Scalable Concept Extraction in Industry 4.0

要約

インダストリー 4.0 では、デジタル テクノロジーと機械学習技術を活用して、製造プロセスを接続し、最適化しています。
このアイデアの中心となるのは、生データを人間が理解できる知識に変換して、信頼性の高いデータ主導の意思決定を実現する機能です。
畳み込みニューラル ネットワーク (CNN) は画像データの処理に役立ってきましたが、その「ブラック ボックス」の性質により、予測プロセスの理解を複雑にしています。
これに関連して、説明可能な人工知能 (XAI) の分野における最近の進歩により、概念の抽出と位置特定、つまり CNN の予測プロセスにどの視覚的手がかりが介入するかが提案されています。
このペーパーでは、コンセプト抽出 (CE) 手法のインダストリー 4.0 シナリオへの適用に取り組みます。
この目的を達成するために、最近開発された手法である「ローカル集約記述子による概念の抽出」(ECLAD) を修正し、スケーラビリティを向上させます。
具体的には、CNN 用に設計されたラッパー関数を利用して、概念の重要度を計算するための新しい手順を提案します。
このプロセスは、各画像を評価する必要がある回数を減らすことを目的としています。
続いて、CE 手法を 3 つの産業用ユースケースに適用することで、その可能性を実証します。
素材設計（テーラードテキスタイル）、製造（炭素繊維強化）、メンテナンス（太陽電池モジュール検査）の品質管理の観点から、代表的な 3 つのユースケースを選択しました。
これらの例では、CE は各タスクに直接関連する概念を抽出して特定することに成功しました。
つまり、各概念に関連する視覚的手がかりは、視覚的手がかりが複数のクラス間で絡み合っている場合でも、人間の専門家が自分でタスクを実行するために使用するものと一致します。
実証結果を通じて、産業コンテキストで CNN を理解するために CE を適用できることを示し、ドメイン知識に関連する有用な洞察を提供します。

要約(オリジナル)

The industry 4.0 is leveraging digital technologies and machine learning techniques to connect and optimize manufacturing processes. Central to this idea is the ability to transform raw data into human understandable knowledge for reliable data-driven decision-making. Convolutional Neural Networks (CNNs) have been instrumental in processing image data, yet, their “black box” nature complicates the understanding of their prediction process. In this context, recent advances in the field of eXplainable Artificial Intelligence (XAI) have proposed the extraction and localization of concepts, or which visual cues intervene on the prediction process of CNNs. This paper tackles the application of concept extraction (CE) methods to industry 4.0 scenarios. To this end, we modify a recently developed technique, “Extracting Concepts with Local Aggregated Descriptors” (ECLAD), improving its scalability. Specifically, we propose a novel procedure for calculating concept importance, utilizing a wrapper function designed for CNNs. This process is aimed at decreasing the number of times each image needs to be evaluated. Subsequently, we demonstrate the potential of CE methods, by applying them in three industrial use cases. We selected three representative use cases in the context of quality control for material design (tailored textiles), manufacturing (carbon fiber reinforcement), and maintenance (photovoltaic module inspection). In these examples, CE was able to successfully extract and locate concepts directly related to each task. This is, the visual cues related to each concept, coincided with what human experts would use to perform the task themselves, even when the visual cues were entangled between multiple classes. Through empirical results, we show that CE can be applied for understanding CNNs in an industrial context, giving useful insights that can relate to domain knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google