Press release

オープンソースの深層学習フレームワーク Chainer の最新版となるChainer v2をリリース

学習時のメモリ使用効率の大幅な改善など、機能強化を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川 徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)のメジャーアップデート版となるChainer v2をリリースしました。

2015年のChainer公式リリース以来初めてとなる大幅な機能強化を実施し、よりパワフルに、柔軟に、そして直感的に、深層学習の実装と学習が可能になります。

深層学習技術の急速な発展と応用分野の拡大にともない、深層学習フレームワークに求められる機能、ユーザーの目的も急激に変化し、多様化しています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerMN(分散深層学習)/ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。

 

今回リリースしたChainer v2では、大きく3つの機能強化・改善を行いました。

1. 学習時のメモリ使用効率を大幅に改善

学習速度を犠牲にすることなく、メモリ使用量を大幅に削減。画像認識の分野で多用されるネットワーク ResNet50を用いた学習時には、メモリ使用量を33%以上削減できることが確認されています。これにより、より大きなネットワーク設計が容易になり、また、従来のネットワークにおいても、より大きなバッチサイズでの学習が可能になります。

 

2. Chainerの付属配列ライブラリ CuPy を分離・独立し、GPUを活用した高速配列演算の応用範囲を拡大

汎用配列計算ライブラリ CuPy は、科学技術計算の分野で多用されるライブラリ NumPy と非常に高い互換性をもつため、NumPyで記述されたコードをほとんど変更することなくGPUを使って高速に実行することが可能です。今回CuPyを分離し、独立したライブラリとして開発していくことで、深層学習以外の分野の研究・開発にも応用範囲を広げ、ユーザーの拡大を目指します。

 

3. APIを整理し、より直感的に

Chainerは、複雑なニューラルネットワークをプログラムとして直感的に記述できることが大きな特長の一つです。今回、ユーザーのユースケースやコミュニティからの要望を考慮し、不要なオプションの削除やインターフェースの整理を行い、より洗練されたAPIに改善しました。さらに直感的な記述が可能になったことで、意図しないバグの埋め込みが起きにくくなります。

 

● Chainer ReleaseNote:
https://github.com/chainer/chainer/releases/tag/v2.0.0

● Chainer Upgrade Guide:
http://docs.chainer.org/en/stable/upgrade.html

● Chainer Blog:
http://chainer.org/announcement/2017/06/01/released-v2.html

 

Chainerは今後、各分野の研究者や実務者の最先端の研究・開発活動をより迅速かつ効率的にサポートするため、4ヶ月ごとにメジャーバージョンのリリースを計画しています。

Chainer v2リリースにおいても、これまで同様に外部コントリビュータの開発成果を数多く取り入れさせていただきました。PFNは今後も、サポート企業やOSSコミュニティと連携しながらChainerの開発と普及を推進してまいります。

 

■ Chainer Meetup #05 

Chainerユーザーである開発者・研究者のコミュニティーイベントです。

●日 時: 2017年6月10日(土)14:00~18:30

●会 場: 日本マイクロソフト株式会社 品川オフィス セミナールームA
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://chainer.connpass.com/event/57307/

 

■ Deep Learning Lab コミュニティキックオフ

最新のディープラーニング技術を実際のビジネスへ応用するべく、技術とビジネスの両面に精通したプロフェッショナルたちが集まるコミュニティです。主要プラットフォーム/フレームワークにMicrosoft AzureとChainerを採用し、事例や最新技術動向の情報発信を行います。

●日 時: 2017年6月19日(月)9:00~12:30

●会 場: 日本マイクロソフト株式会社 品川オフィス 会議室
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://dllab.connpass.com/event/57981/

 

■ オープンソースの深層学習フレームワークChainerについて  http://chainer.org/

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”アプローチによりユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計し、学習させるための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングの最新研究成果をいち早く現実世界のアプリケーションに活用するためのフレームワークを求める産業界においても、多くのユーザーに支持されています。

 

■ 株式会社Preferred Networksについて https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

*Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

お絵描きコミュニケーションアプリ「pixiv Sketch」と線画自動着色サービス「PaintsChainer」が連携。イラストの自動着色機能を提供開始!

〜AIがイラスト制作の「着色」をサポート!イラスト上の顔や服装、風景等を認識し、自動的に着色する新機能を提供〜

ピクシブ株式会社(代表取締役社長:伊藤浩樹、本社:東京都渋谷区)とAIベンチャーの株式会社Preferred Networks(代表取締役社長:西川徹、本社:東京都千代田区、以下、PFN)は提携し、お絵描きコミュニケーションプラットフォーム「pixiv Sketch(ピクシブスケッチ)」に、新たにAI技術による線画自動着色サービス「PaintsChainer(ペインツチェイナー)」の機能を追加し、2017年5月24日(水)より提供開始します。

 

pixiv Sketchは、PCやスマートフォン等のデバイスを通じてお絵描きしたものをそのまま投稿できるコミュニケーションプラットフォームです。部屋の中でくつろいでいる時も、友達と外で遊んでいる時も、いつでもどこでも気軽にお絵描きをして、お絵描きを投稿することでコミュニケーションをリアルタイムに体験できます。
この度pixiv Sketchに追加する機能は、PFNが開発・提供する深層学習フレームワークChainerを使って線画および着色イラストを学習させたPaintsChainerの、塗る色を自動判断できる技術が使われています。

 

これはイラスト制作のうちの「着色」という重要な工程を手助けしてくれるもので、pixivSketch上で描いた絵や外部画像ファイルを選択して自動着色ボタンをクリックするだけで、AIがイラスト上の顔や服装、風景等を認識し、自動的に色が塗られます。また色の調整も可能で、カラーパレットから線画上の任意の箇所に、好きな色をヒントとして指定して自動着色することもできます。

 

ピクシブとPFNは、今後もAI技術や研究を通して、お絵描きをより身近で楽しいものに変えるべく、価値のあるサービス提供をしてまいります。

 

 

■下記①~④のお絵描き工程のうち、③着色工程に自動着色機能を使うことができます

■pixivSketchでの自動着色機能

  • 対応開始 :5月24日(水)
  • 費用:無料
  • URL:https://sketch.pixiv.net/ (※WEB版のみ対応)
  • 主な利用方法
    ① 線画を描く、もしくは画像を選択
    ②「自動着色」ボタンで自動着色する
    ③ 2種類から好みの着色パターンを選択
    ④ 必要に応じて、色のヒントをカラーパレットから入力し、着色を調整
    ⑤ 色指定の後、矢印ボタンをクリックし、完成!

