AIBR プレミアム
拓海先生、最近部下から「センサーを増やしてもっとデータを取れ」って言われて困っているんです。投資対効果が心配で、どこに何を置けば本当に意味があるのか見当もつきません。
素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。今回紹介する論文は、機械学習（Machine Learning, ML：機械学習）を使って、どこにセンサーを置くべきかを定量的に示す方法を提示しているんですよ。
要するに、センサーの置き場所をAIに決めさせるということですか。それなら導入コストや現場の混乱も減りそうですが、現場の状態が変わったらまた全部やり直しにならないですか？
いい質問です、田中専務。論文の結論は端的で、まず「条件が変わるなら、その変化範囲を模擬した学習データで訓練することを推奨する」という点です。つまり現場のレンジを想定してデータを作れば、最適配置はそのレンジに対する妥協点として得られるのです。
それは現実的ですね。ただ、センサーの種類でも違いが出ると聞きました。どういう点に気をつければいいですか。
その通りです。論文はセンサー種類の影響も指摘しています。例えば圧力センサー（pressure sensor）は変動に対する感度が比較的低く、クローズドループ制御（closed-loop control：閉ループ制御）を狙う場合に実用性が高いと述べています。逆にホットフィルム（hot-film）センサーは校正が難しく、物理理解が目的なら使えるが実運用だと注意が必要なのです。
これって要するに、目的に合わせてセンサーの種類と学習データを決めれば、配置は機械学習が最善解に近いものを示してくれるということ？
その通りですよ、田中専務！さらに補足すると、論文は従来手法で使われてきた固有モード分解（Proper Orthogonal Decomposition, POD：特異値分解に基づく模式化手法）や複雑な最適化手順を経ずに、機械学習の変数重要度（variable importance）で配置を決める新しいやり方を示しています。
変数重要度という言葉は聞いたことがありますが、現場で扱えるレベルですか。計算リソースや手順はどれくらいかかりますか。
論文ではランダムフォレスト（Random Forests, RF：決定木を多数集めたアンサンブル学習）を使っています。RFはOut-Of-Bag（OOB：袋外推定）誤差という内部指標で性能を見ながら変数重要度を算出でき、PODや全探索に比べて計算コストが低い点が利点だとされています。
要点を3つにまとめていただけますか。忙しいので短く知りたいのです。
もちろんです、田中専務。要点は三つです。第一に、目的に応じてセンサー種別と学習データの範囲を設計すべきであること。第二に、機械学習の変数重要度を使えばPODや全探索を回避し、計算コストを抑えられること。第三に、圧力センサーは実運用で扱いやすくクローズドループ制御向きであり、ホットフィルムは校正負担に注意が必要であること、です。
よくわかりました。これなら現場で段階的に試せそうです。私の言葉で言い直しますと、目的と現場の想定レンジに合わせてデータを作り、機械学習で重要度の高い位置を測ることで、費用対効果の高いセンサー配置が得られるということですね。
