、
前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御部、
前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれAI学習し、新旧学習データを生成するAI学習部、
前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較部、
前記比較部により比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定部、
を含み、
前記バージョン決定部にて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
ことを特徴とする。
上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。
そして、エッジサーバ11は、ネットワーク3(ブラウザ)を通じてクラウド2側にアクセスし、クラウド2側において学習した学習モデルをダウンロードし、ダウンロードした学習モデルを利用して、工場やビルなどのエッジ1側に設置された学習対象機器12における、例えば、リレー回路の代替装置として開発された制御装置であるPLC(プログラマブルロジックコントローラ: programmable logic controller)を制御する。PLCは、工場などの自動機械の制御に使われるほか、エレベータ、空調機、画像解析機など、身近な機械の制御にも使用されている。
学習モデルの新バージョンの比較対象データは、条件パラメータ、例えば、スピードを優先するパラメータに応じて変わる。
y=((x×w1)×w2)×w3)+a+α…
但し、aは、センサデータに重み(w1,w2,w3…)とは別に影響する環境要因(バイアス)
αは、誤差を最小化するための重み(w1,w2,w3…)の影響度を調整する誤差伝播値
すなわち、クラウド側の学習のみにあっては、製造現場では設備や製造工程に関するさまざまな情報が混在する現場の環境実態にあった十分な制御とは言えない。クラウド側の学習に加え、エッジ側において、多様な情報が混在した現場データを学習することにより、多様な情報が混在した製造現場における早期の品質改善や生産性向上に貢献することができる。
ステップS30:エッジサーバ11は、処理を開始する。
11 学習対象機器
111 IF装置
1111 学習モデル受信部
112 記憶装置
1121 学習モデル記憶部
1122 教師データ記憶部
114 演算装置(CPU)
1141 学習モデル稼働制御部
1142 学習モデル比較部
1143 学習モデル決定部
2 クラウド
3 ネットワーク
Claims (6)
- エッジ側の学習対象機器に取り付けられたセンサのセンサデータをAI学習した学習モデルをクラウド側からダウンロードして前記エッジ側にフィードバックし、前記学習モデルを前記学習対象機器に適用する機能を有するエッジサーバにおいて、
インターフェース装置、記憶装置、演算装置を備え、
前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
前記記憶装置は、
前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
前記演算装置は、
前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御部、
前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれAI学習し、新旧学習データを生成するAI学習部、
前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較部、
前記比較部により比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定部、
を含み、
前記バージョン決定部にて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
ことを特徴とするエッジサーバ。 - エッジ側の学習対象機器に取り付けられセンサデータから前記学習対象機器の状態を示す変数を用いて、前記学習対象機器を制御する学習モデルを生成するクラウドから前記学習モデルをダウンロードし、
学習対象機器を備えたエッジ側に配置され、前記学習対象機器の状態を示すセンサデータを機械学習して生成した学習モデルをクラウド側からダウンロードし、前記学習モデルにて前記エッジ側の学習対象機器を制御するエッジサーバにおいて、
新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してAI学習し、新学習データと旧学習データを生成するAI学習部、
前記AI学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データ、また前記AI学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較・検証部、
前記比較・検証部における比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定する学習モデル決定部、
を含む演算装置を設け、
前記学習モデル決定部にて決定された前記学習モデルの新バージョン、旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
ことを特徴とするエッジサーバ。 - エッジ側の学習対象機器におけるセンサデータを元にAI学習した学習モデルをクラウド側からダウンロードするインターフェース装置、前記学習モデルを記憶する記憶装置および演算装置を備えたエッジサーバにおいて、
前記演算装置は、
新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してAI学習し、新学習データと旧学習データを生成するAI学習部を含み、
前記AI学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データを比較・検証し、また前記AI学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証し、
前記比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定し、
決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
ことを特徴とするエッジサーバ。 - 学習対象機器を備えたエッジ側に配置され、前記学習対象機器の状態を示すセンサデータを機械学習して生成した学習モデルをクラウド側からダウンロードし、前記学習モデルにて前記学習対象機器を制御するエッジサーバにおいて、
新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してAI学習し、新学習データと旧学習データを生成するAI学習部、
前記AI学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データ、また前記AI学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較・検証部、
前記比較・検証部における比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定する学習モデル決定部、
を含む演算装置を備え、
前記学習モデル決定部にて決定された前記学習モデルの新バージョン、旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
ことを特徴とするエッジサーバ。 - エッジ側の学習対象機器に取り付けられたセンサのセンサデータをAI学習した学習モデルをクラウド側からダウンロードして前記エッジ側にフィードバックし、前記学習対象機器に適用する機能を有するエッジサーバにおけるAI学習モデル生成方法において、
前記エッジサーバは、
インターフェース装置、記憶装置、演算装置を備え、
前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
前記記憶装置は、
前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
前記演算装置は、
前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御ステップ、
前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれAI学習し、新旧学習データを生成するAI学習ステップ、
前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した教師データを比較・検証する比較ステップ、
前記比較ステップにより比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定ステップ、
を含み、
前記バージョン決定ステップにて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
ことを特徴とするエッジサーバにおけるAI学習モデル生成・運用方法。 - エッジ側の学習対象機器におけるセンサデータを元にAI学習した学習モデルをクラウド側からダウンロードするインターフェース装置、前記学習モデルを記憶する記憶装置および演算装置を備えたエッジサーバにおけるAI学習モデル生成方法において、
前記演算装置は、
新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してAI学習し、新学習データと旧学習データを生成するAI学習ステップ、
前記AI学習ステップにおける新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データを比較・検証し、また前記AI学習ステップにおける旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較ステップ、
前記比較ステップにより比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定するバージョン決定ステップ、
を含み、
