センサーデータ&IOT技術について
センサー情報の活用はIOT技術の中心的な要素となる。センサーのデータとしては様々なものがあるがここでは1次元の時間的に変化する情報を対象として述べる。 IOTのアプローチとしては、特定の測定対象に対して個別にセンサーを設定し、その測定対象の特性を詳細に解析するタイプののものと、「異常検知へのスパースモデルの適用」にも述べられているように複数のセンサーを複数の対象に向けて設置し、得られたデータの中から特定のデータを選択して、特定の対象に対して異常検知を行う等の判定を実施するものに分けられる。 前者のアプローチの基本的なステップとしては下図で示すように、まず対象となる自然現象(アナログ情報)があり、それらをセンサーデバイスで観察して情報を取得し、「一次元データ(音声)からの特徴量の抽出」にて述べているように、A/D変換と対象とする自然現象の特性に合わせたウィンドウを設定して特徴量を抽出し、さらに「時系列データの統計的分析」に述べているような統計手法等を行ってノイズを除去する。それらのデータを「隠れマルコフモデルの一次元データへの適用」や「動的計画法の一次元データへの適用」に述べられているように教師データから生成された標準データとの類似性を判定する。 さらに「データストリーム(時系列データ)の機械学習とシステムアーキテクチャ」に述べられているように、それらの判定されたデータをさらにオントロジー等のデータと組み合わせてリアルタイムの推論を行なわせたり、「グローバルマッチングでのsimilarity(類似性)(5)確率的アプローチ」に述べによあな確率的な推論(マルコフロジックネットワーク)を行うこともできる。 これらのアプローチにより、「プラントエンジニアリングオントロジーISO15926」や「故障リスク解析とオントロジーについて(FEMA、HAZID)」、「企業内データへのオントロジーの適用」に述べられているようなプラント、故障解析、エンタープライズの知識表現(オントロジー)と組み合わせることで、インダストリー4.0、スマートシティ、スマートビルディング等のリアルタイムのセンサーアプリケーションを構築することができる。 また、センサーの物理的な配置は「センサ配置の最適化に用いられる劣モジュラ最適化」で述べられているような離散データの最適化手法を用いて最適化するとこができる。 本ブログでは以下の項目について述べる。
実装
- IoTを行う為の前処理について
IoT（Internet of Things）データを処理する前処理は、デバイスやセンサーから収集されたデータを解析・利用可能な形に整形し、機械学習モデルやアプリケーションに供給する重要なステップとなる。以下に、IoTデータの前処理に関連する様々な手法について述べる。
- ランダムフォレストランキングの概要とアルゴリズム及び実装例
ランダムフォレスト（Random Forest）は、機械学習の分野で非常に人気のあるアンサンブル学習法(複数の機械学習モデルを組み合わせることで、個々のモデルよりも優れた性能を得る手法)の一つであり、複数の決定木（Decision Tree）を組み合わせて、より強力なモデルを構築するアプローチとなる。ランダムフォレストを利用して特徴量のランキングを行う際、さまざまなバリエーションが存在している。
- カルマンフィルタスムーザーの概要とアルゴリズム及び実装例について
カルマンフィルタスムーザー（Kalman Filter Smoother）は、カルマンフィルタリングの一種であり、時系列データの状態推定を改善するために使用される手法となる。この手法では通常、動的なシステムの状態をモデル化し、観測データと組み合わせて、より精密な状態推定を行っている。
自動機械学習（AutoML）は、機械学習モデルの設計、トレーニング、最適化のプロセスを自動化するための手法やツールを指す。AutoMLは、機械学習の専門知識が限られているユーザーや、効率的なモデルの開発を求めるユーザーにとって特に役立つものであり、以下の主な目標を持っている。ここでは、このAutoMLの概要と様々な実装例について述べている。
Federated Learning（フェデレーテッド ラーニング）は、機械学習モデルを訓練する新しいアプローチであり、データが分散している環境でのプライバシー保護や効率的なモデルトレーニングに対する課題に対処するための手法となる。従来の中央集権的なモデルトレーニングとは異なり、Federated Learningはデバイスやクライアント自体でモデルのトレーニングを行い、中央のサーバにモデルを送信することなく分散学習を行う仕組みとなる。ここでは、このFederated Learningの概要と各種アルゴリズム及び実装例について述べている。
類似性（similarity）は、二つ以上のオブジェクトや事物が共通の特徴や性質を持ち、互いに似ていると見なされる程度を表す概念であり、比較や関連性の観点からオブジェクトを評価したり、分類やグループ化を行ったりする際に重要な役割を果たしている。ここでは、様々なケースでの類似度の概念と一般的な計算方法について述べている。
探索アルゴリズム（Search Algorithm）とは、問題の空間内で目標を見つけるために使用される計算手法の一群を指す。これらのアルゴリズムは、情報検索、組み合わせ最適化、ゲームプレイ、ルートプランニングなど、さまざまな領域で幅広く応用されている。ここでは、この探索アルゴリズムに関して様々なアルゴリズムと応用事例および具体的な実装について述べている。
多目的探索アルゴリズム（Multi-Objective Optimization Algorithm）は、複数の目的関数を同時に最適化するためのアルゴリズムとなる。多目的最適化は、1つの最適解を求めるのではなく、複数の最適解の中からバランスの取れた解（パレート最適解セット）を見つけることを目的としており、このような問題は、実世界の多くの複雑なシステムや意思決定問題に適用されている。ここではこの多目的探索アルゴリズムの概要とアルゴリズム及び実装例について述べている。
モデル予測制御（Model Predictive Control, MPC）は、制御理論の一手法であり、制御対象のモデルを使用して将来の状態や出力を予測し、最適な制御入力を計算するためのオンライン最適化手法となる。MPCはさまざまな産業および制御アプリケーションで使用される。
