「AI性能20倍」新GPUでつ♪

画像処理半導体（GPU）「A100」を発表。
人工知能の学習や推論において、従来の「Volta（ボルタ）」世代のGPUに比べて20倍の性能を備えるでつ。

演算処理性能は、例えばFP32（単精度浮動小数点演算）による学習で312テラ（テラは1兆）FLOPS（1秒当たり浮動小数点演算回数）、
INT8（8ビット整数演算）による推論で1248テラOPS（1秒当たり演算回数）に達するでつ。
今回、同GPUを利用したスーパーコンピューターや同コンピューターで構成したクラスターも併せて発表。

A100では、「Ampere（アンペア）」と呼ぶ新しいGPUアーキテクチャーを採用。
A100のトランジスター数は54億で、台湾積体電路製造（TSMC）の7ナノ（ナノは10億分の1）メートル世代の製造プロセスで作製。

GPUのダイ（半導体本体）サイズは826平方ミリメートルで、同世代のプロセッサーとして「業界最大」。
GPU間を接続するインターコネクトに毎秒600ギガバイトの「NVLink」を、メモリーに韓国サムスン電子の
40ギガバイトの「HBM2」を採用。

A100を8個利用した新しいスーパーコンピューター（サーバー）が「DGX A100」。
演算処理性能はINT8で10ペタ（ペタは1000兆）OPS、FP16（半精度浮動小数点演算）で5ペタFLOPSに達するでつ。

GPU間をつなぐスイッチチップ「NVSwitch」を6個採用し、双方向通信の帯域幅は毎秒4.8テラバイト。
ネットワークカード製品で毎秒200ギガビットの「ConnectX-6 VPI」を9枚備えるでつ。

CPUには、米アドバンスト・マイクロ・デバイス（AMD）の「第2世代EPYC」（開発コード名:「Rome（ローマ）」）を採用。
ストレージとして15テラバイトのソリッド・ステート・ドライブ（SSD）を備える。DGX A100の価格は19万9000ドル。

DGX A100を140基使用した次世代クラスター（複数のコンピューターを結合したシステム）「DGX SuperPOD」も発表。
演算処理性能は700ペタFLOPSに達するでつ。

DGX A100でAIデータセンターのランニングコストを従来に比べて大幅に削減できるでつ。

例えば、学習に向けたエヌビディアの従来サーバー「DGX-1」50台と、推論に向けたCPUシステム600台で構成する
データセンターを、5台のDGX A100に置き換えられるでつ。

これにより、大幅な省スペース化と消費電力の削減が可能。
具体的には、ラック数が25で、消費電力630キロワットだったものを、1ラック、28キロワットにできるでつ。

人工知能用のＣＰＵもさらに機能が向上するでつなぁ～

健康管理できるAIディスプレー

健康管理システムと人工知能（AI）を搭載したディスプレー「AI.Inada.Mirror」を3月上旬に発売されるでつ。

今回、INADA MEDICAL AIクラウドを発展させて、AI.Inada.Mirrorを開発。

リモコンなどで頭痛や不眠などの症状を入力すると、症状に合わせて「群発頭痛の可能性があります。頭痛があるときは
アルコールを控え、入浴はシャワーで済ませるなどして、専門機関へ相談することをおすすめします」といったアドバイスを
ディスプレーに表示。

医薬品を提案された場合は、その場で購入することも可。

こういうのがあるとちょっとした怪しげな表情とかで何かわかると
何科へ行けばいいもわかるし、緊急性なのかもわかっていいかもでつなぁ～
ＡＩは、そういう機能があるととても便利でつなぁ～

ごみ焼却炉の自動運転率を劇的に改善 AIでごみ認識

ごみ焼却炉の自動運転を人工知能（AI）で推進するでつ。
意外な用途でAIの社会実装を進めるでつ。
ごみ焼却施設におけるAI活用システムは、荏原環境プラントと共同で開発。

AIを活用し、ピットと呼ぶ集積所からごみを焼却炉に投入するクレーンの
自動運転を目指したでつ。

ごみ焼却施設では、安定した状態でごみを焼却する必要があるでつ。
そのために、焼却炉への投入に適したごみの選別という事前作業が必要。

具体的には、燃焼や機器に悪影響を及ぼすごみの識別、投入に適さない破れていない
ごみ袋の識別といったもの。

従来のクレーン自動運転では投入するごみの「質」の変動が大きいため安定燃焼ができず、
人間の目で24時間監視することが必要ごみの種類の識別、破れていないごみ袋の識別といった
作業をAIに肩代わりさせる共同研究を始めたでつ。

