パーセントを弾く

一般論として、人工知能（AI）とは機械が示す知能のことである。 この定義は、AIがさまざまなテーマをカバーしていることを示している。 たとえば、電子回路を介して実装されたかなり単純なアルゴリズムは、システムが知的な動作（たとえば、機械の温度がある閾値に達すると、機械は自分で停止することを知る）を示し始めると同時に、AIとみなされる可能性があるのです。

AIの改良により、深層学習、画像認識、音声認識などを行う技術が実現しました。 AIの研究は1940年代から行われていますが、過去数十年間の計算能力の進歩により、ついにAIはより目覚ましいマイルストーンを達成するようになりました。 その初期のバージョンでは、AIは1997年に人間の最高のチェスプレーヤーを打ち負かしました。 そして2017年、AIは人間の最高の囲碁棋士に勝つことができた。

AIは、リサイクル用途にも何年も使われてきました。 AIがマシンビジョンに使われることについては、具体的にどのように機械が物体を識別し、それが流れに残すべきものなのか、それとも取り除くべきものなのか？ これらは、リサイクル品の選別技術におけるAIの活用に関連した解決すべき重要な課題です。

選別におけるAIの歴史

選別におけるAIの使用は、1970年代から1980年代のシステムで始まりました。 これらのシステムは、灰色の値や色を比較する光学センサーと電子機器に基づいていました。 これらの色の比率に基づいて、電子回路は、材料を保持するか排出するかをルールに基づいて決定することになります。 例えば、最初の逆自動販売機（RVM）は、あらかじめ配置された光学センサーによって検出されたボトルの影から、ボトルの形状を認識した。

1990年代前半には、グレースケールやカラーのカメラ画像のピクセルベースの分類が特注の電子機器と組み合わせて使用されており、閾値や判断の面でAIの能力が制限されていました。 パーソナルコンピュータ（PC）の登場により、この技術を画像の分類に利用することが可能になった。

カスタマイズされたカメラ技術により、特定の分光特性やより優れたクラスタリングの可能性を獲得し、AIの精度を向上させることにつながりました。 これにより、各ピクセルに、そのスペクトルコンテンツに基づく特定のクラスの素材を割り当てることが可能になりました。 もはや色だけが識別基準ではなくなったのだ。

この技術は、1990 年代後半にオブジェクト認識と組み合わされ、類似した特性を持つ異なるピクセルをクラスタリングして、オブジェクトに結合することが可能になったのです。

2000年代に入ると、ハイパースペクトル画像処理システムが利用できるようになり、PCの性能もさらに上がりました。 データ処理における分類問題では、人工ニューラルネットワーク（ANN）が利用できるようになり始めた。 この種のAIは、特定の用途や機械に合わせて事前に学習させたサンプルに基づき、異なる特徴や性質を組み合わせて1つの分類を行うことができるようになった。 その結果、より複雑な材料を検出することができ、もう一段階の選別精度が達成された。

2000年代後半になると、いわゆるサポートベクターマシン（SVM）が利用できるようになりました。 物理的な機械のように聞こえますが、これは数学的なモデルで、機械が多次元空間にクラスタを定義することを可能にするものです。 物理ソーター上のテーブルに結果を保存することで、またパフォーマンスが向上しました。

ソートに使用される前述のすべてのAIの形態に共通するのは、AIのいわゆるトレーニングまたは学習の側面が教師付きでなければならないという事実です。 1970年代のRVMの非常に単純な例では、エンジニアは光学センサーを正しい位置に物理的に配置しなければならず、選別機を稼働させる前にシステムを教えるためのラベル付きサンプルのセットが利用可能でなければならなかった。

AI today

今日、システムの最初のティーチングには、コンピュータ ビジョン エンジニアがソート タスクに関連する特徴を定義する必要があります。 これは、画像データから特徴ベクトルを生成し、それをラベルと組み合わせてANNまたはSVMを自動的に学習させるために使用される。 このように、技術者の手を借りずに自動的に学習が行われるため、教師なし学習と呼ばれている。