WoT(Web of Things)は、インターネット上のさまざまなデバイスを相互に接続し、デバイス間の通信や相互作用を可能にするための標準化されたアーキテクチャとプロトコルとなる。WoTは、IoT(Internet of Things)を拡張し、デバイスとのやり取りを簡素化し、相互運用性を高めることを目的としている。
今回はこのWoTに関して、一般的な実装手順やライブラリ、プラットフォーム、更にpythonやCによる具体的な実装例について述べている。
分散型IoT(Internet of Things)システムとは、異なるデバイスやセンサーが相互に通信し、情報を共有し、協調して動作するシステムのことを指す。今回は、この分散型IoTシステムのデバイス間通信技術の概要と実装例について述べる。
自己教師あり学習(Self-Supervised Learning)は、機械学習の一種であり、教師あり学習の一種と考えることができる。教師あり学習では、ラベル付きのデータを使用してモデルを訓練するのに対して、自己教師あり学習では、ラベルの代わりにデータ自体を利用してモデルを訓練する手法となる。ここではこの自己教師あり学習に対して、様々なアルゴリズムと適用事例、実装例について述べている。
スパースモデリングは、信号やデータの表現においてスパース性(疎な性質)を利用する手法となる。スパース性とは、データや信号において非ゼロの要素がごく一部に限られている性質を指す。スパースモデリングでは、スパース性を活用してデータを効率的に表現し、ノイズの除去、特徴選択、圧縮などのタスクを行うことが目的となる。
ここではこのスパースモデリングに関して、Lasso、コンプレッション推定、Ridge正則化、エラスティックネット、Fused Lasso、グループ正則化、メッセージ伝搬アルゴリズム、辞書学習等の各種アルゴリズムの概要と、画像処理、自然言語処理、推薦、シグナル処理、機械学習、信号処理、脳科学等の様々な適用事例に対する実装について述べている。
バンディット問題(Bandit problem)は、強化学習の一種であり、意思決定を行うエージェントが未知の環境において、どの行動を選択するかを学習する問題となる。この問題は、複数の行動の中から最適な行動を選択するための手法を見つけることを目的としている。
ここではこのバンディット問題に関して、ε-グリーディ法、UCBアルゴリズム、トンプソンサンプリング、softmax 選択、置換則法、Exp3アルゴリズム等の主要なアルゴリズムの概要と実装および、適用事例としてオンライン広告配信、医薬品の創薬、株式投資、クリニカルトライアルの最適化等とそれらの実装手順について述べている。
劣モジュラ最適化（Submodular Optimization）は、組合せ最適化の一種であり、特定の性質を持つ関数である劣モジュラ関数を最大化または最小化する問題を解決する手法となる。ここでは、この劣モジュラ最適化に関して、様々なアルゴリズム、適用事例、及びそれらの実装例について述べている。
ロバスト主成分分析(Robust Principal Component Analysis、RPCA)は、データの中から基底を見つけ出すための手法であり、外れ値やノイズが含まれているようなデータに対しても頑健(ロバスト)に動作することを特徴としている。ここでは、このRPCAに関して様々な適用事例とpyhtonによる具体的な実装について述べている。
オンライン学習(Online Learning)は、データが逐次的に到着する状況下で、モデルを逐次的に更新して学習する手法であり、通常の機械学習で行われるバッチ学習とは異なり、新しいデータが到着するたびにモデルが更新されるアルゴリズムであることが特徴となる。ここでは、このオンラン学習に関して様々なアルゴリズムと適用事例およびpythonによる実装例について述べている。
オンライン予測(Online Prediction)は、データが逐次的に到着する状況下で、モデルを使用してリアルタイムに予測を行う手法となる。”オンライン学習の概要と各種アルゴリズム、適用事例と具体的な実装“で述べたオンライン学習は、モデルの学習は逐次行うが、モデルの適用の即時性は明確に定義されていないのに対して、オンライン予測は、新たなデータが到着した時点で即座に予測を行い、その結果を利用することが特徴となる。
ここではこのオンライン予測に関しては様々な適用事例と具体的な実装例について述べている。
ベイズ構造時系列モデル(Bayesian Structural Time Series Model; BSTS)は、時間とともに変化する現象をモデル化する統計モデルの一種であり、予測や因果推論を目的として利用されるものとなる。ここではこのBSTSに関しての概要と様々な応用事例及び実装例について述べている
Rustは、Mozilla Researchが開発したシステムプログラミング向けのプログラミング言語であり、高いパフォーマンス、メモリ安全性、並列性、およびマルチスレッド処理を重視して設計されたものとなる。また、コンパイル時に強力な静的型チェックを行うことで、バグを予防することに焦点を当てた言語でもある。
ここでは、このRustに関する概要と基本的な文法および各種適用事例と具体的な実装について述べている。
Raspberry Pi(ラズベリーパイ)は、シングルボードコンピュータ(Single Board Computer, SBC)の一つであり、英国のラズベリーパイ財団(Raspberry Pi Foundation)によって開発された小型のコンピューターとなる。その名前は、英国で親しまれている「ラズベリーパイ」というデザートに由来している。
ここではこのRaspberry Piの概要と様々な適用事例と具体的な実装例について述べている。
一般的に、IoTデバイスはセンサーやアクチュエータを備えた小型のデバイスであり、ワイヤレス通信を使用してセンサーデータを収集し、アクチュエータを制御する形態となる。ワイヤレスでのIoT制御にはさまざまな通信プロトコルや技術が使用される。ここでは、このワイヤレス技術を用いたIoTを様々な言語で実装した例について述べている。
技術トピック
ワイヤレス通信の媒体である電波は、英語では”Radio wave”もしくは”Hertzian wave”と呼ばれており、”Radio”と略して呼ばれることもある。