ピット内に設置したカメラで撮影したごみの映像をディープラーニングによるモデルで解析し、
ごみの種類や破れていないごみ袋を見分けるAI活用システムを開発。

このシステムの実証実験では、汚泥や剪定枝、ごみ袋などのゴミの種類を識別できるほか、
50メートルプールほどの大きさのピット内にある破れていないごみ袋を検知できることが
確認できたでつ。

人の目に代わる「ごみ識別AI」の完成。
すでにごみ識別AIを活用した自動クレーンシステムの運用を開始。
その効果は大きいでつ。

運転員の目による監視を必要としない自動運転時間は、従来のクレーン自動運転では全体の16%。
ごみ識別AIを活用した自動クレーンシステムでは89%にまで引き上げることができたでつ。

ディープラーニングの適用の仕方などについて、プラントと綿密なディスカッションを重ねて、
ピクセル単位でごみの質を認識できるようになったでつ。

ごみ焼却施設の自動運転の実現は労働人口減少といった社会課題の解決につながるでつ。
AIの社会実装を推進していくでつ。
これまでもAIのビジネス現場への実装に取り組んできたでつ。

その1つがAIによる白黒映像の自動カラー化。
このソリューションはすでにテレビ放送で使われた実績があるでつ。

また、製造現場における高解像異常検知、衛星データ解析といった分野にも取り組んでいるでつ。
異常検知では検品時のカメラ画像から細かい傷やゆがみなどを検出し、不良品を判定。

衛星レーダー画像の解析では、海上を撮影したレーダー画像からオイル流出エリアを
特定できるようにするでつ。

いずれも不良品やオイル流出は事例が少なく、学習データを多く集められないでつ。

技術とノウハウを活用して、少ない学習データから高い精度で特定できるAIを
開発しているでつ。

例えば不良品の特定では、「多くの不良品の画像を集めてディープラーニングで学習する」という
考え方を逆手に取って、「大量にある良品の画像からディープラーニングで『良品』の特徴を学び、
良品には存在しない傷やゆがみを検出する」という手法を用いているでつ。

この発想により、定義していない未知の不良も見つけることができるようになったでつ。

事業展開を加速する考え。

1つ目は「事業の強化とソリューション提供の加速化」で、AIを活用した用途特化型のソリューションを
製造業中心に提供するほか、AIと相性が良い事業領域への展開も見据えるでつ。

2つ目は「研究開発対象と環境の拡充」。
光学カメラ以外の赤外データや3Dモデルのデータ、時系列データなど、多様なデータの解析技術の獲得を目指すでつ。

3つ目は「優秀な人材の活用」で、採用強化、就業環境の整備などを見込むでつ。
AIを技術として磨くだけでなく、実際の世の中に役立つソリューションへと落とし込むための基盤を、
第三者割当増資によって一層固めていくでつ。

ごみ処理のＡＩ投入は、危険な作業も避けられるし、効率もよくなるでつなぁ～

AIブームと言えば、ファジィ理論はどうなったのかなぁ～

平成の初めに、人工知能ブームがあったでつが、その時に流行ったのが
ファジィ制御とかファジィ理論だったでつなぁ～

ファジィとは「曖昧（あいまい）」という意味。
人間の感覚的な部分、例えば温度を表現する場合、「ちょうどよい」「なんとなく」など明確な数値が難しい曖昧なものを
表現する理論でつ。

通常、1か0で表わすものを、0.7や0.3など中間の値で表わすことで、曖昧さを表現するのでつ。

概念を表現する際に数値を用いる表現と数値を用いない表現があるでつ。

数値を用いる表現 = 境界のはっきりした概念→クリスプ概念
数値を用いない表現 = 境界がぼんやりとはっきりしない→ファジィ概念
ファジィ(fuzzy)という言葉は1965年にザデー教授が提唱した「ファジィ集合論」に基づく特徴があるでつ。

メンバーシップ関数
ファジィ理論は主観なので、背の高い人の基準を決めるとき100人に聞いて平均値を出す統計(客観的)に出すことは間違っているでつ。
では、メンバーシップ関数をどう決めれば良いのでつ。

現在のところ与えられたファジィ概念を表すメンバーシップ関数を決定する一般的な方法はないでつ。

メンバーシップ関数に標準的なメンバーシップ関数というものはないでつ。
メンバーシップのグレードが何かの何かに対数割合を表しているのではないでつ。

メンバーシップのグレードが基本的には個人主観によって決まるでつ。
2.1.の解決は個人的主観に基づく信念や確信の度合いをグレード値として出すでつ。
これにより大小比較が可能になるでつ。