前記バージョン決定ステップにて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
ことを特徴とするエッジサーバにおけるAI学習モデル生成・運用方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018023650 | 2018-02-14 | ||
JP2018023650 | 2018-02-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019139734A JP2019139734A (ja) | 2019-08-22 |
JP7216501B2 true JP7216501B2 (ja) | 2023-02-01 |
Family
ID=67694139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018159152A Active JP7216501B2 (ja) | 2018-02-14 | 2018-08-28 | エッジサーバおよびエッジサーバにおけるai学習モデル生成・運用方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7216501B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210117859A1 (en) * | 2019-10-20 | 2021-04-22 | Nvidia Corporation | Live updating of machine learning models |
KR102499215B1 (ko) * | 2020-11-30 | 2023-02-13 | 라온피플 주식회사 | 딥러닝 지원 디바이스 및 딥러닝 지원 방법 |
JP7480080B2 (ja) | 2021-02-22 | 2024-05-09 | 株式会社日本製鋼所 | 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358098A1 (en) | 2015-06-04 | 2016-12-08 | International Business Machines Corporation | Versioning of Trained Models Used To Deliver Cognitive Services |
US20170032279A1 (en) | 2015-07-31 | 2017-02-02 | Acuity Solutions Corporation | System and method for in-situ classifier retraining for malware identification and model heterogeneity |
US20170060574A1 (en) | 2015-08-27 | 2017-03-02 | FogHorn Systems, Inc. | Edge Intelligence Platform, and Internet of Things Sensor Streams System |
-
2018
- 2018-08-28 JP JP2018159152A patent/JP7216501B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358098A1 (en) | 2015-06-04 | 2016-12-08 | International Business Machines Corporation | Versioning of Trained Models Used To Deliver Cognitive Services |
US20170032279A1 (en) | 2015-07-31 | 2017-02-02 | Acuity Solutions Corporation | System and method for in-situ classifier retraining for malware identification and model heterogeneity |
US20170060574A1 (en) | 2015-08-27 | 2017-03-02 | FogHorn Systems, Inc. | Edge Intelligence Platform, and Internet of Things Sensor Streams System |
Also Published As
Publication number | Publication date |
---|---|
JP2019139734A (ja) | 2019-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7216501B2 (ja) | エッジサーバおよびエッジサーバにおけるai学習モデル生成・運用方法 | |
CN101196740B (zh) | 集成于过程控制网络的分析服务器 | |
CN106990759B (zh) | 用于使用云计算技术来布置工业工厂仿真器的方法和装置 | |
JP7078170B2 (ja) | 産業用pcデバイス及び産業用pcデバイスの動作方法 | |
US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
JP6521578B2 (ja) | プロセス制御システムにおける非侵入的データ分析 | |
US7558638B2 (en) | Applying real-time control to a production system | |
JP6722309B2 (ja) | 検証用注釈処理作業を用いた実施用注釈処理作業の検証方法及び装置 | |
JP2002091506A (ja) | 多入力/多出力論理装置及び該多入力/多出力論理装置を使用してプロセスを制御する方法 | |
US20190036594A1 (en) | Radio repeater selection apparatus and machine learning device | |
KR20210068378A (ko) | 빅 데이터를 활용한 스마트공장 제조공정 제어시스템. | |
US20180148069A1 (en) | Validating and computing stability limits of human-in-the-loop adaptive control systems | |
Ferdowsi et al. | Decentralized fault tolerant control of a class of nonlinear interconnected systems | |
JP2019510310A (ja) | 制御モデルに基づいて技術システムを制御するための方法および装置 | |
US20180157247A1 (en) | Apparatus and method for performing process simulations for embedded multivariable predictive controllers in industrial process control and automation systems | |
Bayan et al. | Automatic stress and load testing for embedded systems | |
JP7065969B2 (ja) | 実生産プロセスを制御するための方法および制御システム | |
CN112198792B (zh) | 工业流程的人性化的自动化控制 | |
US11402419B2 (en) | Method and system for real time outlier detection and product re-binning | |
Wu et al. | The applicability of adaptive control theory to QoS design: limitations and solutions | |
Ruiz et al. | A Robotic Control System Using Robot Operating System and MATLAB for Sensor Fusion and Human-Robot Interaction | |
Bansal et al. | Application of a real-time predictive maintenance system to a production machine system | |
Zermane et al. | Fuzzy control of an industrial process system using internet and web services | |
US20230237353A1 (en) | Machine Learning Based Predictive P-F Curve Maintenance Optimization Platform and Associated Method | |
US20220161381A1 (en) | Stability boundary and optimal stable parameter identification in machining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210728 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220711 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220913 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230120 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7216501 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |