[헬로티]
이번 글에서 다루는 라이프 데이터란 생리 정보뿐만 아니라 일상생활 속 인간의 행동 데이터도 포함하고 있다. 각 사람의 위치 자세 정보에서부터 캐시리스 사회의 결제 기록 등 모든 활동 기록이 행동 데이터이다. 더욱이 행동 데이터의 축적과 분석의 결과를 이용해 인간 행동을 변용시켜 건강 증진으로 연결하는 시도까지 포함하면, 행동 데이터는 확실히 라이프 데이터이다.
이 글에서는 이와 같은 라이프 데이터로서 인간 행동 데이터의 취득에서부터 축적․컴퓨팅에 관한 시스템에 대해 주목한다. 이후 이 글에서 라이프 데이터라는 부르는 것은 인간의 행동 데이터를 나타내고, 특히 보행이나 이동 등과 같은 인간 활동에 관한 데이터를 가리키는 것으로 한다. 라이프 데이터의 수집과 축적 그리고 분석에 이르는 시스템은, 각 인간에게 분산된 센서에 의한 계측과 네트워크를 통한 데이터의 축적과 기계학습에 의한 분석이라는 흐름으로 실현된다. 최종적으로는 분석 결과의 인간에 대한 피드백과 행동 변용의 유발까지 생각하면, 인간 사회를 루프에 포함한 시스템이기도 하다.
그런데 인류의 역사에서 지금까지 개발된 여러 가지 시스템의 대부분은 ‘집중’에서 ‘분산’ 그리고 ‘네트워크화’라는 흐름 속에서 발전되어 왔다. 교통 시스템으로 말하면, 대량 수송을 담당한 철도에서 온디맨드의 자동차 사회, 그리고 자동 운전 시스템은 분산된 자동차의 네트워크화에 의해 실현되어 간다. 로봇 시스템으로 말하면, 로봇 단체의 기능 충실을 목표로 한 집중형 시스템에서 필자 등이 제안해 온 센서나 컴퓨터, 액추에이터 등의 로봇 요소를 분산해 네트워크화한 공간 지능화라는 개념이 일반화되어 왔다.
구체적으로는 지금까지 환경에 지적인 센서를 분산 배치․네트워크화해, 인간의 행동을 파악하고 공간 내에서 인간 지원 로봇을 실현하는 시스템에 관한 연구에 대응하고 있다. 라이프 데이터 시스템도 마찬가지로, 데이터를 취득하기 위한 센서를 각 인간이 분산해 보유하고 네트워크화, 데이터를 축적해 분석․평가한 후에 애플리케이션으로 연결해 간다.
공학적인 시스템으로서는 분산화․네트워크화된 것으로 생각되지만, 인간의 행동 변용까지 포함한 시스템이라고 생각하면 집중형 시스템으로서 효과가 나타나기 시작하고 있는 단계이며, 각 인간의 행동 데이터를 매스로 집약한 분석 평가가 이루어지고 있다.
집약한 정보에 더해 각 행동 데이터의 분석과 피드백에 의한 퍼스널라이즈된 행동 변용의 유발이 시스템의 발전 과정의 분산화 그리고 네트워크화에 해당되는 것은 아닐까? 스포츠 분야에서는 이미 스마트 정보기기의 이용에 의해 취득할 수 있는 생체 정보를 트레이닝이나 전술 등에 활용하는 행동 변용에 해당되는 사례가 존재한다.
앞으로 기대되는 일상생활의 라이프 데이터를 활용한 행동 변용 시스템의 실현을 위해서는 계측 제어, 정보 기술, 의료 건강 분야의 테두리를 넘는 횡단적인 대응이 반드시 필요할 것이다.
여기에서 라이프 데이터 수집과 축적 및 분석 시스템으로 이야기를 되돌린다. 라이프 데이터의 특징으로서 데이터 종류의 다양성, 데이터 취득의 빈도와 연속성, 데이터 사이즈가 방대해지는 것을 들 수 있다. 데이터 분석이나 애플리케이션 구축의 플랫폼으로서 클라우드 컴퓨팅이 일반적이다. 그러나 라이프 데이터의 특징을 생각하면, 취득한 모든 정보를 클라우드에 보내서 분석하는 것은 현실적이지 않으며, 센서나 액추에이터 등의 디바이스 측에 가까운 에지 컴퓨팅 환경에서 각 대상용 데이터 분석과 제어, 학습 등의 처리를 실현하는 시스템 구성이 필요하다.
이하에서는 라이프 데이터의 수집과 분석에서 행동 변용을 유발하는 대응을 소개함으로써 인간 행동과 라이프 데이터의 관계성에 대해 고찰한다. 그리고 라이프 데이터 컴퓨팅의 시스템 구성과 정보처리 동향에 대해 정리한다.
인간 행동 데이터와 라이프
1. 인간 행동에서 라이프 데이터 수집
라이프 데이터라는 말에서 일반적으로는 생체 정보․생리 정보를 상상할 수 있을 것이다. 그러나 인간이 살아가는데 있어 취득되고 특징지어져 가는 데이터는 반드시 생체 정보만은 아니다.