2.2.の解決は主観の背後には一種の客観性、共通性が存在するでつ。
よって、ファジィ概念は主観と客観の両方によって決まるでつ。

ファジィ概念 = 客観的部分 + 主観的部分

客観性と主観性の比重は一定ではない
客観性が強い→「背が高い」「年老いている」物理的尺度を持つ
　　　　　　　「美人」物理的尺度を持たない
主観性が強い→「美味しい」「好き」物理的尺度を持たない

ファジィ数とは
大学や企業は入学試験や入社試験の際に募集人数を公表する
募集要項に３０人募集と書いてある場合
大学の場合はちょうど３０人を合格・入学させる予定であることを意味する
企業の場合は、必ずしも３０人ちょうどとは限らない
気に入った受験生が多ければ予定よりオーバー、気に入った受験生が少なければ予定より少ないかもしれない
こういったときのだいたい３０ぐらいや約３０をファジィ数というでつ。

ファジィ数の計算
クリスプの世界とファジィの世界では四則演算のルールが少し違う

ヒューマンインターフェース
人間が、より簡単にコンピュータなどの装置を操作できるようにするための研究

その典型が倒立振子でつなぁ～

日本の世界に先駆ける技術としてロボット工学が上げられるでつ。

愛知万博では様々なロボットがその技術の発展をありありと見せていでつ。
そのロボット技術を支えているものの一つが自動制御。

この実験では，アームの先端に取り付けた振子を，ファジィ制御を用いて，振り上げから倒立支持までを制御することによって，
コンピュータによる倒立振子の自動制御と高精度な制御のためのチューニングを自分で行い習得することを目的。

原理
ファジィ理論
　ファジィ理論とはファジィ集合論，ファジィ測度論，ファジィ論理またはファジィ推論の総称。

一般的にはファジィ理論は1965年Lotfi A. Zadeh教授により提案されたファジィ集合論をさしているでつ。
ファジィ集合論とは通常の集合にあいまいさを持たせて集合の機能を拡張する形で扱おうとするもの。

ある集合，たとえば学科の学生を全体集合Xとすると見た目で「背が高い人」を明確な区切りを持って部分集合で分けることは
難しいでつ。

このあいまいな集合を扱うのがファジィ集合。

この理論が今のAIにどこまで浸透してるのかなぁ～

ポスト京」、人工データ大量生成 GAFAに対抗

次世代の国産スーパーコンピューターの計画が動き出すでつ。
8月に運用を終える国産スパコン「京（けい）」の後継機で、2019年度から設置に着手して21年度にも運用を始めるでつ。
大量のデータを活用する経済活動が活発になるなか、スパコンで人工的なデータを無尽蔵に生み出して画期的な新薬や革新的な生産技術の開発につなげるでつ。

官民で約1300億円を投じて、先行する米中を追うでつ。
スパコン「京」は理化学研究所が神戸市で12年に運用を始めたでつ。

計算速度は当時世界一だったでつが、その後、中国製などに抜かれたでつ。
次世代機は「ポスト京」と呼ばれ、開発は理研と富士通が担当。
国策スパコンが約10年ぶりに代替わりするでつ。

ポスト京は計算機で実験などを再現するコンピューターシミュレーションの計算速度が京の100倍に達し、材料開発や自然現象の解析などを進める「計算科学」の中核を担うでつ。
ビッグデータ解析や人工知能（AI）を組み合わせて「データ科学」を超えた新しい分野も開拓するでつ。
高性能計算で『人工データ』を無尽につくれる」と強調。

人工データは、シミュレーション技術によって実際には存在しない仮想的なデータを新たに作り出すでつ。
通常は現実の実験データなどを大量に集めて分析するでつが、「ポスト京によるシミュレーションは今までにないデータを生成できる強力なツールになる」と
ポスト京の開発を語るでつ。

人工データで大量に仮想的なデータを生み出してAIで学習・分析すれば、従来にない新しい知見が得られるでつ。
米国のアップルやグーグルなど「GAFA」によるデータの独占が問題視されるなか、人工データは有力な対抗手段にもなりうるでつ。

期待される分野の一つが薬の開発。
がんなどの治療で標的となるたんぱく質に結合する候補物質を見つける場合、京では1週間に数百個の物質を調べるのが限界だったでつが、
ポスト京なら数万個に増え、研究速度は100倍に高まるでつ。
機能性の高い材料開発でも威力を発揮するでつ。

