連合学習ソリューションの世界市場分析：用途別（創薬、オンライン視覚オブジェクト検出）、エンドユーザー別

2022年8月9日2022年8月9日 team 連合学習ソリューション

Stratistics MRCによると、世界のFederated Learning Solutions市場は、2021年に9428万ドルを占め、2028年には2億2736万ドルに達し、予測期間中にCAGR13.4％で成長すると予測されています。Federated Learningは、信頼性が低く比較的遅いネットワーク接続を持つ多数のクライアントに分散したトレーニングデータを使用して、高品質の統一モデルをトレーニングすることを目的とした機械学習の設定です。フェデレーテッドラーニング（協調学習とも呼ばれる）は、ローカルなデータサンプルを保持する複数の分散型エッジデバイスやサーバー間で、切り替えずにアルゴリズムを学習する機械学習の手法である。

フェデレーテッドラーニングは、大手企業で研究されており、学習データがエッジに分散しているプライバシーに配慮したアプリケーションをサポートするために重要な役割を担っています。Federated Learningは、モデルの更新を共有することで、ユーザーのデータを保護するための一歩を踏み出す。企業はもはや、データプライバシーとデータセキュリティの重要性の高まりを無視することはできません。連合学習というアプローチは、データを活用するアプリケーションに新しいパラダイムを提供しました。現在、データのサイロ化とデータ・プライバシーの重視がAIにとって重要な課題となっているが、連合学習はその解決策になり得る。ローカルで機密性の高いデータを保護しながら、複数の組織で統一したモデルを確立することで、データプライバシーを気にすることなく、共に利益を得ることができるようになるのです。フェデレーテッドラーニングは、エンドユーザー機器に提供されるデータと、ディープラーニングのネットワークパラメータなどの機械学習（ML）モデルの集約を中央のサーバーで切り離し、ユーザーのプライバシーを保護するという課題に取り組む技術として注目されている。連携学習では、プライバシーをグローバルプライバシーとローカルプライバシーの2つに分類することができます。グローバルプライバシーでは、各ラウンドで生成されるモデルの更新が、中央サーバ以外の信頼できないすべての第三者に対して非公開であることが必要です。同時に、ローカルプライバシーはさらに、更新がサーバにも非公開であることを必要とする。

MLをビジネスプロセスに組み込む際、多くの組織が直面する大きな問題は、IT専門家を含む熟練した従業員の不足である。連合学習は新しい概念であるため、従業員が学習データに対する連合学習モデルを理解し、実装することは困難である。これは、連携学習モデルを実装するための従業員へのトレーニングが提供されていないことが原因です。MLなどの複雑な技術を含む統合学習プロジェクトを開発・実行できるスキルを持った人材が不足しているため、技術リソースの採用と確保がいくつかの企業で重要な焦点になっています。例えば，MLモデルの展開と維持に関わる新しい連合学習アーキテクチャを扱い，理解できるエンジニアが組織には必要です．

携帯電話、ウェアラブルデバイス、自律走行車などは、毎日大量のデータを生成する最新の分散ネットワークのほんの一部に過ぎません。これらのデバイスの計算能力は高まっており、個人情報の送信に関する懸念もあるため、データをローカルに保存し、ネットワーク計算をエッジデバイスにプッシュすることがますます魅力的になっています。Federated Learningは、企業がデータを簡単に収集・保存できるようにするための新たなアプローチです。統合学習は、ユーザーエクスペリエンスを損なわず、個人情報を漏らさずに、スマートフォンの予測機能を実現する可能性があります。スマートフォンやIoTデバイスなどのエッジデバイスは、データがデバイスから離れることなく、デバイス上のデータから恩恵を受けることができます。特に、小型のデバイスでは通信がボトルネックとなり、計算量に制約のあるデバイスでは、このような恩恵が期待されます。今日、BFSI、ヘルスケアとライフサイエンス、小売とeコマースなどの業界では、携帯電話、タブレット、個人用ノートパソコンなどの消費者向けデバイスが生成する巨大な量のデータを日常的に収集しています。連合学習アプローチは、ユーザーのプライバシーを侵害することなく、このようなパーソナライズされたモデルを構築するためのユニークな方法を提供します。