 

 

■pixiv Sketchとは  https://sketch.pixiv.net/

「日々のお絵描きをもっと気軽で楽しいものにしたい」という想いで立ち上げた、お絵描きコミュニケーションプラットフォーム。PCやスマートフォン等のデバイスを通じて、いつでもどこでもお絵描きしたものを投稿できるサービスです。

■PaintsChainerとは  https://paintschainer.preferred.tech/

PFNが開発・提供し、2017年1月のサービス公開と同時にTwitter等で大きな反響のあった、オンライン線画自動着色サービス。白黒等で描かれた線画ファイルをアップロードするだけで、深層学習の技術を使って完全自動着色または色指定の自動着色をすることができます。

 

■株式会社Preferred Networks  https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指している。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進している。

所在地:東京都千代田区大手町1-6-1 大手町ビル2F

代表取締役社長:西川徹

設立日:2014年3月26日

 

■ピクシブ株式会社  http://www.pixiv.co.jp

所在地 : 東京都渋谷区千駄ヶ谷4-23-5 JPR千駄ヶ谷ビル2F

代表取締役社長:伊藤浩樹

事業内容:インターネットサービス事業

設立日:2005年7月25日

 

*Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

*その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksとマイクロソフト、ディープラーニングソリューション分野で戦略的協業

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)とマイクロソフト コーポレーション(本社:米国ワシントン州レドモンド、CEO:サティア ナデラ、以下マイクロソフト)は、人工知能や深層学習の実社会での活用を推進するため、ディープラーニングソリューション分野において戦略的協業することで合意しました。

今回の協業により、マイクロソフトのパブリッククラウドプラットフォームMicrosoft AzureとPFNの深層学習テクノロジーの連携を推進し、各業種業態のビジネス課題を解決する深層学習ソリューションを提供します。本協業の日本市場における展開を、日本マイクロソフト株式会社(本社:東京都港区、代表取締役 社長:平野 拓也)が全面的に支援します。

 

両社は、本協業を通して①テクノロジー、②人材育成、③マーケティング、の3つの軸で連携を進めます。

1.テクノロジー:

  • 深層学習に関わる技術者の課題として、複雑化するニューラルネットの学習時間の増大、増加し続けるデータの煩雑な管理、絶え間なく技術革新するアルゴリズムへの対応、深層学習を用いたシステム開発の方法論などが挙げられます。今回の協業では、2017年夏に、Microsoft AzureのIaaS と PFNの深層学習フレームワーク Chainerの親和性を高め、Chainer / ChainerMN(Multi Node)をワンクリックでAzure IaaS 上に展開する Azure Templateの提供、データサイエンスVMへのChainer 搭載、Azure Batch ServicesおよびSQL ServerのChainer対応、そしてChainerのWindows対応などを進めることで、課題の解消を図ります。

 

  • 現在主流であるニューラルネットワークのスクラッチ開発は高度な技術的知識が求められ、必要とされる投資金額も非常に大きくなっています。深層学習の実社会への適用を推進するためにはスクラッチ開発から、標準化されたソリューションへの移行が必須です。これを推進するため、Microsoft Azureのデータ収集分析サービスとPFNの深層学習プラットフォーム Deep Intelligence in-Motion(DIMo、ダイモ)を組み合わせ、特定のワークロードや業種向けソリューションを2017年中に提供します。また、そのソリューションを展開するパートナーを両者で支援し育成を行い、より広い実社会への実装を加速させていきます。

2.人材育成:

  • データサイエンス人材の育成は深層学習の実社会への応用の主要な課題の1つです。この課題を解消するために両社が連携し、大学の学生、企業内のエンジニア・研究者向けのトレーニングプログラムを2017年中に提供します。また、高等教育機関向けには政府機関などのデータ関連人材育成プログラムへの参加を検討していきます。

 

  • トレーニングプログラムはニューラルネットワークの基礎を学ぶ初級クラスだけではなく、実際に深層学習の実ビジネス事例をテーマに応用方法を学ぶ上級クラスまで提供します。これらのトレーニングを通して3年間で5万人の人材育成を計画しています。国際競争力のある IT 人材育成を目的とする世界最大の学生向けの IT コンテストであるImagine CupやAzure for Research などのプログラムをトレーニングのゴールとして用意します。

3.マーケティング:

  • 深層学習は機械学習の手法の1つですが、現在人工知能という広範な意味を含む言葉に含まれる形で多くの人の目に触れています。その結果、お客様のビジネス課題を解決するために深層学習が有効なのかどうか見極めが難しくなっています。これまでマイクロソフトとPFNが培った深層学習ビジネスの知見および、Microsoft Azure、Chainer、DIMoを活用した実際の成功事例をもとに、2017年夏に各業種に向けたお客様ワークショップを開始します。

 

  • Chainer、DIMoが提供する最新の深層学習テクノロジーを、強固なAzure基盤上に組み込むことにより、お客様の基幹システムに組み込めるエンタープライズグレードのエンドツーエンドソリューションを2017年内目途で提供します。

 

  • 深層学習でビジネス課題を解決したいお客様と、深層学習のコンサルティングや展開を行う企業とのマッチングの場として、コミュニティ”Deep Learning Lab(ディープラーニング・ラボ)”を発足し、2017年6月19日(月)および7月25日(火)の両日、コミュニティの主旨説明会を開催します。https://dllab.connpass.com/

 

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/)

 

■日本マイクロソフト株式会社について

日本マイクロソフトは、マイクロソフト コーポレーションの日本法人です。マイクロソフトは、モバイル ファースト&クラウド ファーストの世界におけるプラットフォームとプロダクティビティのリーディングカンパニーで、「Empower every person and every organization on the planet to achieve more.(地球上のすべての個人とすべての組織が、より多くのことを達成できるようにする)」を企業ミッションとしています。

日本マイクロソフトは、この企業ミッションに基づき、「革新的で、安心でき、喜んで使っていただけるクラウドとデバイスを提供する会社」を目指します。

 

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

* Microsoft、Azure、Surface、Cortana は、米国 Microsoft Corporation の米国およびその他の国における登録商標または商標です。

* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

 

オープンソースの深層学習フレームワークChainerに、 マルチノードでの分散学習機能を追加するChainerMNを正式リリース

本日、株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)に、複数GPUの連携による分散学習機能を追加することで、学習速度を高速化させた追加パッケージ ChainerMN(チェイナー・エムエヌ、「MN」は「Multi Node」の略、https://github.com/pfnet/chainermn)を正式にリリースしました。

GPUの性能は継続的に向上していますが、より大きなデータを活用し、より精度の高い学習モデルを実現するために、深層学習で使われるモデルのパラメータ数や計算量も増大しています。そのため現在でも、Chainer を含む一般的なフレームワークを用いた標準的な学習では 1週間以上かかるようなユースケースが少なくありませんでした。

PFNでは、より大規模なデータを扱ったり、試行錯誤のイテレーションを効率化するために、複数のGPUを連携させ、マルチノードでの分散学習機能を実装したChainerMNを開発しました。実験では「32ノード/128GPU」を動作させ、「1ノード/1GPU」で約20日を要する学習を、4.4時間で終わらせることに成功しています。

 

  • ChainerMNと他のフレームワークとの性能比較実験

https://research.preferred.jp/2017/02/chainermn-benchmark-results/

128 GPU を用い、速度のために精度を犠牲にしない実用的な同一設定下で、各フレームワークが学習完了に要する時間を比較した実験では、ChainerMN が最も高速という結果になりました。

 

また、GPU 数を変えた時の各フレームワークのスループットでは、1GPU の時にはC++ で記述されたMXNet, CNTK のほうがPython で記述されているChainerMN よりも高速であるものの、128 GPU では、ノード内・ノード間の両方で高速な通信を実現した ChainerMN が最も高速であり、スケーラビリティがあるという結果になりました。

 

ChainerMNは高速でスケーラブルなだけでなく、Chainerのユーザーであれば既存の学習コードから数行の変更をするだけで簡単にChainerMNを利用可能です。

ChainerMNは既に社内の複数のプロジェクトで利用されており、自然言語処理分野や強化学習分野での試用も始まっています。

 

  • オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。(http://chainer.org/

 

  • 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

 

インテルとPreferred Networks、ディープラーニング向けオープンソースフレームワークChainerの開発で協業インテル アーキテクチャ上でChainerの実行パフォーマンスの大幅な向上を目指す

インテルコーポレーション(本社:米国カリフォルニア州サンタクララ)と株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、本日、PFNが開発・提供するディープラーニング向けオープンソースフレームワークであるChainer(R)(チェイナー、http://chainer.org/)の開発で協業すると発表しました。今回の協業により、インテルの汎用インフラ上でChainerのパフォーマンスを大幅に向上することを目指します。

 

今後、IoT(モノのインターネット)や5G(第5世代移動通信システム)、AI(人工知能)などの先進的なテクノロジーがさまざまな産業分野で活用され、データを中心としたビジネス機会や利用体験を生み出していくことが予想されています。特にAIやディープラーニングに関するテクノロジーの進化により、データが持つ価値をさらに高めるアプリケーションの創出が加速します。

AIやディープラーニングに関するフレームワークなどのテクノロジー、そしてアプリケーションの開発/実装は、特定用途向けのコンピューティング環境のもとで進められています。そして、このことが、開発者コミュニティにおける、開発の複雑性、時間、コストなどの制約となっています。
この状況を踏まえ、AIの開発をより容易に進められるよう、各産業向けアプリケーション開発者にとって使いやすく、先進的なディープラーニング・フレームワークとして実績のあるChainerを開発・提供するPFNと、汎用コンピューティング テクノロジーや業界をリードするAI/ディープラーニング向けアクセラレーターを提供するインテルが共同で取り組みます。両社のテクノロジーを活用し、AIやディープラーニング向けの先進的なフレームワークを活用したアプリケーションの開発/実行の最適化を進め、画像認識や機械制御、異常検知などの性能向上を目指します。

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

インテルは、業界をリードするテクノロジー企業として、AIコンピューティング時代をさらに加速させるための独自の地位を築いています。そして、インテル(R) Xeon(R)プロセッサー、インテル(R) Xeon Phi™プロセッサー、インテル(R) Arria 10 FPGA、インテル(R) Nervana™ テクノロジーなど、業界で最も幅広いAI向けコンピューティング製品とChainerとの組み合わせにより、ディープラーニング向けに革新的な処理能力を実現できるよう支援します。また、このChainerフレームワークでは、高度に最適化されたオープンソースのライブラリであるインテル(R) Math Kernel Library(MKL)およびインテル(R) Math Kernel Library Deep Neural Network(MKL-DNN)を基盤となるビルディングブロックとして採用します。

 

インテルとPFNは、今回の協業を通じて以下の取り組みを推進します。

  • インテル アーキテクチャ上での、Chainerの実行パフォーマンスを継続的に最適化
  •  Chainerのアップデートへの継続的な対応
  •  汎用コンピューティング、アクセラレーター、ライブラリなどのインテル アーキテクチャのアップデートに対するChainer最適化の継続的な対応
  •  インテルのGithub(https://github.com/intel/chainer)において両社の協業成果を開発者コミュニティに公開
  •  AI/ディープラーニング市場の成長を加速するためのプロモーション活動での協

■インテルについて

インテルは、テクノロジーの可能性を広げ、この上ない感動体験を提供します。インテル、そしてインテル10万人以上の社員による創造の成果については、newsroom.intel.comまたはintel.comでご覧ください。

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

*Intel、インテル、Intel ロゴは、米国およびその他の国におけるインテル コーポレーションの商標です。

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

ソラコムと Preferred Networksが独ハノーバーで開催される「CeBIT2017」で機械学習技術をIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを実施

株式会社ソラコム(本社:東京都世田谷区、代表取締役社長:玉川憲、以下、ソラコム)と、株式会社 Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、以下 PFN)は、3月20日から24日に独ハノーバーで開催される「CeBIT(セビット)2017(国際情報通信技術見本市)」において、PFNが開発する深層学習の技術を、ソラコムに繋がったIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを行います。

ソラコムは、IoT通信プラットフォーム「SORACOM」を提供しています。「SORACOM」を採用することにより、IoTに特化した無線通信を、リーズナブルに、WebコンソールもしくはAPI からプログラマブルにご利用いただけるだけではなく、通信経路上での暗号化や、クラウド連携など、セキュアかつ迅速にIoTシステムを構築・運用いただけます。