大量のデータを得られにくい自然災害の研究でも期待されるでつ。
地震は発生頻度が低く、事前の予測につながるデータが少ないでつ。
ポスト京で巨大地震を人為的に再現して震源となるプレート（岩板）の状態や断層のずれなどのデータを生み出せば、予測の精度の向上にもつながるでつ。

大勢の人の流れを分析し、混雑回避や避難の誘導などにも役立つでつ。
産業競争力の向上への貢献も重要な役割だ。自動車や飛行機の開発で実機を使った試験などを代替でき、開発期間やコストを大幅に減らせるでつ。

世界一奪還へ　「使い勝手」がカギは、スーパーコンピューターを巡る開発競争は世界で熱を帯びているでつ。
IT（情報技術）の進化に伴って人工知能（AI）とビッグデータが融合し高速計算機の需要が高まっているから。
データを活用した情報技術は製造業や流通業など幅広い分野で競争力を左右するでつ。

現在世界のスパコンランキングは米中が上位を独占しているでつ。
ポスト京が計画通りの性能を実現すれば、日本が首位に返り咲く可能性もあるでつ。
　
スパコンは高速化する半面、多様化も進むでつ。
米グーグルなどもAIに特化したスパコンの開発に力を入れるでつ。

ポスト京は創薬や地震の解析など科学研究に軸足を置くでつが、CPU（中央演算処理装置）は英アーム社の技術を活用するなど汎用性を高めたでつ。
民間企業などのニーズにどこまで応えられるか「使い勝手」もカギになるでつ。
　
「GAFA」が覇権を握り、データが競争力を左右する時代に日本は後れを取ったでつ。
シミュレーションが生み出す「人工データ」の利用も今後、世界的に活発になるでつ。
ポスト京がどんな成果を出せるか日本の浮沈にもかかわるでつ。

だけど国産コンピュータでないとこがツライでつなぁ～
富士通には、そりだけの技術があるだけに頑張ってほしいでつ！

「説明可能なAI」でつなぁ～

ディープラーニングの実用化によって、AIの可能性は飛躍的に高まったでつ。

だけど、その判断プロセスはブラックボックス。
こりが適用可能領域を限定する要因になっていたでつ。

この問題を解決するために、「説明可能なAI」を開発。

具体的には、どのような手法でAIが出した回答の理由や根拠を説明できるようになったのか。
最先端の研究内容を見てみると…

将棋や囲碁でプロ棋士を破ったことで大きな注目を集める人工知能（AI）。
最近ではスマートスピーカーや自動運転など適用分野も広がっているでつ。

ここに来てAIが飛躍的に進化した背景には、ディープラーニングの実用化があるでつ。
従来の機械学習では、学習のために着目すべき「特徴量」を人間が指定する必要があったでつ。

だけどディープラーニングではニューラルネットワークと呼ばれる人間の神経構造を模したアルゴリズムを発展させることで、
特徴量を自動的に見つけ出せるようになり、特徴量を明示しにくい複雑な問題にも適用可能となったでつ。

だけど、これによって、新たな問題も指摘されるようになってきたでつ。
ディープラーニングによる判断プロセスはブラックボックスであるため、専門家でもAIが出した回答の理由や根拠を説明できず、
「結果を本当に信頼してもよいのか」という疑念を払拭できないでつ。

例えば医療現場にAIを導入するケースを考えてみてほしいでつ。
検査結果のデータから、AIが診断や治療内容を指示したとして、その結論を100％信頼する気になれるか。
判断プロセスがブラックボックスの状態でいきなり結論だけが出てくるというのでは、自分の健康や生命に関わる医療分野では、
多くの人が拒否感を感じてしまうでつ。

出てきた結論に対して根拠を示してほしいと感じる領域は、何も医療だけに限らないでつ。
大きなところでは国の政策から、金融分野の投資判断、身近なところでは会社の人事評価まで、さまざまなケースが考えられるでつ。
ディープラーニングはAI活用の可能性を大きく広げたが、ブラックボックスのままでは適用可能な領域が限られるのも、また事実。

これに対する解決策が、最近になって具現化しつつあるでつ。
こりが世界で初めて開発した「説明可能なAI」でつ。

「Deep Tensor」という独自のディープラーニング技術を発表。
これは複雑な事象も記述できるグラフ構造のデータを学習できるというもので、セキュリティ分野などで高い推定精度を達成。
これに「ナレッジグラフ」構築技術という技術を組み合わせることで、「説明可能なAI」を実現しつつあるでつ。

