製造業大手の 3M は、機械学習によって新旧の製品を革新

 

1916 年、Minnesota Mining and Manufacturing Company (3M) は、その St. Paul サンドペーパー工場内のクローゼットサイズのスペースに最初の研究所を開設しました。会社が設立されてから最初の 14 年間の一連の事件 (オリーブオイルのケースがこぼれて輸送中の紙やすりが駄目になり、紙の質が悪いことが明らかになったことなど) から、当時のゼネラルマネージャーである William McKnight 氏は、品質管理を改善するために製品をテストするための場を設けることを思い立ちました。

McKnight 氏の影響力が大きくなるにつれて (彼は 1949 年に 3M の取締役会会長に就任)、品質への熱意も高まりました。3M では長年にわたり、起業家精神にあふれた科学者たちが、斬新なアイデアやサンドペーパー出荷のような事件、さらには実験の失敗までも、スコッチテープやポストイットノートなど、今や家庭の定番商品となった製品に変身させてきたのです。

Wired の流儀

品質は 3M の文化の本質的な側面であり続けています。3M はラボでの成功に背中を押され、研究施設を大幅に拡張しました。現在、会社の収益のほぼ 6% が研究開発に注ぎ込まれています。12,000 人近くの従業員が集まって新製品を作成して発売し、古い製品を改善してきた St. Paul では、企業ラボの何千人もの研究者や科学者がイノベーションのパイプラインをさらに充実させようと努力しています。

3M キャンパスで最も重要なトピックの 1 つは、機械学習です。3M は、アマゾン ウェブ サービス (AWS) の機械学習を利用して、サンドペーパーなどの実証済みの製品を改善し、ヘルスケアなどの新しい分野でイノベーションを推進しています。プログラムの効果もあってか、発売から 5 年未満の製品は常に売上の約 30% を占め、3M は毎年約 1,000 の新製品をリリースしています。

「当社が持つ豊富な素材基盤とデジタル機能を組み合わせて、本当に新しいものを作ることができる企業は多くありません」と St. Paul Corporate Research Systems Lab のチーフアーキテクトである Hung Brown Ton 氏は述べています。「機械学習のような新しいクラウド機能を活用することが、当社にとって刺激的なことなのです」

機械学習で 100 年前の製品を改訂する

初期の数え切れないほどのサンドペーパー製造のハードルを克服してきて、3M は長年の製品の研磨能力を高め続けてきました。ただし、最近製品開発ワークフローに機械学習技術が導入されるまで、このプロセスには非常に時間がかかりました。

理想的な砂粒 (実際には Cubitron と呼ばれる合成材料) は、最もよく切れて長持ちします。従来、その理想に到達するために、3M の技術者は、紙の各シートの CT スキャンを検査して、シート上の粒子の数を評価していました。次に、技術者は粗い表面に対して各サンプルをテストしてその有効性を測定し、その有効性を粒子の割合と相関させようとしました。

Brown Ton 氏と彼のチームが研究科学者と協力して新しい研磨剤サンプルと製品 (まだ一般的にサンドペーパーと呼ばれる製品を含む) を開発しているとき、同氏は「これには数週間かかる長い開発プロセスが必要だ」と述べました。

Brown Ton 氏のチームが 1 年弱前から実装を開始した、AWS での機械学習により、このプロセスははるかに高速で正確になりました。3M チームは現在、Amazon の SageMaker でニューラルネットワークを活用するだけでなく、従来の画像トレーニングを使用するモデルをテストしています。技術者がまだサンプルをテストしている間、モデルは画像分析を大幅に高速化し、最良の選択肢を絞り込むのに役立ちました。ができます。このような機械学習モデルにより、研究者は、形状、サイズ、向きのわずかな変化が研磨性と耐久性をどのように改善するかを分析できます。そして、そのような提案が製造工程に反映されるのです。