PFNは、IoTと深層学習をはじめとする機械学習の技術に強みを持ち、製造業や交通、バイオ・ヘルスケアを中心とする応用分野で高度なインテリジェンスを実現するため、分散協調的にデータ解析処理を行うプラットフォーム製品の開発・提供を行っています。

ソラコムが提供するセルラー回線などの無線技術により、IoT機器からデータを直接クラウドに送信することは簡易になってきています。しかし、帯域やデータ量を考えた場合、映像や音声といった大規模データをリアルタイムで継続的に送信することは、依然として課題があります。

今回のデモ展示は、IoT機器上で深層学習技術を実行し、データ解析することで、これらの課題を解決し、本当に価値のあるデータだけを効率的にクラウドへ送信することを可能にするものです。PFNではこの技術を「エッジヘビーコンピューティング」と呼んでいます。この手法を用いることで、高度なリアルタイム解析と、小さいデータ通信量の両立、加えて映像データ自体は解析後すぐ破棄するためプライバシーなどの問題も解決することができます。

 

エッジヘビーコンピューティング」の共同デモ詳細:

1.デモの内容

IoT機器に接続されたカメラに映った人物のデモグラフィックをその場で分析し、分析結果のみをクラウドへ転送して可視化を行うデモです。
今回、組み込み向けの高性能GPUモジュールである「NVIDIA(R) Jetson(TM) TX1」上でPFNの深層学習プラットフォーム「DIMo(ダイモ、Deep Intelligence in-Motion)」を動作させます。そして、「NVIDIA Jetson TX1」に接続されたカメラに映った人物のデモグラフィックをその場で映像に基づいて分析します。その後、要約された情報のみを「SORACOMAir」でクラウドに転送し、「SORACOM Harvest」を利用して可視化します。

 

2.「エッジヘビーコンピューティング」のメリット

カメラがとらえた人物の年齢・性別や映像内の位置情報と言った大ざっぱな情報だけをクラウドに転送することで得られるメリットは以下の通りです。

  •  映像を直接クラウドに送って解析する典型的なケースと比べて圧倒的に小さいデータを送るだけで済む
  • データサイズを気にせずに高品質で高い解像度の映像を分析できる
  • クラウドに映像を送る場合は解像度と品質を落とさなければならないため、分析の難易度が上がる
  • 映像はクラウドに蓄積せず、分析後カメラ側で破棄するためプライバシーを守りやすい

 

3.共同デモの展示詳細

時期:2017年3月20日~24日

会場:ドイツ・ハノーバー「CeBIT(セビット)2017(国際情報通信技術見本市)」

ブースナンバー:Hall 12, Stand B37   http://www.cebit.de/exhibitor/soracom-dk/U177198

※なお、ソラコムとしては、Japan Pvillion内、Hall 4, Stand A38 にもブースがありますが、上記のデモ展示はHall 12のみとなります。

 

「エッジヘビーコンピューティング」の共同デモにあたり、エンドースメントのご紹介

エヌビディア合同会社様に、本デモ展示にあたり、エッジデバイスをご提供いただきました。

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎真孝様

「エヌビディアはAIコンピューティングカンパニーとして、サーバーサイドのディープラーニングの学習からエッジサイドでの推論まで、End-to-Endでソリューションを提供しています。今回の「エッジヘビーコンピューティング」のデモはエヌビディアのディープラーニングソリューションを具現化するものであり、今後も両社の取り組みをサポートして参ります。」
demo1

demo2

株式会社ソラコムについて

株式会社ソラコムは、 IoT 向けの通信プラットフォーム「SORACOM」を提供します。このプラットフォームは、2015年9月にサービス提供開始された、IoTに特化したモバイル通信サービスです。お客様はSORACOMを利用することにより、IoTシステムに不可欠な通信を、リーズナブルに、セキュアに、プログラマブルにシステムに組み込むことができます。

 

株式会社 Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、新しいイノベーションの実現を目指しています。
最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

NVIDIA Jetson TX1について

Jetson TX1 はクレジットカードサイズのモジュールに搭載されたスーパーコンピューターです。 NVIDIA Maxwell(TM) アーキテクチャ、256 NVIDIA CUDA(R) コア、64 ビット CPU を備え、非常に効率的な処理能力を見せます。また、ディープラーニング、コンピュータービジョン、GPU コンピューティング、グラフィックスの最新技術を備え、組み込みビジュアル コンピューティングに最適なモジュールとなっています。

NVIDIA Jetson TX1

 

***********************************************************

■会社概要

会社名: 株式会社ソラコム
代表取締役社長: 玉川憲
本社: 東京都世田谷区玉川四丁目5番6号尾嶋ビル3F
資本金: 37億2755万4044円(資本準備金含む)
ウェブサイト https://soracom.jp/

会社名: 株式会社Preferred Networks
代表取締役社長: 西川徹
本社: 東京都千代田区大手町1丁目6番1号大手町ビル2F
ウェブサイト https://www.preferred-networks.jp

※DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標です。また、記載されている会社名および商品名は、各社の商標または登録商標です。

 

人工知能(AI)を活用した統合的がん医療システム開発プロジェクト開始

国立研究開発法人 国立がん研究センター(理事長:中釜 斉)と株式会社Preferred Networks(代表取締役社長:西川 徹、以下、PFN社)、国立研究開発法人 産業技術総合研究所(理事長:中鉢 良治、以下、産総研)人工知能研究センター(研究センター長:辻井 潤一)は、国立研究開発法人 科学技術振興機構の戦略的創造研究推進事業(CREST)における「イノベーション創発に資する人工知能基盤技術の創出と統合化」研究領域に採択され、人工知能(AI:Artificial Intelligence)技術を活用した統合的ながん医療システムの開発プロジェクト(以下、本プロジェクト)を開始します。

本プロジェクトでは、国立がん研究センターに蓄積されている膨大な罹患者の詳細な臨床情報やマルチオミックスデータ*1(ゲノム、エピゲノム*2、画像情報および血液など網羅的な生体分子情報)、さらに疫学データと文献情報を、AI技術を利用して統合的に解析し、日本人のがん罹患者個々人に最適化された医療(Precision Medicine)の提供を目指した革新的がん医療システムの開発を目的とします。また、システムを実用化し、社会全般に普及させることにより、がん医療の質の向上を推進することを目指します。