電波は、1864年(日本では幕末期で蛤御門の変が起きた年)でジェームス・クラーク・マクスウェルにより予測された「光は波の姿をした電磁波である」と彼の見つけ出した電磁場理論であるマクスウェルの方程式と、その13年後の1887年(日本では明治20年)にハインリッヒ・ヘルツがそのマクスウェルの方程式から光よりも周波数の低い電磁波(電波)の存在を推測し、電磁波の発生と検出を可能とする実験機器を考案制作してその存在を実証したものとなる。
RFIDとは、”Radio Frequency Identification”の略語で、無線通信を利用して物品や動物などの識別情報を読み取る技術となる。このRFIDシステムは、主にRFIDタグ、RFIDリーダー、中央データベースの3つの要素から構成される。RFIDは物流、農業、医療、製造業等さまざまな分野で利用されている。更にRFID技術とAI技術を組み合わせることで、ビジネスプロセスの最適化や効率化が期待できる。
IOTデバイスとICTを結ぶ手段としては、無線技術が最もよく用いられる。ワイヤリングをすることなくどこでも簡単に設置できることが強みだが、耐ノイズ性や一度に送れるデータ量の制限、電源の確保等いくつか検討すべき課題も持っている。
今回は近距離無線通信技術の一つであるBLE(Bluetooth Low Energy)との接続について述べる。BLEはBluetoothの拡張仕様の一つで、名前にもあるとおり極低電力での通信が可能なことが特徴となっている。
今回は実際のBLEの通信について述べてみたい。まずは最もシンプルなものとして、bluejellyというjavascriptのライブラリを利用してBLEと通信してみる。
bluejellyはWeb Bluetooth APIというlavascriptのライブラリのラッパーで、htmlファイルとbluejelly.jsとstyle.cssの3つのファイルだけで動作し、htmlファイルを書くことで様々なBLEとの接続が可能になるものとなる。
BLEとの接続のライブリの中で、最もシンプルに構築できるbluejelly.jsについて紹介した。今回はこれまで述べたサーバーサイドのアプリケーションと組み合わせることが可能なnode.js上で動作するnobleについて紹介したい。
nobleは、node.js上で動くjavascriptのモジュールで使い方としては「npm install noble」でモジュールをインストールして、例えば前述のbleデバイスのcsanの場合は以下のようなコードでおこなうことができる。
この記事ではPythonのBLE制御ライブラリに調査を行った結果をまとめている。
いくつかのビジネスアプリケーションは、ネットワークトラフィックのような外部刺激に非同期で反応する必要になる場合がある。例えば、IOTアプリケーションのようなstreaming dataを受け取って処理するものや株式市場における企業の株価や情報をを追跡するためのアプリケーションなどとなる。
通常のコンピューターのシーケンシャル/同期的な処理でこれらを実行しようとすると、入力するデータの量が増えてきた場合、非同期なデータ間の同期をとるオーバーヘッドがボトルネックとなり実効的な速度でのアプリケーション困難になる。
今回はサーバーサイドのバックエンド処理の言語で非同期処理を行い、それらを実際のアプリケーションを想定した実装として組み上げる
今回は状態空間モデルの応用の一つであるカルマンフィルターのClojureでの実装について述べる。カルマンフィルターは離散的な誤差のある観測から、時々刻々と時間変化する量（例えばある物体の位置と速度）を推定するために用いられる無限インパルス応答フィルターであり、その使いやすさからレーダーやコンピュータービジョンなど幅広い工学分野で利用されている技術となる。具体的な利用例としては、機器内蔵の加速度計やGPSからの誤差のある情報を統合して、時々刻々変化する自動車の位置を推定したり、人工衛星やロケットの制御などにも用いられている。
カルマンフィルターは以前述べた隠れマルコフモデル(hidden markov model)と類似した隠れ状態とそれらから生成される観測データを持つ状態空間モデルで、状態は連続であり、状態変数の変化はガウス分布に従う雑音を用いて統計的に記述されるものとなる。
人工知能技術、IOT技術で用いられるWoT(Web of Things)技術について述べる。WoTとは、既存のIoTの課題を解決するためにインターネットの規格団体であるW3Cが定めたもので、Web of Thingsの略で、「モノのWeb」という意味となる。
WoTはIoTの課題のうち、互換性の欠如(現時点では、多くの場合、センサー、プラットフォームまたはオペレーティングシステムは、特定のシステムだけで動作する)に対して、既に広く普及している既存のWeb技術（HTMLやJavascript、JSONなど）やプロトコルを利用して、IoTのサービスやアプリケーションの提供を行うことで、デバイスの相互運用性を上げると共に、アプリケーションレベルでのセキュリティやアクセスコントロール、またSemantic Web技術と組み合わせたデータの意味的な使い回しなどの機能を付与することで、多種多様なサービスが創出できるようにすることを目指すものとなる。
Semantic Web(SW)技術は、Web全体を一つの巨大な情報DBと見なし、其処に存在する膨大な情報をソフトウェアの自動処理により効率的に処理する為の技術であり、それらを用いてウェブサービスをモジュール化して個別のニーズにあったサービスを自動的に構築する技術がSWサービス技術となる。
このSW技術の対象をIOTの情報まで広げることで様々な情報源を元にしたフレキシブルなサービスが構築出来、前述のIOTのビジネス化への障壁の一つを崩せる可能性がある。SWのIOT技術への拡張には意味的解釈を付与したデータストリーム技術が開発されている。
IOTとSW技術の融合の具体例がSmart city projectとなる。
Siegen大学のBusiness & Information Systems Engineering (BISE) InstituteのDaniel Metz氏の学位論文のテーマは、過去10年間のリアルタイムエンタープライズ（RTE）のコンセプトとそれを支える技術に関する分析であり、その主な目的は欠点を特定することである。その後、イベント駆動型アーキテクチャ（EDA）と複雑なイベント処理（CEP）のパラダイムを活用し、RTEの概念を実現するために不可欠な、異なる企業レベルにわたる時間的・意味的垂直統合のギャップを克服するリファレンスアーキテクチャを開発した。開発したリファレンスアーキテクチャは、中小企業の典型的な特徴を持つ鋳造工場に実装され、検証されている