このようなスキャンとテストによって生成されたデータの量 (手のひらサイズのシートあたり約 750 GB) を考えると、当初は分析用に購入した頑丈なエンジニアリングノートパソコンがパンクしそうな勢いでした。「したがって、この機能をクラウドに移行することは完全に理にかなっています」と、Brown Ton 氏は言います。「というのも、従来のノートパソコンやデスクトップパソコンでは、計算能力が圧倒的に足りなかったからです。今日の AWS のプロセスは桁違いに効率的であり、データが収集されてテストが完了するのを待つことなく、研磨剤の理解に時間を費やすことができるのは喜ばしいことです」

非構造化テキストの羅列を請求可能なコードに変換する

サンドペーパーは 3M の定番ですが、会社が成長するにつれて、ヘルスケアを含む新しい分野に進出しました。3M は、最初の主要な電子健康記録 (EHR) システムが開発されて間もなく、1983 年に子会社の Health Information Systems (HIS) を設立しました。10 年前はほんのわずかでしたが、今日では病院の 96% が EHR を利用しています。そのすべてのデータから、HIS は機械学習を利用した医療コーディング製品という新しいものを構築する機会を見出したのです。

保険会社にそのサービスの料金を請求するには、医療機関は EHR を適切な請求コードに変換する必要があります。プロセスのエラーはよく発生し、これが支払いの遅延や過剰請求につながる恐れがあります。米国では、ほとんどの病院が、AWS の機械学習を利用した HIS の自然言語処理 (NLP) ツールを用いて管理しています。

研究所のディレクターであり、14 年の 3M ベテランである David Frazee 氏は、以前は HIS の CTO でした。Frazee 氏は、請求コードを決定する従来のプロセスでは、コーダーと呼ばれる個人が各レコードを確認し、知識と経験に基づいて、文字通り 141,000 のオプションの 1 つから適切なコードを選択する必要があったと言います。「3 週間後、同じコーダーに全く同じ記録を渡しても、違うコードを決定する可能性があります」と Frazee 氏は言います。

2016 年 4 月以降、HIS はその不完全な人間の専門知識と機械学習モデルを組み合わせて、プロセスのエラーを減らしました。EHR の多くは構造化されていません。Frazee が言うように、ナプキンに医師がメモしたもの以外はおそらくレコードと見なされます。そのため、記録とは何かをモデルに理解させるだけでも大変なことなのです。

そのために、言語翻訳者は NLP モデルに、紛らわしい記録を解析するように教えています。例えば、身体の一部が「冷える」と説明している医師のメモは、患者が風邪をひいているという意味ではないという具合に。コーダーは、モデルの決定を承認します (または承認を拒否します)。彼らの評価はモデルにフィードバックされるため、次のラウンドで改善できます。驚異的な 300 万のドキュメントを毎日処理するこのモデルは、急速に学習しており、多くの手順で、約 98% の確率で適切なコードを選択しています。モデル自体は、強力な Amazon EC2 および S3 インスタンスで実行されます。

Frazee 氏と Brown Ton 氏はどちらも、AWS の機械学習が今後数年間で会社全体に普及すると見ています。

「研磨剤の R&D プロジェクトは、3M の材料科学とデータ科学が交わる未来を非常によく表していると思います」と Frazee 氏は言います。「当社は世界で最も優れた材料製造会社の 1 つですが、当社は材料に関するデータが膨大にあるという事実を活かしていません」

「そして、モデリングやシミュレーション、膨大なデータを可視化する能力を活かす一方で、データはクラウドに集約され、IoT で収集され、機械学習で処理されることを考えると、これらすべてが当社の力になっています」と Brown Ton 氏は述べています。「これらの新しい、そして急速に進化するクラウド機能を活用し続けることは、当社にとってもお客様にとっても非常にエキサイティングなことです」

 

Coinbase は、ML を使用して安全な仮想通貨交換所を作成しています

詳細 »

Capital One は機械学習を活用し、より確実にお客様を詐欺から守ります

詳しくはこちら

Zendesk は、機械学習を活用して企業がより迅速なカスタマーサービスを提供できるよう支援しています

詳細 »

T-Mobile は、機械学習を活用してより親しみやすい顧客サービスを実現しています

詳細 »