 

■背景
国立がん研究センターは、これまで世界でも有数の質の高いがんの基礎研究・臨床研究および疫学研究を長い間継続的に行なっており、蓄積されたがんの診断データは膨大な量になります。これらを統合的に解析することで、個々人に最適化された医療を提供できると考えられていますが、これまでは、このようながんに関するビッグデータを解析する手法が無く、実現に至っておりませんでした。しかし、近年、診断に利用されるデータの電子化が進んできたこと、複数のコンピュータやプロセッサを利用した分散処理技術の発展によりビッグデータ解析が可能になってきたこと、および、深層学習に代表される AI技術の発展により、構造化されたデータのみならず、構造化されていない多様ながんのビッグデータであっても、統合解析をすることで、医療の質の向上へと繋げられる可能性が高まってきました。

 

■研究概要
本プロジェクトでは、最前線の深層学習技術の研究開発・産業化を推進しているPFN社、およびAI研究開発を先導する産総研 人工知能研究センターと共同で、国立がん研究センターが保持している膨大ながんに関する臨床データ、マルチオミックスデータおよび疫学データを統合的に解析するメディカルAI技術を開発します。その上で複雑ながんの本態を解明し、がんの診断・治療および創薬へ応用していきます。例えば最近様々な分野で利用が広がる深層学習技術をPFN社はがん診断に適用することで、様々ながんの早期予測精度を画期的に改善することを示し始めています。また、産総研で研究されている機械学習・統計手法により、がんの有無・進行度の判別や効果ある治療法の選択が容易になるバイオマーカー(生体物質)探索の効率化が期待できます。このように最先端のAI技術を導入することで、より迅速でかつ精度の高いがんの診断・治療および創薬システムを、産・官・学が密接に連携して開発します。

がん医療に伴うAI開発においては、電子化・構造化されたデータのみならず、様々な非構造化がんデータベースの構築と、その多彩なデータベースを解析できる機械学習・深層学習技術の開発が必要になります。そのため、本プロジェクトでは、まず、機械学習・深層学習の適用が可能な正規化されたがんのデータベースを構築し、その上で機械学習・深層学習を利用して解析します。対象としてクリニカルシークエンス*3(ゲノム)データ、ヒストン修飾*4を中心としたエピジェネティクスデータ*5および血液検査データに重点を置き、より正確ながんの診断、個々のがん罹患者にあった治療法の選択、創薬へ応用していきます。CREST事業が求める最初の2年4カ月でProof of Concept (POC:概念実証)の取得を目指し、5年後を目処に実用化を目指していきます。

Concept diagram of this project

 

■採択された研究課題

国立研究開発法人 科学技術振興機構 戦略的創造研究推進事業(CREST)
研究領域: 「イノベーション創発に資する人工知能基盤技術の創出と統合化」
課題名: 「人工知能を用いた統合的ながん医療システムの開発」
代表者: 国立がん研究センター 研究所 がん分子修飾制御学分野長 浜本 隆二

 

■用語解説
*1 マルチオミックスデータ
網羅的な生体分子についての情報であり、ゲノム(Genome)やトランスクリプトーム(Transcriptome)、プロテオーム(Proteome)などと呼ばれる、様々な網羅的な分子情報をまとめた情報。

*2 エピゲノム
DNA塩基配列の変化を伴わずにDNAやヒストンへの化学修飾が規定する遺伝情報。

*3クリニカルシークエンス
臨床検体を用いたがん関連遺伝子変異の網羅的解析。

*4ヒストン修飾
クロマチン構成タンパク質であるヒストンに認められるアセチル化、メチル化、リン酸化、ユビキチン化などの化学修飾

*5エピジェネティクスデータ
エピゲノム(*2)の網羅的解析によって得られるデータ。主にDNAメチル化およびヒストン修飾を指すことが多い。

 

■お問合せ先
国立研究開発法人 国立がん研究センター
企画戦略局 広報企画室
〒104-0045 東京都中央区築地5-1-1
TEL: 03-3542-2511(代表) FAX:03-3542-2545 E-mail:ncc-admin@ncc.go.jp

株式会社Preferred Networks
〒100-0004 東京都千代田区 大手町1丁目6−1 大手町ビル2F
E-mail:pfn-info@preferred.jp
URL:https://www.preferred-networks.jp

国立研究開発法人 産業技術総合研究所
企画本部 報道室
〒305-8560 茨城県つくば市梅園1-1-1 中央第1
つくば本部・情報技術共同研究棟8F
TEL:029-862-6216 FAX:029-862-6212 E-mail:press-ml@aist.go.jp

Press Conference

 

※11月29日記者発表の様子

PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

 

株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、自動車、製造業、そしてバイオヘルスケアの3つの分野を重点事業領域として研究開発、産業化を進めております。

特にバイオヘルスケアの分野においては、近年の次世代ゲノムシークエンサーの発展により、ゲノム解析(DNA, RNA, マイクロRNAや、エピゲノムを含む)による個別化医療が実現可能な時代が近づいてきました。しかしながら、個別化医療を実現するためには、ディープラーニング(深層学習)など最先端の人工知能(AI)技術を活用し、大量のゲノムデータを正確に分析し、各医療機関とも密接に連携を取りながら、個別化医療実現に向けて努力することが急務となっています。

PFNは、その第一弾として、東京大学産業連携プラザにPFNがん研究所 (PFN Cancer Research Institute (PCRI))を設立しました。PCRIでは、次世代シークエンサーを利用したウェットラボを立ち上げ、最新バイオテクノロジーとディープラーニングに代表される最先端の人工知能技術との融合領域の研究・産業化を進めていきます。具体的には、診断、治療、創薬の3つの分野において、深層学習を利用したがんゲノム研究を進め、
1)新規がん診断法の確立、
2)ゲノム分析によるがん治療方針の決定、最適治療薬の選択や術後の予測、
3)それぞれの患者に適応した個別化創薬、
など革新的な個別化医療を実現できるようイノベーションを起こし続けます。

PFNはこれからも、最先端の人工知能技術をいち早く様々なヘルスケアの分野に応用し、皆様の健康やQOL( Quality of Life:生活の質) の向上のために貢献していきます。