ナレッジグラフとは、実世界の様々な事象の間の「つながり（関連性）」に着目し、この関連性にもとづいて整理されたデータベースのこと。
膨大なWeb情報や論文などを収集し、それをナレッジグラフ化することで、実世界の知識体系をデータベース化できるでつ。

このナレッジグラフに対し、Deep Tensorの入力と推定結果を入力することで、入力から出力に至るまでに、ナレッジグラフの中の「どの関連性のパス」を
通ってきたのかを示すことが可能になるでつ。
これによってAIによる判断の根拠を、実世界の知識体系をベースに「説明できる」でつ。

「世の中にはディープラーニングをやっている企業も、ナレッジグラフに取り組んでいる企業もあるでつが、これらを組み合わせたのは初めて。
このほかにも説明可能なAIを実現しようという取り組みは存在するでつが、ほとんどはディープラーニングが自動的に抽出した特徴量をハイライトする、
というレベルにとどまってて、判断の根拠を言語化して示すところまでには至っていないと指摘。

実はこれは、人間がふつうにやっていることに近いといえるでつ。
ベテランの域に達した人は直感的に正しい判断を下すことができるが、その判断は暗黙知によって行われており、これはディープラーニングと同じようなものだと指摘。
そしてその根拠を説明するときには、改めてロジックを加え、言語化することになる。この部分を担うのがナレッジグラフ。

人工知能は。まだまだ脳の仕組みとか解明するとこが多いでつなぁ～

小型リアルタイム組み込み人工知能 なり～

今のAIは万能ではないでつ。

多くの方はAIと聞いて真っ先に浮かんでくるのは人型のロボットを思い浮かべそうでつなぁ～

人間の代わりとして皆が嫌がる仕事をこなす・困っている人のお助けをする、工場で休みなく働いてくれる等、人間の補佐役として
活躍してくれるロボットをイメージだなぁ～

だけど今現在様々なシステムに導入されているAI（人工知能）は、私の知る限りそこまで高度なものではないでつ。

WEB検索エンジンなどで"人工知能"と入力すると、お勧め単語に"仕事"・"なくなる"なんて単語が出てきますが、さまざまな事象に対して
「考えて・判断して・動ける」完全に人の代わりとしての役割を果たす高度なAI(人工知能)が開発・製造されるのはまだまだ未来の話…

AI（人工知能）が注目される理由は
「人間超え」と「IoTとの親和性」
人工知能がここまで注目されるようになったのは２つの理由でつなぁ～

１つ目は学習することによりAI（人工知能）が限定的ながら人間を超えるような判断をするようになったこと、２つ目は時代背景…

ゲームという限定した枠の中ではありますが、囲碁のAlphaGoや早押しクイズのWatsonといったその分野に特化した学習を行ったAIが人間の世界チャンピオンに勝ったという
ニュースに代表されるように、限定的ながらもAI(人工知能)が人間を超える判断をするようなったでつ。

また、IoTという言葉をCMをはじめ、頻繁に聞くようになったように、組み込み機器（GPU・FPGA等のチップ・センサー等の半導体部品も含む）の小型化・高性能化・安価化・無線化により、
例えば温度計・腕時計などといった身近な機器(モノ)が通信可能となりインターネットにつながることで、ユーザーの利用状況等のデータを細かく収集・確保できるようになってきたでつ。

各企業はユーザーから収集・確保した情報をもとにデータの分析・判断を行い、ユーザーごとにカスタマイズした最適なサービスを提供しようとしているのでつが、
複数の機器・複数のユーザーから収集されるデータ量は従来とは比較にならないほど膨大で、いわゆるビッグデータの分析・判断の作業を誰がやるのかという課題があるでつ。

その課題解決にAIを活用することで自動的にセンシング（分析）・判断を行うことが期待いるでつ。

今のAIができることは、AI(人工知能)は限定的ながらもさまざまなシステムに活用されてきてるでつ。
AIができることを大きく分類すると「見て判断する」、「聴いて判断する」、「言葉を操る」ことが代表。

見て判断する例でいえば、車の自動運転のように障害物を見て人なのか物なのかを認識する、写真を見てそれが誰なのかを認識する、レントゲンを見て病気かを判断する、
製品を見て不良品かを認識するなんてことがあるでつ。

