Projects

ビッグデータからビッグインテリジェンスの時代へ

 

高度な分散連合学習プラットフォーム

コアテクノロジーの1つである分散連合学習プラットフォームは、ネットワーキング機能と機械学習アルゴリズムから生み出されるインテリジェンスを組み合わせて、安全でスケーラブルな適応型サービスを実現する、AIのパラダイムシフトを実現する技術です。

このプロジェクトは、TieSetの中核的な活動であり、強みです。 AIのブラックボックス問題が懸念されているため、問題解決、改ざん防止、学習モデルの説明責任(トレーサビリティ)を実装するFLフレームワークを、AI開発に携わる幅広い人々に広めることが重要であると考えられています。この新しいフレームワークを使用して、さまざまなケーススタディを作成し、ドメインに関する深い知識を蓄積できます。

また、大学や業界のAI開発者が使用できるオープンソースのフレームワーク環境を作成し、幅広い適応を促進するプラットフォームを構築しています。先進的なプラットフォームをベースに、革新的な企業への共同研究や実際の提案を行っています。

 

スマートシティ・公共インフラ

deepRide

分散AIと深層強化学習によるタクシー配車最適化アプリ

タクシードライバーのための乗客のピックアップ率を最大化するアプリです。

従来の技術

  • ディープラーニングを使用しているが、AIのモデルは過去のデータに基づいて学習済みのものを使用
    • オリンピックなどのイベントに対応不可
  • 顧客の乗車データを常にAIベンダーに譲渡しなければならない
    • データ漏洩の際にはタクシー会社も訴訟の対象。
  • リアルタイムに全ての情報を一箇所に集めるため、管理コストがかさみ、大規模化にAIが対応できない

我々の技術

  • ディープラーニングと強化学習の融合により、時事刻々と変化する状況をAIが学習し、進化を続ける
    • オリンピックなどのイベントに対応可能
  • 顧客や乗客のプライバシーが需要になる中、分散AIを使い、情報漏洩を阻止
    • 顧客による情報漏洩による訴訟を回避
  • リアルタイムに数多くのタクシーを分散的に管理しているため、大規模化に対応、データの管理コストも大幅削減

デモはこちら

 

エネルギーマネージメント

時系列データによる予測を使用した最適なエネルギー管理プラットフォーム

このプロジェクトは主に、収益最大化という1つの共通の目標の下で、太陽光発電会社の2種類のニーズに対応します。 1)太陽光発電会社は、電力会社と電力購入契約(PPA)に署名し、一定期間に一定量の電力を供給します。太陽光発電の変動する性質により、望ましくない天候によって引き起こされる太陽光発電の不足に直面した場合、電力を供給するための予備としてエネルギー貯蔵が必要です。バッテリーの不必要な動作を減らして劣化を減らしながら、電源の要件を満たすためにエネルギー貯蔵をどのようにコントロールするかを研究する必要があります。 2)太陽光発電会社は市場から電力を売買して利益を得ることができます。収益を最大化するためにバッテリー劣化の金銭的損失を考慮してバッテリーを最適に発送するアプリケーションです。

電力市場の動的​​価格設定

将来の電力ネットワークは、発電機と消費者の明確な区別がない双方向の送電を想定しています。そのようなよりスマートなグリッドでは、ジェネレーターとして、収益を増加させるより洗練された価格設定の方法を持つことができます。このプロジェクトは、気象、需要動向、送電マッチングなどの複数の価格設定要素を取り込む学習アルゴリズムを使用した価格設定方法を提案します。

電気ネットワークの異常検出と位置特定

異常検出フレームワークは、分散ノードのグラフ関係を使用する複雑なシステム用に開発されています。電池、ケーブル、発電機などの機器の監視は、電力の安定供給を維持するための重要な要素です。このプロジェクトは、MLベースの推定と予測を導入することにより、モニタリングのコストとワークロードを削減することを目的としています。

 

食品と農業

連合学習と深層強化学習に基づく作物収量の最大化

工場農業は、制御可能な施設で作物を栽培する次世代農業です。 AIテクノロジーとそのような農場の制御性を組み合わせると、作物を増やすことができます。このプロジェクトでは、農場で最高のルーチンを学ぶための強化学習ベースのアプローチを提案します。 AIエージェントは、作物を最大化するために、水、肥料、温度の適切な量とタイミングを学習します。

 

スマートロボティクス

連合学習を使用した分散ロボットアームクラスタからのロボット操作の学習

ロボットの把握と操作には、さまざまな形状とサイズ環境、オブジェクトに対して実世界からの広範なデータが必要です。現在のアプローチでは、ロボットアームが単一の施設で把握データを取得して、集中型モデルをトレーニングします (Google Robotic Farmなど)。このアプローチは良い結果につながりますが、データの取得には時間と費用が掛かり、単一の企業(Amazonなど)のプロセスはスケーラブルではないため、このフレームワークは一般的なマニピュレータの改善には繋がりません。このようなロボットの学習を分散させるために、連合学習を使用することを提案します。

より多くの企業が倉庫(つまり、Amazon、ウォルマート、ウェイフェアなど)の自動化を模索しているため、ロボットアクチュエータは、果物からハードウェアまであらゆる種類の製品を操作するために高度な器用さを必要とするユビキタス機械に変わりつつあります。 AIの急速な発展にもかかわらず、現在のロボットはそのような仕事をするのに十分な器用さはありません。AIモデルが多様なオブジェクトのセットを操作するために、分散学習を最大限に活用し、大量のデータに頼ることのない、最先端のフレームワークが必要になってきており、我々はそれを実現する技術を開発しています。