■ 本件に関するお問い合わせ先
株式会社Preferred Networks
pfn-info@preferred.jp

ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します

ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します

 

株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します。DIMoはPFN製の深層学習(注1)フレームワークChainerと、同じくPFN製のIoT向けストリーム処理エンジンSensorBeeを利用し、ネットワークのエッジで発生するストリームデータに対して直接深層学習を適用します。さらにエッジで動作する深層学習をクラウドから管理・制御するためのコンソールを提供し、エッジやフォグ(注2)で動作する既存のIoT/M2Mプラットフォームと深層学習を簡単に連携させられます。

DIMoはクラウド型の深層学習APIを提供するのではなく、ネットワークのエッジで稼働するデバイスに深層学習のモデルとプログラムを転送し、そのデバイスから発生するデータに対して深層学習を直接適用します。そのため、クラウド型の深層学習サービスと比較して次のようなユースケースに対して有効です:

(1) 低レイテンシが要求される
(2) 分析対象のデータをすべてクラウドに転送するのが難しい
(3) 深層学習の適用頻度が高い

ネットワークのエッジで直接深層学習を実行することのメリットの一つとして、クラウドへリクエストを送ってレスポンスを受けとるのにかかるネットワークの遅延をカットできる点があります。DIMoでは深層学習を直接ネットワークのエッジやフォグのデバイス上で動かすため、クラウド型のサービスと比較して低レイテンシの処理に向いています。

また、IoTの環境ではネットワークの帯域不足やプライバシーの保護などの理由でデータをすべてクラウドに転送するのが難しいことがあります。他にもデータの価値密度が低いためすべてのデータをクラウドに保存することにほとんど意味がないケースも多く、とりあえずクラウドに貯めるというアプローチが常にうまく行くわけではありません。DIMoではネットワークのエッジで発生する映像などのサイズの大きな非構造化データから必要な情報をその場で抽出し、さらに重要な情報のみをフィルタリングしてクラウドに転送できます。プライバシーに関しても処理したデータは永続化する必要がなくその場で破棄できるためより安全な解決策を提供できます。

他にも深層学習をデバイスの制御に利用する際には数ミリ秒単位での推論を求められることがあります。クラウド型の深層学習サービスではAPIの呼び出し回数による課金モデルを採用しているものが多いのですが、高頻度の呼び出しを行う場合には価格が高くなりがちで、シビアな制御に利用することは難しくなります。DIMoではユーザの用意したデバイス上で深層学習を実行する代わりに、学習や推論を含めた実行回数(API呼び出し回数)に制限はありません。

以上はエッジ側で深層学習を利用するDIMoをクラウド型のサービスと比較した際のメリットです。一方で、クラウドがエッジに対して優位な点ももちろんあります。特に、エッジでは大規模なストレージや強い耐障害性を持った計算クラスタを構築することは困難で、クラウドが得意とするような信頼性の高い大規模集計を行えません。そこで、DIMoはすべてをエッジで解決するのではなく、フォグやクラウドが得意とする部分はそちらに任せ、逆にそれらが苦手とする部分をエッジ側でフォローするような相補的関係を構築します。例えば現在のデータベースは構造化データの取り扱いは得意ですが、音声や映像と言った非構造化データを直接効率的に扱うのは現時点ではまだ得意ではありません。エッジで発生する映像データはネットワークの帯域的な問題でクラウドにアップロードしづらいだけでなく、そのままの形でクラウドの分析ソリューションに持って行っても柔軟な分析は行えません。しかし、DIMoを利用することで、ネットワークのエッジにあるカメラの映像をその場で分析しクラウドには通常時はカメラがとらえた物体の情報のみを構造化データとして送信するといった処理が可能になります。

DIMoは次のコンポーネントで構成されます:

* エッジでの深層学習を管理するためのポータル
* 分野毎のアルゴリズムと学習済みモデルのパッケージ
* 深層学習の開発・実験基盤(2017/4以降予定)

アルゴリズムパッケージはβ版では人・物体検出を行うためのコンピュータビジョンパッケージと異常検知用のパッケージを提供します。他にも電力需要予測の研究開発を現在進めており、そちらも早期に追加予定です。それぞれのパッケージのアルゴリズムも随時強化され、例えば電力需要予測では将来的に電力最適化アルゴリズムも提供していきます。他にも自律制御向けの強化学習、エッジデバイス同士の自律的なコミュニケーション手段を構築するためのアルゴリズムなども随時追加されます。

DIMoは2017/4に正式版を公開する予定です。

(注1)多層構造のニューラルネットワークを用いる近年急速に発展した機械学習の一手法
(注2)Cisco Systemsが提唱するクラウドとエッジの中間に位置するレイヤー

 

■ 本件に関するお問い合わせ先
株式会社Preferred Networks
pfn-info@preferred.jp

深層学習をウェブブラウザ上で学習できる「Chainer Playground」の無償公開について

深層学習をウェブブラウザ上で学習できる「Chainer Playground」の無償公開について

 

株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、深層学習をウェブブラウザ上で学習できる環境、「Chainer Playground」を無償で公開します。ChainerはPFNが開発したPythonベースの深層学習(注1)フレームワークで、複雑なニューラルネットワーク(注2)を柔軟に記述するために開発されました。Chainer Playgroundでは深層学習とChainerの基礎を実際のプログラミングを通しながら学べます。Chainer Playgroundを利用するにあたって必要なのはウェブブラウザのみで、PythonやChainerのインストールも必要ありません。ブラウザでChainer Playgroundに接続するだけですぐに学習を始められます。

Chainer Playgroundのコンテンツとして、まずは公式ドキュメントベースのChainerチュートリアルと、深層学習の基礎を学べる教科書を公開します。教科書は書き終わったところから公開し、随時加筆していく予定です。これらのコンテンツではあらかじめ提供されているオープンデータセットを使ってGPU上で実際に実験を行えます。

Chainer Playgroundの公開は11月初旬を予定しています。その後は深層学習を使う上で必要なテクニックを分野毎に一問一答形式で学べる「深層学習100本ノック(仮称)」、より初心者向けの深層学習教材、深層学習や機械学習の経験がないアプリケーションデベロッパー向けのChainerチュートリアルなどを随時増やしていきます。