選別におけるAIの進化における次のステップは、2010年代に利用可能になり、現在さまざまなアプリケーションで使用されている深層学習の方法論を展開することです。 この種のネットワークは数十年前に発明されたものです。 現代のグラフィック処理装置における処理能力の大幅な向上と、一般に入手可能でラベル付けされた数百万の画像のおかげで、現在では実用的な問題に適用することが可能になっているのである。

いわゆる深層畳み込みニューラルネットワークもやはり ANN ですが、初期の派生型と比較すると、層とニューロンの数がはるかに多くなっています。 その結果、ネットワークはより強力になります。 ただし、従来のアプローチよりも多くの学習データを必要とする。

畳み込みニューラルネットワークの大きな利点は、ネットワークのトレーニング中に特徴抽出ステップも自動的に実行されることです。 その結果、コンピュータ ビジョン エンジニアは、タスクに関連する特徴を手動で定義する必要がなくなります。 一般に、ネットワークの最初の層で特徴が生成され、次の層でより複雑な特徴に統合され、最後の層で分類される。

これらのネットワークは、それぞれが特定のタスクのために事前学習されており、ほとんどビルディング ブロックのように組み合わせることができます。 こうすることにより、設計を手元のアプリケーションに適合させることができます。 特に画像認識では、ディープラーニングの技術が大きなインパクトを与えている。

未来を垣間見る

AI開発の現段階、特にディープラーニングの側面によって、リサイクル業界は現在解決されていない課題に取り組むことができるようになる。

今日でも、最終製品の品質を望ましいレベルまで向上させるために、ラインの末端にあるハンドピッキングステーションが必要です。 たとえば、ポリエチレンの流れの中では好ましくないシリコン・カートリッジがあります。 ロボットで拾い上げたり、最後の光学ソーターで排出したりするためには、最初に検出する必要があるのです。

このような能力に対して、AIやディープラーニングは効率化のために重要な役割を果たすでしょう。 こうした新しい形のAIとビッグデータの可能性を組み合わせることで、（例えば、現在すでに機械から収集できるデータで）生産量の増加、コスト削減、品質向上の機会がさらに広がるだろう。

今日のAIは、フリーランチと醜いアヒルの子を見つけるようなものだ、という考え方がありますね。 どちらの考え方も、人工知能の話題に関連する実際の数学の定理です。

最初の定理は、基本的に、特定のアプリケーションにおいて、単一の AI ソリューションが他のすべての AI ソリューションより優れていることはない、というものです。 各ソリューションは、ある種の利点を持ち、その代償として別の場所にいくつかの欠点が生じる可能性があります。

醜いアヒルの子の定理も同様で、すべてのアプリケーションに最適な機能セットは存在しないことを述べています。 多くの異なる課題を解決する汎用的なAIが見つかったとしても、少なくとも1つのアプリケーションや問題には適合せず、適切な解決策を提供することができない。

このことを念頭に置いて、畳み込みニューラルネットワークと深層学習で何が可能かについては、控えめな期待にとどめておくべきでしょう。 深層学習が困難で緩やかな構造の認識問題を解決している例はたくさんありますが、他の分類タスクでは、他の AI アプローチの方が良いパフォーマンスを発揮するでしょう。 さまざまな種類のAIの適切な組み合わせを見つけることは、これまでも重要でしたが、今後もリサイクル品の最高の選別性能を確保するための鍵であり続けることでしょう。

人工知能は、かなり以前からリサイクル業界に導入されています。 しかし、マシンビジョンと機械学習の分野を1つの傘下に収めたときにディープラーニングが提供できる可能性は、業界にとって新しく、エキサイティングなものです。

著者は、ドイツに本拠を置くTOMRA Sorting GmbH（www.tomra.com/en/sorting/recycling、ノルウェーに本拠を置くTOMRA Systems ASAの一部）の研究担当副社長である。