AIBR プレミアム
拓海先生、最近うちの現場でもセンサーで人の動きを取って改善したらどうかという話が出ているんです。しかし現場から新しい動きがちょくちょく出てきて、学習が続けられるか心配でして、クラウドに全部上げるのはコストも怖いです。
素晴らしい着眼点ですね！大丈夫、Edge（エッジ）上で増分学習を行い、かつ既存の知識を忘れないようにする研究がありますよ。要点は三つです。第一に、少ないデータで新しい動きを学ぶ方法、第二に、学び直しで以前の知識を失わない工夫、第三に、クラウドとやり取りを減らして現場で完結させる点です。
なるほど。しかし、これって要するに、新しい動きを覚えさせると古い動きを忘れてしまうのを防ぐ仕組みを、現場の機械の中でやるということですか？投資対効果として本当に現場だけで完結できるんでしょうか。
素晴らしい着眼点ですね！その通りです。投資対効果の観点で言うと、通信費と遅延、プライバシーの低減という面で得られるメリットが大きいです。実務的な言い方をすると、クラウドに送るデータを減らせれば通信費が下がり、現場で即応できるため改善サイクルが短くなりますよ。
具体的にはどんな仕組みで忘れないようにするのですか。以前のデータを全部保存しておくのは現場では無理でしょう。
素晴らしい着眼点ですね！データを全部保持する代わりに、モデルが持つ“知識の要点”だけを守る方法があります。具体的にはSiamese Network（シャムネットワーク）を使って、各動きの特徴を埋め込み空間に整理し、Supervised Contrastive Loss（SCL、教師付き対比損失）で似たものは近く、違うものは遠くにするんです。さらにKnowledge Distillation（KD、知識蒸留）の考え方で新しい学習が古い埋め込み構造を壊さないように導きます。
なるほど、要するにデータの『骨格』だけを残して、それを基準に新しいものを学ばせるということですね。現場の端末でできる計算量なのか、そこも心配です。
大丈夫、一緒にやれば必ずできますよ。実際の提案は極端に小さなデータでも学べるように設計してあり、計算負荷も工夫されています。要点を三つに整理すると、1) 少ないサンプルで学べる設計、2) 古い知識を保つための蒸留損失、3) クラウド依存を下げることで現場での運用コストを下げる点です。
よくわかりました。これなら設備投資の割に効果が出そうです。要は『少ないデータで新規クラスを学び、既存モデルを壊さない形で現場に適用する』ということですね。私の言葉で説明すればこうで間違いないでしょうか。
その説明で完璧ですよ、田中専務。次に、会議で使える短い要点も用意します。大丈夫、一緒に進めれば必ず成果が出せますよ。