(注1)多層構造のニューラルネットワークを用いる近年急速に発展した機械学習の一手法
(注2)神経回路に似た計算構造を持つ機械学習モデルの一種

■ 本件に関するお問い合わせ先
株式会社Preferred Networks
pfn-info@preferred.jp

2016 US-Japan Innovation Awardsにて日本発の革新的なスタートアップ企業に選出

スタンフォード大学で行われたシンポジウムで表彰されるPFN西川社長CEO

Preferred Networksが2016年US-Japan Innovation Awardsにおいて、日本発の革新的なスタートアップ企業5社に選出

~スタンフォード大学において開催された2016 US-Japan Innovation Awardsで、Innovation Showcaseを受賞~

 

株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は米国時間7月22日(金)にスタンフォード大学にて開催された、2016 Japan-US Innovation Awardにおいて、日本発の革新的なスタートアップ企業を選出する「2016 Innovation ShowCase」の1社に選ばれましたので、お知らせいたします。

US-Japan Innovation Awardsは、Japan Society of Northern California (北カリフォルニア日米協会)が Stanford University のUS-Asia Technology Management Center (スタンフォード大学US-アジア技術経営センター) の協力を得て、2011年より運営しているプログラムで、その中で”Innovation Showcase”は日本発のエキサイティングなスタートアップ企業に贈られる賞です。

 

PFNについて

東京を拠点とし、Internet of Things (IoT)において深層学習を中心とした機械学習技術を用いたソリューションにフォーカスしているベンチャー企業です。機械学習技術の先進技術を提供するDeep Intelligence in-Motion(DIMo)プラットフォームをベースとしたソリューションの研究開発に取り組んでいます。Preferred Networksは自動車業界や産業用ロボットにおいてそれぞれトヨタ自動車株式会社やファナック株式会社などの世界をリードする企業と協業し先進的な取り組みを推進しています。詳細は、http://www.preferred-networks.jpをご覧ください。

製造業のリーダー企業によるコラボレーション: アナリティクスによる製造業の「モノづくり」最適化

ロボットとファクトリー オートメーションの世界的サプライヤーであるファナック株式会社は、ITによるデジタル化をけん引する世界的リーダー企業、シスコ、産業用オートメーションと情報ソリューションを専門とする世界の大手Rockwell Automation、人工知能ソリューションの先進プロバイダーであるPreferred Networksと協業します。これらの企業は共同で、CNC(コンピュータ数値制御装置)とロボットのみならず周辺デバイスとセンサーを接続して製造・生産を最適化するためのアナリティクスを提供するプラットフォーム、FANUC Intelligent Edge Link and Drive(FIELD)systemを開発します。

FIELD systemは、ファナックのオートメーション システムで使用されるCNC、ロボット、周辺デバイス、センサー向けの高度なアナリティクスを提供するためのプラットフォームです。これは、マシンの信頼性、品質、柔軟性、スピードの向上を通じて総合設備効率(OEE)と収益率を向上させるものです。また、高度な機械学習機能とディープ ラーニング機能も提供します。ファナックは、シスコ、Rockwell Automation、Preferred Networksと協業することで、ネットワークおよびコンピューティング インフラストラクチャ、アプリケーション、ミドルウェア プラットフォームを含む完全なソリューションを提供します。このオープン プラットフォームを利用することで、アプリケーション開発者、センサーおよび周辺デバイス メーカー、システム インテグレーターは、設備効率、生産高、品質を向上させるソリューションを構築することができます。

これまでの成功をさらに加速
FIELD systemは、ファナックの現在のZDT(Zero Downtime)コネクテッド ロボット プロジェクトをさらに拡張させるものです。このプロジェクトにおいて、コネクテッド ロボットの数は、2016年末には6000台から10000台に達するものと見込まれています。ZDTは、シスコのクラウド、IoTデータ収集ソフトウェア、エンドツーエンドのセキュリティ機能から構成されます。これら4社が連携し、産業用イーサネットスイッチを利用してロボットをCisco UCS(Unified Computing System)に接続することで自動車メーカー向けのシステムを実装します。システムはすべて、ファナックとシスコのZDTデータ収集ソフトウェア上で実行されます。このシステムを導入する自動車業界のお客様は、製造ダウンタイムの大幅な短縮とさらなるコスト削減を、短期間のうちに実現することができます。

インテリジェントな製造業
FIELD systemは、お客様とアプリケーション開発者が高度な機械学習と人工知能を活用することによって、製造業でのさらなる生産性向上と効率化をもたらします。ファナックとPreferred Networksは、バラ積みロボットの高度化、高精度な異常検知、故障予測などのアプリケーションにおいて新しい技術を確立しました。FIELD systemは人工知能とエッジコンピューティング技術を組み合わせることで分散型機械学習(Distributed Machine Learning)を可能にします。機械から収集されたデータを、ネットワークのエッジでリアルタイムに処理することにより、機械がお互いに柔軟にかつ賢く協調し今までになかった高度な製造業を実現します。

 

FIELD systemの詳細と各社の役割

ファナック:マシンの信頼性、品質、スピードの向上に必要な主要指標を追跡するためのセンサーが埋め込まれたCNCとロボットを提供します。

ファナック、シスコ、Preferred Networks:シスコは、メッセージ ブローカー、セキュリティおよびアプリケーション ライフサイクル管理(ALM)アプリケーションを含むミドルウェア プラットフォームを提供します。また、Preferred Networksのオープンなディープ ラーニング フレームワーク(Chainer)、IoT向けのストリーム エンジン(SensorBee)、さらにはDIMo(Deep Intelligence in-Motion)プラットフォーム内の高度な機械学習ライブラリを活用します。

シスコ、Rockwell Automation:CNC、ロボット、その他セル装置をFIELDアプリケーションに接続するためのネットワーキング、コンピューティング、セキュリティ インフラストラクチャを提供します。そのすべてがRockwell Automationとシスコの共同開発によるConverged Plantwide Ethernet(CPwE)アーキテクチャ(セキュリティ、接続性、柔軟性、拡張性をさらに向上させます)をベースとし、単一の小規模セルから数百セルの大規模工場までの接続を可能にします。

ファナック、Rockwell Automation、Preferred Networks:FIELDミドルウェアおよびインフラストラクチャ プラットフォーム上で実行される初期アプリケーション ソフトウェアを提供します。これは、現在導入されているLINK-iおよびZDTアプリケーション、およびファナックとPreferred Networksの協業によるディープ ラーニング技術を活用したアプリケーションを拡張するものです。迅速に導入できるよう、Rockwell Automationの製造業向けソフトウェア製品(FactoryTalk View、FactoryTalk VantagePoint、およびFactoryTalk Production Centerなど)はFIELD systemにシームレスに統合される予定です。