近年ドローンは、輸送や農業、測量、防災など様々な分野で実用化が進んでいるが、地理空間情報においても重要な技術となっている。ドローンとは、小型の無人航空機(UAV:Unmanned aerial vechicle)のことで、無線による遠隔操縦や、設定したコースを実り飛行させられることが特徴となる。そのため、災害現場のような、危険な場所にも無人で近づくことができ、搭載したカメラで状況を詳細に撮影することができる。
一方、近年のコンピュータービジョンに関する技術の進歩とコンピューターの性能向上により、カメラで撮影した大量の画像から、写っている物体の形状を、自動で3次元に復元することが可能となってきている。この技法はSfM(Structure from Motion)およびMVS(Multi view Stereo)と呼ばれている。この3次元モデル復元技術を、ドローン撮影した画像と組み合わせることにより、迅速かつ容易に地形モデルやオル祖画像を作成することができる。
精度行列とは定義上、共分散行列の逆行列となる。よって標準化されたデータから以下の式で標本行列を求めて、単にその逆行列を計算すれば良い。しかし疎な行列を実現するのは容易ではない。相関係数の絶対値がある閾値以外のものをゼロにするといった手作業的な方法だと「正定値性(positive definiteness)」という条件が満たされず、グラフィカルモデルとしての解釈ができないためである。
音声分析は、音声から音声認識に必要な特徴量を抽出する処理となる。統計解析抽出の役割は大きく分けて2つある。一つは計算資源の節約で、生のデータをそのまま扱うことは多くの計算資源が必要であり、特徴抽出を行い、必要な情報を絞りることで、記憶領域を小さくして計算速度を早くするものとなる。もう一つが、ノイズの除去となる。応用を特定した場合、その応用に関係ないデータの変動はノイズとなる。例えば音声認識では音韻性を表す特徴は重要となるが、話者性を表す特徴はノイズとなる。ノイズを除去することにより、認織の精度が高くなる。
時系列データ分析の目的の一つは、観測した値と観測時点が記録されたデータから、各観測時点間の関係、つまりデータの並び順・前後関係に意味(時間依存)を見出すことが目的の一つとなる。
音声認識には用途に応じて幾つかの種類があり、それに応じて方式が異なる。まず発生できる内容の違いで離散単語認識と連続音声認識とに分けられ、更に連続単語認識と文認識に分けられる。また、使用者の観点からの分類として、特定話者認識と不特定話者認識がある。
音声認識モデルの作成方法は単純であり、機械学習とは呼べないものとなっている。一般に、人間の音声には様々なものがあり、人間は同じように話していても、実際には二度と厳密に同一の発声はできないと言われている。このようなルールで定義することが困難な揺らぎを扱うには確率論が有効となる。ゆらぎを確率分布で表現することで、大抵の場合はもっともらしい認識結果を得ることができる。今回はそのような考え方に基づき、大量のデータから頑強な認識モデルを構築する方法について述べる。
この世の中は静的なデータではなく動的なデータに溢れている。たとえば、工場やプラント、交通や、経済、ソーシャルネットワーク等で膨大な動的データが形成されている。工場やプラントのケースでは一般的な石油生産プラットフォームのセンサーでは、毎分10,000回の観測が行われ、ピーク時には100,000 o/mに達したり、モバイルデータのケースではミラノのモバイルユーザーは、1分間に20,000回の通話/SMS/データ接続を行い、毎分20,000回、ピーク時には80,000回に達したり、ソーシャルネットワークの場合は、例えばFacebookでは、2013年5月現在、1分間に300万件の「いいね！」を観測している。
劣モジュラ関数とは離散的な変数に関する凸関数に対応する概念となる。この「離散」的なデータに対する凸関数的な概念の適用により機械学習の分野で重要な最適化の処理が可能となる。これらが活用されている分野は主に組合せ最適化の領域で、センサ配置やコンピュータビジョンのグラフカット等の領域で活用されている。
コンテキストの認識により、サービスやアプリケーションは、ユーザーの利益のために、その行動を現在の状況に適応させることができます。IT業界では、サービスプロバイダーに大きな競争力を与え、既存のサービスとの微妙な差別化を図ることができるため、キーテクノロジーとみなされています。コンテキストの自動学習は、Context Aware Services (CAS)の開発効率を向上させる。本論文では、データマイニング技術やツールを用いて、長期間にわたって収集されたセンサーや機器のデータの履歴を保存、分析、利用することを支援するシステムを紹介する。このアプローチにより、サービスを適応させるためのパラメータ（コンテキスト次元）を特定し、区別する必要のあるコンテキストを特定し、最終的に、必要なときに自動的に照明を消灯／点灯させるようなCASの適応モデルを特定することができる。本論文では、我々のアプローチを紹介し、このアプローチを実装したシステムのアーキテクチャを説明する。また、単純だが現実的なシナリオである、自宅のアパート内を移動する人物に対して適用した結果を示す。例えば、白物家電、照明、携帯端末ベースのセンサーなどのデバイスから、その所有者の位置、姿勢などを取得できるデータセットが作成されている。本手法は、繰り返し発生するパターンを検出することができる。例えば、見つかったすべてのパターンは、人がいる部屋の照明の制御（ON/OFF）を自動化することに関連するものであった。これらの結果についてさらに考察し、我々の研究を他の研究との関連で位置づけ、いくつかの展望を述べて結論とする。