聞いて判断する例でいえば、言葉を聞き取りメモをする、言葉を聞き取り意味を理解する、音を聞いてなんの音かを聞き分けるなんてことができるようになっているでつ。

言語を操る例では、写真を見て理解した状況を言葉として説明する、言われた言葉を理解して言葉で返答するなんてことができるようになっているでつ。
そして、これらを代表する組み込み機器として、スマートスピーカー（AIスピーカー）などはもう身近になりつつありますし、車の自動運転というのも
多くの方が既に知っている技術でつ。

この流れは今後も拡大し、未来は工場内の産業機器といった専門的な機械だけではなく、自宅にあるような電子機器や車載機などの組み込み機器までにも
幅広く搭載されるいるでつ。

AIの組み込み機器への応用は、組み込み機器へのAIの搭載がどこまで進むかでつなぁ～



ソフト面よりハード面の開発が重要になるでつなぁ～
その問いに答えるためには、AIがどこまで使える技術として進歩するかにかかっているでつなぁ～
様々な機器にセンサーが搭載され通信可能となることで、モノとモノがインターネットにつながり（IoT）、様々なデータが集まる時代は近い未来になるでつなぁ～

そこで収集される膨大なデータの分析・判断を、組み込みAI(人工知能)がユーザーが満足するレベルまで自動で行うことができるようになれば、組み込みAI(人工知能)は
一気に受け入れられ、活用用途が広がっていくでつ。

今後も組み込み業界に携わって行こうと思う皆様は、AI(人工知能)市場の動向をチェックする必要があるでつなぁ～

AI技術が日に日に高度になりつつ、産業・医療・自動車をはじめ様々な分野において活用が進んでいくかでつなぁ～

覇権は…

次の情報化社会の覇権は…

ＡＩを制するものでつなぁ～
ということで…




提携が多くなりそうでつなぁ～
パソコンが普及したといってもまだ半世紀も経ってないわけで…

その間に、目まぐるしく変わっていったでつなぁ～
時代を読むのもだけど維持するのが大変でつなぁ～

今のＡＩはファジー制御も盛り込まれてるのかなぁ~

現在はＡＩが再ブームでつなぁ～
となると…




勉強しないといけないでつなぁ～
だけど…

前回のブームは、９０年代だけど、その時はファジー制御で人工知能をプログラム化してたでつなぁ～
今は、プログラム自体は全く話題にならないでつなぁ～

まぁ～当時の新入社員がファジー人間とか言われてたけど、ファジーとは、曖昧さ…
人間の世界は、デジタルのような白黒をハッキリさせないとこがあるでつなぁ～

不倒振り子の原理とかそういう動きが定かでないものをプログラムさせるでつなぁ～

そういえばそりって平成元年くらいだから、３０年前の原理だけど、アノ時と何が違うかというと
ＣＰＵの能力が格段でつなぁ～

当時は１６ビットだったけど今は、６４ビットだし、ＲＩＳＣも発達してるとか考えるとハード面で
かなりの進歩があぅたから、ファジー制御プログラムに追い付いてきた感じかなぁ～

ソフトの進歩に対して、ハードが追い付いてきた感じでつなぁ～

さて、ＡＩがこれからどう生活に馴染んでいくかは、やっぱりハードの進歩とバグのないプログラムでつなぁ～

ＩｏＴをいろんな場所で活用できると…

最近、イオンの駐車場は、空いてるかどうかを緑と赤のランプで提示してるでつ。

こりだと満車でも秋を見つけやすいでつなぁ～
まぁ～こりは屋内にはいいけど、屋外はちと無理だなぁ～

電車もＪＲは空きと在席をランプで表示してるでつなぁ～

こりもＩｏＴの活用だなぁ～
特にこりを利用してほしいのは…




でつなぁ～
朝に催した始めた時に、空いてるとこがスマホーとかＬＥＤとかに表示されてると、間一髪を免れるとこもあるけど
逆に急がないと先こされる可能性もあるでつなぁ～

だけどそう考えるとスマホーってのは必須になりそうでつなぁ～

ＡＩＣＰＵは…

ＡＩの進歩のカギはやっぱり…

頭脳ともいうべき…




でつなぁ～
そんな中で興味深いというか懐かしい言葉が…

ＣＰＵというのは、ＣＩＳＣ（シスク）、ＲＩＳＣ（リスク）という２種類があったでつなぁ～

ＣＩＳＣはComplex Instruction Set Computer、RISCはReduce Instruction Set Computerを略した言葉です。
日本語にすると、CISCは「複雑命令セットコンピュータ」、ＲＩＳＣは「縮小命令セットコンピュータ」となるでつなぁ～