分散型機械学習（ML）環境において、生データを各ローカルデバイスに保持する動機付けとなるのは、プライバシーへの懸念である。しかし、学習プロセスの一部としてモデルの更新など他の情報を共有すると、別の懸念が生じます – 敏感なユーザー情報を漏洩する可能性があります。例えば、ユーザーデータから学習させたRNN（Recurrent Neural Network）から、クレジットカード番号などの機密性の高いテキストパターンを抽出することが可能です。差分プライバシー保護とは異なり、データやモデル自体は送信されず、相手のデータから推測されることもない。したがって、生データレベルでの漏洩の可能性はほとんどない。Federated Learningは、SGD（Stochastic Gradient Descent）などの最適化アルゴリズムによるパラメータ更新などの中間結果を公開する。しかし、セキュリティの保証はなく、これらの勾配の漏洩は、画像ピクセルのようなデータ構造と一緒に公開された場合、実際には重要な情報を漏洩する可能性がある。

市場において、最も高いCAGRで成長しているのは製造分野である。スマート・マニュファクチャリング技術は、高い安全性を保証しながら、産業プロセスの熟練度と効率性を向上させるために、メーカーに広く受け入れられています。今日の競争環境では、人工知能や機械学習の進歩に伴うIIoTへの注目が高まっており、メーカーはビッグデータにアクセスし、学習アルゴリズムを使用してデータを分析することができます。しかし、産業界や製造業にとって、機密データのプライバシーは重要なファクターです。Federated Learningアルゴリズムは、機密データにアクセスしたり、機密データを公開したりしないため、これらの問題に有用である。

ヘルスケア・ライフサイエンス分野は、市場において最大のシェアを占めると予想されます。病気とその薬を予測するために、ヘルスケア部門による連合学習ソリューションの導入は、パンデミック状況の中で成長を遂げています。主要な市場参加者は、これらのソリューションを使用して、医療機関が患者ごとに異なる薬効の違いを理解し、適切な患者に適切なタイミングで使用される最適な薬剤を特定し、薬剤開発プロセスを強化するだけでなく、治療成果を向上させることを支援しています。

アジア太平洋地域は、さまざまな産業で先進技術の採用が進んでいることから、同市場で最大のシェアを占めると予測されます。収集したデータを分析するためのAI、IoT、ビッグデータ分析などの高度な技術により、連邦学習ソリューションの需要が高まっています。さらに、インド、中国、日本などの国々における新興の産業化とデータ規制のための継続的な開発は、連邦学習ソリューション市場に多くの有利な機会を生み出すと予想されます。

ヨーロッパは、技術の採用が進み、連邦政府ラーニングソリューションベンダーが多数存在することから、同市場で最も高いCAGRを記録すると予測されています。その他、厳しいデータ規制やデータプライバシーに対する要求の高まりなどが、欧州の市場を押し上げると予想されます。

市場の主要プレイヤー

連邦学習ソリューション市場で紹介されている主要企業には、Cloudera、Consilient、DataFleets、Decentralized Machine Learning、Edge Delta、Enveil、Extreme Vision、Google、IBM、Intellegens、Lifebit、Microsoft、NVIDIA、Owkin、および Secure AI Labsなどが挙げられます。

主な展開

2021年3月に NVIDIAは、VMware vSphere上で動作するNVIDIAが最適化、認定、サポートするエンタープライズグレードのAIツールおよびフレームワークの包括的ソフトウェアスイート「NVIDIA AI Enterprise」を発表しました。NVIDIA AI Enterpriseにより、顧客はAIモデルの開発期間を80週間からわずか8週間に短縮し、VMware vSphere上で高度なAIアプリケーションを展開・管理できるようになります。

2021年2月に Enveilは、新バージョンZeroReveal 3.0を発表しました。リスクを低減し、データ共有、コラボレーション、収益化、規制遵守などのビジネス課題に対応するために設計された効率的かつ分散型のフレームワークを通じて、同形式の暗号化を搭載した機能を提供するものである。

2020年11月に NVIDIA Clara Train 3.1では、機密データを確実に保護するためにセキュリティを強化する柔軟な認証フレームワークを導入しています。また、研究者の生産性を高めるために、アルゴリズム実験を10倍に増やすことを可能にする新しい管理ツールも含まれています。クララトレイン3.1の新機能は、ヘルスケア開発者が連携学習を安全に拡張し、研究の生産性を向上させるのに役立ちます。

2020年5月にオーキンは、COVID-19オープンAIコンソーシアム（COAI）を立ち上げました。このコンソーシアムは、高度な共同研究を可能にし、COVID-19に感染した患者に対する効果的な治療法の臨床開発を加速させるものです。本プロジェクトにおいて、オウキンは連合学習を活用し、医療機関が患者ごとに薬効が異なる理由を理解し、医薬品開発プロセスを強化し、適切な患者に最適な医薬品を適切なタイミングで特定し、治療成果を向上させることを目指します。