センサーネットワークは、私たちを取り巻く現実世界に関する膨大なデータの主要な供給源であり、さまざまな物理的特性をリアルタイムで測定しています。しかし、大規模な展開では、どのようなデバイスが利用可能で、どのような特性を測定しているかについての正確な情報がないため、センサーによって取得されたデータを効果的に活用することが困難になります。また、メタデータが利用できる場合でも、ユーザーはデータベーススキーマや、デバイスやプラットフォームに固有のプロパティの名前など、低レベルの詳細を知る必要がある。したがって、センサデータを首尾よく検索し、関連付け、結合するタスクは非常に困難である。我々は、オントロジーベースのアプローチを提案する。それは、セマンティックメタデータで強化されたオントロジーでセンサー観測を公開し、どのセンサーが何を、どこで、いつ、どの条件で記録したかというような情報を提供するものである。このために、仮想セマンティックストリームを定義し、そのオントロジー用語は宣言的マッピングによって基礎となるセンサーデータスキーマに関連付けられ、高レベルのセンサーネットワークオントロジーで照会することができる。
センサーウェブの研究者は現在、高品質でありながら分散した異種混在の膨大な地球観測データの動的な発見、統合、分析を支援するミドルウェアを研究しています。研究されている主な課題は、動的なデータ統合と分析、サービス発見とセマンティックな相互運用性です。しかし、知識とシステムのダイナミズムの両方を管理するための取り組みはほとんどありません。これらの問題に対処するために有望視されている2つの新技術は、オントロジーとソフトウェアエージェントである。本論文では、知識駆動型センサウェブのアイデアを紹介し、主要な要件を明らかにする。また、センサウェブ内の関連セマンティックインフラストラクチャの開発に向けた我々の取り組みを紹介する。
センサー観測は通常、特定の目的、例えば、微細なダスト排出の報告、厳格な手順、時空間スケールとの関連で提供される。その結果、今日の公共および民間のセンサーネットワークによって収集された膨大な量のデータは、ほとんどの場合、その最初の作成コンテキスト以外では再利用されていません。観測データやアプリケーションの再利用性を高めるためには、(1)計測値の空間的、時間的、テーマ的な集約、(2)外部データソースとの容易な統合メカニズムが必要である。本論文では、センサー観測の集約に関する研究を、出所情報と同様に外部との連携に焦点を当てたLinked Dataフレームワークにどのように組み込むことができるかを調査する。我々は、Linked Dataが集約問題に新しい側面を加えることを示す。例えば、オリジナルの観測の1つからの外部リンクが集約のために保存されるかどうかなどである。SSO (Stimulus-SensorObservation) オントロジーデザインパターンは、センサー観測の集約をモデル化するために必要なクラスと関係によって拡張される。
ここ数年、さまざまなアプリケーションでセンサーの利用が急増しています。センサーのデータ量の増加は、エンドユーザーがセンサーが配置されている環境内の状況を理解することを困難にしています。そのため、センサネットワークにおいて、ユーザが意思決定を行う際にセンサデータを解釈することを支援する状況評価メカニズムが必要とされています。しかし、このようなメカニズムを実現するための課題の一つは、リアルタイムのセンサーの測定値とレガシーシステムからの文脈的なデータソースを統合する必要があることである。本論文では、センサデータのデータエンリッチメントの問題に取り組む。本論文では、統一的なエンリッチメント基盤の有効な基盤としてLinked Dataの原則に基づき、エンリッチメントを関心のある状況によって駆動されるプロセスとして捉える動的エンリッチメントアプローチを提唱する。このアプローチは、例と概念実証のプロトタイプを通じて実証される。
サービスプロバイダ（多数のセンサー、異なる特性）が、アプリケーションのビジネスロジックを変更することなく、一般的な監視アプリケーションのセンサー構成を変更する可能性を促進するために、セマンティックサービス発見が必要です。効率と柔軟性を両立させるためには、センサーのセマンティックアノテーションと、セマンティックを意識したマッチングコンポーネントが必要である。この短い論文では、セマンティックSWEサポートとルールベースのセンサ選択のためのSOARコンポーネントについて読者に理解を深めてもらう。
本論文では、広く普及しているAndroid端末をベースに、軽量なセマンティックセンサーネットワークを容易に構築するためのアーキテクチャを紹介する。このアプローチは、基本的にデバイス上にSPARQLエンドポイントを配置し、複数のデバイスにクエリをフェデレートすることに依存している。セマンティックセンサーネットワークアプリケーションを構築する。
- Short Paper: Annotating Microblog Posts with Sensor Data for Emergency Reporting Applications(外部リンク)
モバイル端末から公開されるユーザー生成コンテンツ（ソーシャル・ウェブ）の爆発的な増加に伴い、Twitterのようなマイクロブログ・プラットフォームが急成長しています。Twitterは2006年に設立されたマイクロブログプラットフォームで、2010年10月には約1億7500万人のユーザーを抱え、2011年6月現在、1日あたり2億件の投稿が処理されています。Twitterのデータは、自然災害、社会不安、メディアトピックの予測・報道に活用されている。スマートフォンをはじめとするモバイル機器には様々なセンサーが搭載されているが、ソーシャルウェブではあまり活用されていない。本論文では、マルチセンサーデータをSSNやSIOCなどのオントロジーで表現し、マイクロブログの投稿にアノテーションを行う手法を提案する。また、これらのオントロジーのアライメントを提示し、利用可能なセンサデータのすべてまたは大部分がユーザの投稿にアノテーションとして公開され、救援活動を行う緊急モードへの移行を可能にする拡張Twitterクライアントを概説する。