各社のコメント

シスコ、シニア バイス プレジデント IoT兼 アプリケーション担当
ローワン・トロロープ(Rowan Trollope)
「今回の協業は、産業界において歴史的変革であり、IoTと産業オートメーション、機械学習を一体化して“未来の工場”を実現しようとするものです。これまで長年にわたって検討されてきたことが今、現実に起ころうとしています。シスコがその取り組みに参画できることをこの上なく嬉しく思うと同時に、これによって今後、デジタル化の恩恵を実現させようとする他の業界においても重要な役割を担って行けるものと大いに期待しています。」

Preferred Networks、代表取締役社長 CEO、西川 徹
「この協業により製造業の高度化をさらに加速できることを非常に嬉しく思っています。ファナックとの協業では、当初から個々の機械を賢くするだけではなく、機械同士がリアルタイムで連携・協調し、継続的な生産性向上を目的として機械学習・人工知能の技術の確立を目指してきました。FIELD systemはそのビジョンの実現に向けて中核を担う商品であると確信しています」

Rockwell Automation、シニア バイス プレジデント 兼 最高技術責任者(CTO)、サジート・チャンド(Sujeet Chand)氏
「Rockwell Automationはワールドクラスの企業と連携することで、製造業が現在利用しているインテリジェント デバイスからのデータを活用して企業全体のアナリティクス戦略を推進し、製造業の投資効率の最大化に貢献します。デバイスからエンタープライズ全体へのデータの分析に対するセキュアで拡張性に優れたコンピューティングのアプローチにより、ユーザーは運用を改善し、組織のニーズに適合した、情報に基づく意思決定を行えるようになります」

ファナック株式会社について
富士山麓に本拠を置くファナック株式会社は、世界で最も革新的なファクトリー オートメーション、ロボット、ロボマシンのメーカーであり、グローバル リーダーです。46か国で252拠点を展開するファナックは、ワールドクラスのサービスとサポートを世界のお客様に提供しています。1972年の発足以来、ファナックは、コンピューター数値制御装置の開発におけるパイオニア企業としてマシン ツールの自動化に貢献してきました。ファナックのテクノロジーは、単一マシンの自動化から生産ライン全体の自動化へと進化した世界の製造革命をリードしてきました。詳細については、http://www.fanuc.co.jp/eindex.htmをご覧ください。

シスコシステムズ合同会社について
シスコシステムズ合同会社は、米国シスコ(NASDAQ:CSCO)の日本法人です。シスコは、ビジネスの基盤となるインテリジェントなネットワーキングソリューションから、音声、映像、データ、ストレージ、セキュリティ、エンターテイメントをはじめとする新しい分野、そして、人々の仕事や生活、娯楽、学習のあり方を一変させることのできるネットワーク プラットフォームの提案を目指しています。
シスコの会社概要・詳細は以下のWebサイトでご参照頂けます。http://www.cisco.com/jp

株式会社Preferred Networksについて
東京を拠点とし、Internet of Things (IoT)において深層学習を中心とした機械学習技術を用いたソリューションにフォーカスしているベンチャー企業です。機械学習技術の先進技術を提供するDeep Intelligence in-Motion(DIMo)プラットフォームをベースとしたソリューションの研究開発に取り組んでいます。Preferred Networksは自動車業界や産業用ロボットにおいてそれぞれトヨタ自動車株式会社やファナック株式会社などの世界をリードする企業と協業し先進的な取り組みを推進しています。詳細については、http://www.preferred-networks.jp/ja/をご覧ください。

 

トヨタ自動車からの出資引受に関するお知らせ

ファナック株式会社との提携についてのお知らせ

ファナック株式会社(社長:稲葉善治 以下、ファナック)と株式会社Preferred Networks(社長:西川徹 以下、PFN)は、工作機械やロボット等の更なる高度なインテリジェント化を目指して、機械学習や深層学習(ディープラーニング)を活かした技術開発において協業することで基本合意致しました。

■背景
インダストリー4.0やインダストリアルインターネットなどに代表される次世代の製造業を支える仕組みとして、IoTが非常に多くの注目を集めています。しかし、データ量が飛躍的に増大し、集めた大量のデータ(ビッグデータ)をどのように活かしていくのか、どのようにリアルタイム処理をするのかが大きな課題となりつつあります。
そこで、よりエッジ(機械側)に近い場所で大量のデータをリアルタイムかつインテリジェントに処理し、工作機械やロボットをコアとするモノづくりの現場における高度な自動化を目指す手段として、機械学習や深層学習に着目致しました。

■内容
これまで機械学習や深層学習はサイバー空間での適用が進んできました。しかし、フィジカルなモノづくりの現場での、工作機械やロボットへの適用までには至っていません。そこで、PFNの持つ最先端の機械学習や深層学習の技術とファナックの持つ多くの技術を融合し、これらの機械に適用します。これにより、インダストリー4.0の適用範囲を包含するモノづくりの現場の多くのレイヤーにおいて、これまでにない高度な自動化の実現を目指します。PFNとの協業はファナックの業務全般において行われる予定です。
例えば、以下のようなものを目指します。
工作機械やロボットが、
  ∙自分で学習し協調する
  ∙自分で協調する方法を学習する
  ∙自分で不具合を発見し補う
この結果、
  ∙機械やロボットの高度に最適化された動作
  ∙高度な予防保全
  ∙止まらない工場
を実現する。

■お問合せ
株式会社Preferred Networks
pfn-info@preferred.jp

パナソニック株式会社との事業提携についてのお知らせ

弊社社長の西川はINTEROP 2015 Tokyo基調講演において、パナソニック株式会社(代表取締役社長:津賀一宏)と事業提携を行うことを発表いたしました。この提携を通して、パナソニックが持つ最先端のハードウェア技術と弊社が持つ最先端の機械学習・ディープラーニング技術の融合をめざします。
パナソニックからは、自動車分野への応用や、デジタルAV機器の高度化などを期待されています。
さらに本提携により得られるディープラーニングを中心とした要素技術についても、様々な分野へ応用・展開していきます。