対象となるアプリケーション
– 創薬
– 産業用モノのインターネット(IIoT)
– オンライン視覚物体検出
– リスク管理
– ショッピング体験のパーソナライゼーション
– データプライバシーとセキュリティ管理
– その他のアプリケーション

対象となるエンドユーザー
– 銀行、金融サービス、保険 (BFSI)
– エネルギーと公益事業
– ヘルスケアとライフサイエンス
– 製造業
– 小売・Eコマース
– その他エンドユーザー

対象地域
– 北米
o 米国
o カナダ
o メキシコ
– ヨーロッパ
o ドイツ
o 英国
o イタリア
o フランス
o スペイン
o その他のヨーロッパ
– アジア太平洋地域
o 日本
o 中国
o インド
o オーストラリア
o ニュージーランド
o 韓国
o その他のアジア太平洋地域
– 南米
o アルゼンチン
o ブラジル
o チリ
o 南米のその他
– 中東・アフリカ
o サウジアラビア
o UAE
o カタール
o 南アフリカ
o その他の中東・アフリカ地域

【目次】

1 エグゼクティブサマリー

2 前書き
2.1 概要
2.2 ステークホルダー
2.3 調査範囲
2.4 調査方法
2.4.1 データマイニング
2.4.2 データ分析
2.4.3 データバリデーション
2.4.4 リサーチアプローチ
2.5 リサーチソース
2.5.1 一次調査資料
2.5.2 セカンダリーリサーチソース
2.5.3 前提条件

3 市場トレンドの分析
3.1 はじめに
3.2 ドライバ
3.3 制約
3.4 オポチュニティ
3.5 脅威
3.6 アプリケーション分析
3.7 エンドユーザー分析
3.8 新興国市場
3.9 Covid-19の影響

4 ポーターズファイブフォース分析
4.1 供給者のバーゲニングパワー
4.2 バイヤーの交渉力
4.3 代替品の脅威
4.4 新規参入者の脅威
4.5 競合他社との競争

5 Federated Learning Solutionsの世界市場、アプリケーション別
5.1 はじめに
5.2 創薬（Drug Discovery
5.3 産業用モノのインターネット(IIoT)
5.4 オンライン視覚物体検出
5.5 リスク管理
5.6 ショッピング体験のパーソナライゼーション
5.7 データプライバシーとセキュリティ管理
5.8 その他のアプリケーション
5.8.1 異常検知
5.8.2 企業の情報技術(IT)
5.8.3 ゲノミクス
5.8.4 ビデオアナリティクス

6 Federated Learning Solutionsの世界市場、エンドユーザー別
6.1 導入
6.2 銀行、金融サービス、保険(BFSI)
6.3 エネルギーと公益事業
6.4 ヘルスケアとライフサイエンス
6.5 製造業
6.6 小売・Eコマース
6.7 その他のエンドユーザー
6.7.1 政府
6.7.2 メディアとエンターテイメント
6.7.3 通信・情報技術(IT)

7 Federated Learning Solutionsの世界市場、地域別
7.1 はじめに
7.2 北米
7.2.1 米国
7.2.2 カナダ
7.2.3 メキシコ
7.3 欧州
7.3.1 ドイツ
7.3.2 イギリス
7.3.3 イタリア
7.3.4 フランス
7.3.5 スペイン
7.3.6 その他のヨーロッパ
7.4 アジア太平洋地域
7.4.1 日本
7.4.2 中国
7.4.3 インド
7.4.4 オーストラリア
7.4.5 ニュージーランド
7.4.6 韓国
7.4.7 その他のアジア太平洋地域
7.5 南米
7.5.1 アルゼンチン
7.5.2 ブラジル
7.5.3 チリ
7.5.4 南米その他
7.6 中東・アフリカ
7.6.1 サウジアラビア
7.6.2 UAE
7.6.3 カタール
7.6.4 南アフリカ
7.6.5 その他の中東・アフリカ地域

8 主要開発品
8.1 合意、パートナーシップ、コラボレーション、ジョイントベンチャー
8.2 買収と合併
8.3 新製品上市
8.4 拡張
8.5 その他の主要戦略

9 企業プロファイリング
9.1 クルーデラ
9.2 コンシリエント
9.3 データフリート（DataFleets
9.4 分散型機械学習（Decentralized Machine Learning
9.5 エッジデルタ
9.6 エンベイル
9.7 エクストリームビジョン
9.8 グーグル
9.9 IBM
9.10 インテルリージェンス
9.11 ライフビット
9.12 マイクロソフト
9.13 NVIDIA
9.14 オウキン
9.15 セキュアAIラボ

【お問い合わせ・ご購入サイト】
www.globalresearch.jp/contact
資料コード：SMRC20778