センサーウェブの課題はよく知られているが、適切なセマンティックウェブ技術の利用は、これらの課題のいくつかに対する潜在的な解決策を提供することが期待されている（例えば、センサーデータをどのように表現するか、他のデータセットと統合するか、それを公開するか、データストリームで推論するか、などなど）。今日まで、この分野における多くの研究は、「伝統的な」ハードウェアセンサーに基づくセンサーネットワークに焦点を当ててきた。近年では、人間をセンサーとしてシステムに組み込むためのアプローチとして、市民センシングが比較的確立されてきている。市民センシングは、モバイルプラットフォームを通じて行われることが多く、ハードウェア（GPSなど）によって生成された観測データ、あるいは、人間が直接観測したデータを取り込むことができる。このような人間の観測は不完全（例えば、誤りや偽物）である可能性があり、精度やサンプリングレートの測定など、このようなデータを検出し推論するために通常使用されるであろうセンサーの特性は存在しない。この論文では、Informed Rural Passengerプロジェクトの一環として、乗客自身が交通関連のセンシング（車両の占有レベルや利用可能な施設など）の主な情報源となる私たちの仕事について説明します。このような観測データを実世界のシステムに取り込み、利用する際の課題について議論し、セマンティックウェブ技術と組み合わせ 出所モデルで対処しています。
本稿では、OGCベースのセンサとサービスを登録、アノテーション、検索、可視化、合成し、付加価値の高いサービスやアプリケーションを作成することを可能にするセマンティックおよびOGCベースのセンサアプリケーションプラットフォームであるSensappを紹介する。センサ登録、センサデータの視覚化、視覚的合成、実行可能なサービス合成の生成といったSensappの機能をデモを通して紹介する。
マルチモーダルセンサネットワークは、プログラミングが難しく、動的な利用が困難である。我々は、エンドユーザがセンサーネットワークで動的に発生する興味のあるイベントを記述し、必要なデータを収集するネットワークデバイスのプログラムコードを生成し、それらの記述されたイベントが検出されたときに警告を生成することをサポートするために、ユーザインタフェースにオントロジーを使用する方法を示す。オントロジーは、処理アーキテクチャの様々なポイントでセマンティック最適化のために使用される。
本論文では、レスキュー環境におけるセンサーデータの収集と処理のためのセマンティックウェブ対応システムを実証する。このリアルタイムシステムは、無線センサーネットワークを通じて救助ロボットから異種類の生センサーデータを収集する。生センサデータは、セマンティックセンサーネットワーク（SSN）オントロジーを用いてRDFに変換され、さらに、緊急シナリオで検知するための抽象的な情報を生成するために処理される。
センサーネットワークなどの動的な情報源の出現により、Web上に大量のリアルタイムデータが流れるようになった。調査によると、これらの動的なネットワークは、過去3年間に文明の歴史全体よりも多くのデータを作成し、この傾向は今後数年間で増加することが予想されます[1]。このようなデータの爆発的な増加に伴い、リアルタイム分析ソフトウェアは、適応するか死ぬかのどちらかでなければなりません[2]。この論文では、意味のある抽象化、つまり特徴を作り出すことを目的として、複数の異種センサデータのストリームを統合し分析するというタスクに焦点を当てます。これらの特徴は、次に時間的に特徴ストリームに集約される。本論文では、セマンティックウェブ技術に基づき、センサーストリームからリアルタイムに特徴ストリームを作成し、これらのストリームをLinked Dataとして公開するフレームワークを実装することを示す。特徴量ストリームを合理的な時間で生成することができ、その結果、大規模な データ削減を実現します。
次世代の空間情報インフラには、よりダイナミックなサービス構成、より多くの情報源、そしてそれらを統合するためのより強力な機能が求められています。センサーネットワークは、このようなインフラストラクチャの主要なデータ提供者として認識されており、セマンティックウェブ技術は、その統合能力を実証している。センサーデータの多くは、Open Geospatial Consortium（OGC）のObservations & Measurements（O&M）標準をデータモデルとして保存・アクセスされる。しかし、セマンティック・センサ・ウェブの出現により、センサ・ウェブ・イネーブルメント（SWE）の中で、オントロジーモデルに関する作業が重要視されるようになった。現在進行中のLinked Sensor Dataへのパラダイムシフトは、この試みを補完し、また新たな課題として相互リンクを追加するものである。このデモペーパーでは、OGC の Sensor Observation Service (SOS) の Linked Data モデルと RESTful プロキシを簡単に紹介し、統合と向上を図る。観測データの相互連携について述べる
- Semantic-Guided Feature Selection for Industrial Automation Systems
- A Semantic Processing Framework for IoT-Enabled Communication Systems
- The Transport Disruption Ontology
- FraPPE: A Vocabulary to Represent Heterogeneous Spatio-temporal Data to Support Visual Analytics
- SPARQL-to-SQL on Internet of Things Databases and Streams
- Interoperability for Smart Appliances in the IoT World
- EnergyUse – A Collective Semantic Platform for Monitoring and Discussing Energy Consumption
- Semantic Sensor Networks
ストリームデータ技術
この世の中は静的なデータではなく動的なデータに溢れている。たとえば、工場やプラント、交通や、経済、ソーシャルネットワーク等で膨大な動的データが形成されている。工場やプラントのケースでは一般的な石油生産プラットフォームのセンサーでは、毎分10,000回の観測が行われ、ピーク時には100,000 o/mに達したり、モバイルデータのケースではミラノのモバイルユーザーは、1分間に20,000回の通話/SMS/データ接続を行い、毎分20,000回、ピーク時には80,000回に達したり、ソーシャルネットワークの場合は、例えばFacebookでは、2013年5月現在、1分間に300万件の「いいね！」を観測している。