複雑命令とは１つの命令が一連の複雑な処理を実行する方式。
ＣＩＳＣは、いろいろな処理をできるだけ少ない命令回数で済ませることで、マイコンのパフォーマンスを上げる演算方式。

逆に、縮小命令は１つの命令が簡単な処理しか行わない命令。
だけど、簡単な命令の分、1つ1つの命令は高速に実行。
ＲＩＳＣは、複数の縮小命令を高速に実行することで、トータルでマイコンのパフォーマンスを上げるという演算方式。



代表的なＣＰＵは、

ＣＩＳＣ
Pentium　Intel製
Atom　Intel製
Phenom　AMD製
Athlon　AMD製

ＲＩＳＣ
SPARC　Solarisサーバで使われているでつ。
PowerPC　IBM製。Macで使われていたでつ。
PA-RISC　HP社のHP-UXサーバで使われていたでつ。
ARM　Android等組み込み世界で高シェアがあるでつ。


そんな中で、ＡＩだと単純な組み合わせで行くほうが、処理も早いし、あってそうな感じだなぁ～

どちらが有利かというのはあるけど、なんか未だにどちらが主流になってるかってのは決まってないみたい…

ＣＰＵの能力アップ…

ＡＩのＣＰＵでどちらが主流になるのかなぁ～

脳を鍛えないと…

昨今は、ＡＩの開発が盛んでつなぁ～

将棋やチェスとか、人間より強かったりしてるでつ。

難しい解析とかはもうコンピュータでないと計算ができない状況になってるでつ。
ＣＰＵの能力がすごくなったのもあるけど、情報を処理するプログラムもあるでつなぁ～

車も自動運転になってくるし、だんだんと人間は考えて行動することがなくなる気がするでつなぁ～

まぁ～歳もあるし、まだまだキレキレの脳でありたいとこもあるので…




でつなぁ～
日々勉強しないと今の技術の進歩についていくのは大変だなぁ～

それにしてもパソコンやマイコンが出てきたときからするとその能力アップはすごいなぁ～

人も進化しないといけないでつなぁ～

まずは車とのコラボでつなぁ～

最近は、ＡＩの本とかニュースが賑わっているでつなぁ～

たぶん３０年前にＡＩは流行してて、ファジーちゅうのが流行語にもなったでつなぁ～

倒立振り子のプログラムでつなぁ～
そして今回は…

ＩｏＴという機械のインターネットも絡んできますなぁ～
まずは…




車とのといより、自動運転の実現には不可欠な技術になるでつなぁ～

３０年前とＣＰＵや周辺機器の性能がすごくなったし、人型のロボットも実用化されつつあるでつ！

後、５年かそれより早くというかとうきょうオリンピックの時には、自動運転技術が実現してるかもでつなぁ～
そうなると低燃費の走りの技術も出てくるといいでつなぁ～

だけどこの３０年の電子技術の進歩はすごいなぁ～

ソフトよりハードが進歩したでつなぁ～

知能を持ったスピーカーでつなぁ～

ＡＩを利用して自動運転とかになると伝達方法が…
となるとスピーカーは便利でつなぁ～




最近は、グーグルやアマゾンも開発してるでつなぁ～

車は便利だなぁ～
だけど、盗聴とかのセキリティがどうかでつなぁ～

変な命令されたりとか…
誤動作というか悪用の防止も…

一つ便利な物ができるとそりを悪用するのもがでてくるわけだし、セキリティもしっかりしてほしいでつなぁ～

そういえばアップルのＣＰＵにバグがあるとかで…
でもアップルのＣＰＵってインテルのような気がするけど…

ということでセキリティには常に神経過敏になっておく必要があるでつなぁ～

熟練の技を習得 環境プラントにＡＩ

環境プラントで人工知能（AI）の活用が進んでいるでつ。
JFEエンジニアリングは、AIでゴミ焼却発電施設の差異化を図ってるでつ。

日揮は、AIを活用したプラントの運用・保守を、新事業として本格展開。

「やあ、炉内の様子はどうだい」「窒素酸化物の濃度が増えています。考えられる原因は…」
　
ゴミ焼却炉の監視画面に運転員が話しかけると、AIが焼却炉の状況や適切な運転方法などを教えてくれる…
そんな話が現実になろうとしているでつ。