これらのデータが現れるユースケースでは「最後の10分でタービンのバーリングが振動し始めたときに予想される故障のタイミングは何か？最後の10分間に検出されたように、タービンのバーリングが振動し始めたときの予想故障時間は？」とか「人々がいるところに公共交通機関はあるのか？」とか「話題のトップ10について、誰が議論をしているのか？」等の粒度の細かな様々な課題が生じ、それらに対する解が求められている。
本ブログでは 以下のページにて、このようなストリームデータを扱うためのリアルタイム分散処理フレームワーク、時系列データの機械学習処理、およびそれらを活用したスマートシティやインダストリー4.0などの応用例について述べる。
時系列データ解析
時系列とは、ある現象の時間的な変化を、連続的に（または一定間隔をおいて不連続に）観測して得られた値の系列（一連の値）のことであり、時系列データの収集とは、「観測対象ないしその属性が連続時間上で変化すると仮定し、それらを事前に定めた時間間隔で記録する」という作業になる。このとき、時系列分析の主な目的の一つは、観測対象のモデル化、つまり観測対象をうまく表現する連続時間を引数とした関数を、時系列データから読み取ることとなる。
一般的にはこれらのモデルは確率分布で表され、それらの例としてはAR(AutoRegressive)モデル(自己回帰モデル)、ARCH(AutoRegressive Conditional Heteroscedasticity)モデル(自己回帰条件付分散不均一モデル)、GARCH(Generalized ARCH)モデルや、あるいは状態空間モデル等がある。
本ブログでは 以下のページにて、この時系列データ解析について、理論的概要、具体的なアルゴリズム、さまざまな応用について述べている。
異常検知と変化検知
あらゆるビジネスの現場で、変化あるいは異常の兆候を捉えることは非常に重要な課題となる。例えば売り上げの変化を捉えることでいち早く次の一手を打ったり、稼働中の化学プラントの異常の兆候を見つけることで、重大な事故を未然に防いだり、現場の職人芸に頼らず、客観的にこれらの行うことはデジタルトランスフォーメーションや人工知能のタスクを考える上で非常に意義があるものとなる。
これらに対するアプローチとしては、ルールを抽出するもの以外に、統計的機械学習の技術を使うことで、実用に耐えうる異常検知・変化検知の仕組みが構築できるようになってきた。これは観測値をxとすると、その取りうる値についての確率分布p(x)を使って数式で異常や変化の条件を記述するもので、汎用的な手法となる。
本ブログでは 以下のページにて、この異常検知・変化検知のの具体的な技術としてホテリングのT2法から始まり、ベイズ法、近傍法、混合分布モデル、サポートベクトルマシン、ガウス過程回帰、疎構造学習など多様なアプローチについ述べている。
劣モジュラ最適化と機械学習
劣モジュラ関数とは離散的な変数に関する凸関数に対応する概念となる。この「離散」的なデータに対する凸関数的な概念の適用により機械学習の分野で重要な最適化の処理が可能となる。これらが活用されている分野は主に組合せ最適化の領域で、センサ配置やコンピュータビジョンのグラフカット等の領域で活用されている。
劣モジュラ関数を考える際に、機械学習における組み合わせ的な側面を考える。「組み合わせ」とは「何らかの選択可能な集まりの中から、その一部を選択する」という手続き、およびそれに付随する種々の計算的な性質を意味する。
これは例えば、病院に蓄えられた患者データから、新しい患者の必要な入院期間を考える場合、これを機械学習で解こうとすると、蓄えた患者データを用いて様々な検査/調査データ項目から入院期間への回帰モデルを構築し、その患者に適用するのが一般的となる。この時患者の体重や来院歴は有用なデータとなる可能性が高いが、患者の趣味や職業のデータはあまり活用できない可能性が高い。このような目的とあまり関係のないデータも含めて回帰モデルを組んでしまうと、 その項目に予測が引っ張られモデルの性能は低下してしまう。
そのようなことをなくす為、有用そうな一部のデータを選択して用いることが重要になり、それらをシステマチックに抽出するアプローチが劣モジュラ関数のアプローチとなる。
本ブログでは 以下のページにてこの劣モジュラ最適化の機械学習的アプローチについての理論と実装について述べる。
コメント
[…] センサー解析等の大規模な逐次処理に用いられる機械学習のテクニックの一つであるオンライン学習技術のの参考図書「機械学習プロフェッショナルシリーズ オンライン機械学習」より 読書メモ。 […]
[…] IOT技術の中心的な要素となるセンサー情報のハンドリングの概要 | Deus Ex Machina より: 2022年3月21日 5:34 AM […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] IOT技術の中心的な要素となるセンサー情報のハンドリングの概要 | Deus Ex Machina より: 2021年10月3日 7:37 AM […]
[…] デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 […]
[…] 機械学習技術サマリー 自然言語技術サマリー 人工知能技術サマリー デジタルトランスフォーメーション技術サマリー 一般的な機械学習技術サマリー 劣モジュラ最適化サマリー IOT技術サマリー […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータ処理 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 確率的生成モデル 時系列データ解析技術 ストリームデータ制御技術 人工知能技術 IOT&センサー技術 セマンティックウェブ技術 デジタルトランスフォーメーション技術 […]
[…] IOT技術の中心的な要素となるセンサー情報のハンドリングの概要 | Deus Ex Machina より: 2022年1月25日 6:48 AM […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術サマリー […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 グラフデータアルゴリズム IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 グラフデータアルゴリズム IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 グラフデータアルゴリズム IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 自然言語技術 人工知能技術 デジタルトランスフォーメーション技術 一般的な機械学習技術 劣モジュラ最適化 IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 オンライン予測技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジダルトランスフォーメーション オンライン学習技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 強化学習技術 深層学習技術 確率生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ストリームデータの処理と機械学習 確率的生成モデル 関係データ学習 […]
[…] 人工知能技術 自然言語処理技術 IOT セマンティックウェブ技術 深層学習技術 […]
[…] ウェブ技術 デジタルトランスフォーメーション技術 人工知能技術 IOT セマンティックウェブ技術 知識情報処理技術 推論技術 DXの事例 […]
[…] 人工知能技術 自然言語処理技術 IOT セマンティックウェブ技術 深層学習技術 […]
[…] ウェブ技術 デジタルトランスフォーメーション技術 人工知能技術 IOT セマンティックウェブ技術 知識情報処理技術 推論技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ストリームデータの処理 確率的生成モデル 深層学習 関係データ学習 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 バンディット問題 強化学習技術 推薦技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ストリームデータの処理 確率的生成モデル 深層学習 関係データ学習 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータの処理と機械学習 ICTインフラ技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 確率的生成モデル 機械学習技術 深層学習技術 センサーデータ/IOT技術 強化学習 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータの処理と機械学習 ICTインフラ技術 […]
[…] 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータの処理と機械学習 ICTインフラ技術 Clojure […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 バンディット問題 強化学習技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 バンディット問題 強化学習技術 推薦技術 python 物理・数学 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータの処理と機械学習 ICTインフラ技術 […]
[…] データ収集に関してはIOT技術が重要な要素となる。IOT技術の詳細に関しては”センサーデータ&IOT技術“を参照のこと。またリアルタイムデータの監視に関しては”データスト […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術. センサーデータ&IOT ICT技術 ストリームデータの処理と機械学習 ICTインフラ技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] する問題では、Thompson Samplingが役立つことがある。デバイスのパラメータ調整や通信チャネルの選択などがこれに該当している。詳細は”センサーデータ&IOT技術“も参照のこと。 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] デジタルトランスフォーメーション技術 一般的な機械学習技術 IOT技術 劣モジュラ最適化 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 人工知能技術 自然言語処理技術 IOT セマンティックウェブ技術 深層学習技術 […]
[…] 人工知能技術 自然言語処理技術 IOT セマンティックウェブ技術 深層学習技術 […]
[…] 時系列データ解析技術 ストリームデータ制御技術 人工知能技術 IOT&センサー技術 セマンティックウェブ技術 デジタルトランスフォーメーション技術 […]
[…] 人工知能技術 自然言語処理技術 IOT セマンティックウェブ技術 深層学習技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 確率的生成モデル 機械学習技術 深層学習技術 オンライン予測技術 センサーデータ/IOT技術 […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] デジタルトランスフォーメーション技術 一般的な機械学習技術 IOT技術 劣モジュラ最適化 […]
[…] IOT技術の中心的な要素となるセンサー情報のハンドリングの概要 | Deus Ex Machina より: 2021年10月3日 7:19 AM […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション技術 センサーデータ&IOT ICT技術 ストリームデータの処理 ICTインフラ技術 確率的生成モデル […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]
[…] 機械学習技術 人工知能技術 デジタルトランスフォーメーション センサーデータ/IOT技術 オンライン学習 深層学習技術 確率生成モデル 強化学習技術 python […]