JFEエンジニアリングは、施設の運転でゴミ焼却発電施設にAIの導入を進めるでつ。
2017年度中にも試験導入を開始。

AIが熟練の技を習得するでつなぁ～
　
導入するのは、日本IBMが提供する「ワトソン」と呼ばれるAI。




ワトソンの特徴は、人間が発する言語や人間が見たもの（画像）を解析し、それらの情報を知識として蓄積できるところ。

画像の様子や各種センサーから得られたデータから異常の予兆を見つけ出し、原因や適切な運転方法を助言。

AIには、ベテラン運転員のノウハウを習得させるでつ。

例えばベテラン運転員は、ゴミが燃焼する際の炎の大きさ、色、燃焼範囲などを見て炉の燃焼状態を把握し、先回りして異常を回避するノウハウを持つ。
こうした暗黙知をAIに取り込み、ベテラン運転員のテクニックをいつでも利用できるようなるでつ。



　
AI導入に取り組む背景には、人口減少やリサイクル率の向上などによって、今後、ゴミ焼却発電施設の新設需要の伸びは期待できないという現状があるでつ。

一方、施設の更新案件で、運営主体である自治体が運用や保守を含めた包括契約を希望するケースが増えているでつ。

ゴミ焼却発電施設の運営は20年以上の長期に及ぶため、案件が受注できれば長期的な収入を確保できるでつ。

JFEエンジニアリング都市環境本部・戦略技術チームは、「AI導入でサービス品質向上とコスト削減の両方が可能となる。入札で大きな強みとなる」と話してるでつ。

18年度までに10施設に拡大でつなぁ～
　
JFEエンジニアリングは、ゴミ処理施設の遠隔支援拠点の「リモートサービスセンター」を2014年9月に設置し、運用・保守体制を強化。

ここでAIを活用する予定。

現在、国内5施設で遠隔監視を実施してて、2018年度までに海外を含めて10施設に拡大する計画。

廃棄物発電による売電収入の向上にも期待。

処理能力が1日当たり100～150t（トン）の焼却炉を2つ持つゴミ焼却発電施設の場合、年間の売電収入は2億～3億円。

AIに発電量を管理させ、電力需要の高まる時期に多く発電することで、3％程度の収入増を見込んでいるでつ。

ゴミ処理発電施設の国内最大手である日立造船も、2018年春をめどにAIを活用した施設の運用を始める予定。
今後、AIの予測精度や使い勝手などが、受注の決め手となるでつなぁ～

異常の「予兆」を知らせることも可能でつなぁ～

発電所やLNG（液化天然ガス）施設などのエネルギー・環境プラントでもAIの導入が進みつつあるでつ。

プラントエンジニアリング大手の日揮は、AIを使ったプラントの運営・保守サービスに乗り出したでつ。

発電会社やプラントを所有する資源メジャー、化学メーカーなどに売り込みを始めているでつ。

採用したのは、NECのAI。

特徴は、異常の予兆を見つける「インバリアント分析」と呼ばれる技術。

プラントが正常稼働している状態をAIに学習させておき、実際のデータと比較していつもと違う挙動を検出したら、それを異常の予兆とみなすでつ。

通常の異常監視では、運転対象の温度、湿度、圧力、化学物質の濃度などを監視し、それぞれが基準値を外れたら異常とみなす。
インバリアント分析では、データがしきい値を外れない段階の運転員が気付きにくい変化や、過去に経験がない未知の異常を発見できるでつ。

異常の予兆検知は、運用効率の向上だけでなく、バルブやポンプ、圧縮機といった部品の劣化時期の予想にもつながるでつ。
異常が発生する前に部品を交換できれば、不必要な稼働停止を避けることができ、収益向上につながるでつ。

これまでプラント建設を主力としてきた同社は、運用・保守を新たな収益源としたい考え。

2016年5月に発表した中期経営計画では、事業領域拡大の1つとして、運用・保守事業への本格進出を掲げたでつ。

これまでに手がけたプラント以外の運用・保守も請け負う計画。

AI活用で新事業に進出することも可でつなぁ～

2016年1月には専門部署「ビッグデータソリューション室」を立ち上げ、故障原因を特定するサービスを開始。
既に5社と契約。

インフラ統括本部は、「AIはサービス強化の大きな一手となる。5年後に300億円のビジネスにしたい」と…

AIは、省エネ技術として活用できるだけでなく、人材育成や海外展開など、多くの国内企業が抱える課題に応えられる可能性を持つ。
環境プラントの運用・保守にAIを導入する取り組みは、千代田化工建設や富士通なども進めている。サービス事業者が増えれば、活用の幅が広がるでつなぁ～