최근에는 스마트폰의 위치 정보 취득 시스템에 의한 인간의 행동 이력의 수집이 사용자가 의식하지 않고도 이루어지고 있으며, 여러 가지 서비스를 누리고 있다. 스마트폰의 위치 정보뿐만이 아니라, 교통계 IC 카드의 사용에 의한 교통기관의 사용 이력이나 각종 캐시리스 결제에 의한 구매 이력 등도 인간의 행동 데이터로서 취급할 수 있을 것이다.
요즘의 신형 코로나바이러스 감염증의 대처나 보도에서도 번화가에 대한 인파가 휴대전화의 위치 정보 시스템으로 평가되고, 감염자와의 접촉 이력을 기록하기 위한 스마트폰 앱이나 시스템이 개발되는 등 생체 정보가 아닌 인간의 행동 이력 데이터를 활용한 시스템을 자주 볼 수 있다. 또한, 업무방식 개혁을 목적으로 한 사무실의 행동 이력 취득도 이루어지고 있다.
이번 글에서도 사무실 내에 통신 기능을 갖춘 IoT 센서를 설치해 종업원의 행동 계측을 하는 사례를 소개하고 있다. 또한 이러한 행동 데이터를 수집해 의료 정보와 연관시킴으로써 주민의 건강 증진을 추진해 가는 각 자치체에서 여러 가지 대응도 이루어지고 있다.
이하에서는 행동 빅데이터를 이용한 인간의 특징 짖기, 그리고 행동 변용으로 이어지는 사례와 시스템을 소개함으로써 행동 데이터를 라이프 데이터로 파악하는 것의 타당성에 대해 논의한다. 그리고 특히 위치 정보 수집 시스템을 중심으로 한 행동 데이터 취득의 센서 시스템에 관한 미래 전망에 대해 다룬다.
2. 라이프 데이터 수집과 행동 변용
행동 변용으로 이어지는 라이프 데이터로서 보행에 관한 데이터가 있다. 보행이 건강에 주는 영향은 넓게 연구되고 있으며, 히사노 등은 대량의 걸음수 데이터의 수집으로부터 의료비 삭감을 목적으로 한 행동 변용으로 이어가는 대응을 각 자치체와 연계해 하고 있다. 특히, 10만 명분에 대해서는 센서 데이터와 의료수가청구서 데이터를 관련짓고 있다. 1일당 걸음수가 많은 사람이 의료비가 적다는 것이 밝혀져 있다.
보행량이 증대하는 행동 변용이 일어남으로써 건강 증진과 의료비 삭감에 기여할 수 있다고 생각되는 한편, 일반적인 일본인의 평균적인 보행량은 목표로 하는 1만보에는 달하지 못하고 있다는 현상도 있다. 보행과 건강 증진과의 관계성은 이해하고 있어도 운동 개선의 의사가 없는 무관심층이 많다. 그렇기 때문에 무관심층의 행동을 어떻게 유발할지가 문제가 된다.
도시권 규모의 크기가 신체 활동량에 영향을 주고 있으며, 무관심해도 걷게 되는 도시 설계(Walkable City)로 전환하는 것이 제창되고 있다. 삿포로시 사례의 경우, 삿포로역에서 스스키노까지의 지하상가에서 BLE 비콘이나 초음파식의 센서에 의해 인류 데이터를 계측하고 있다. 방문 영역에 대한 인센티브(포인트 부여)를 줌으로써 보행하기 쉬운 환경의 정비와 조합해, 적설기인 겨울철에도 걸음수 증가라는 행동 변용이 달성되고 있다. 또한, 믿을 수 있는 인간관계로부터의 입소문이 행동 변용에 영향을 미친다는 것이 알려져 있는데, 활동량 증가에도 효과적이라는 것을 나타내고 있다.
이와 같이 지역에서 수집한 라이프 데이터의 분석 결과를 증거로서 활용해, 무관심층의 행동 변용의 유발을 일으키기 위한 활동은 라이프 데이터를 집중적으로 활용한 시스템에 의해 이루어지고 있다고 생각된다.
한편, 개인별 라이프 데이터를 활용한 행동 변용 시스템도 제안되고 있다. 인간의 행동 데이터를 축적하는 라이프로그, 축적한 데이터의 분석이나 예측 등의 시뮬레이션, 예측 결과를 이용한 행동 유발 루프로 구성되는 시스템이다. 기존부터 라이프로그와 같은 개인의 라이프 데이터 축적의 대응은 연구 수준에서는 널리 이루어지고 있었다. 앞에서 말한 지역의 인간 행동의 빅데이터와 비교하면 라이프로그는 개인의 빅데이터이다. 개인에 맞춘 행동 변용을 실현해 가기 위해서는 지역이나 속성별 등의 집단 행동 데이터에 대한 분석뿐만이 아니라, 개인 수준의 데이터에 대한 시뮬레이션이 반드시 필요하다.
사용자의 라이프로그 기능과 이벤트 주최자에 의한 분석 기능을 제공하는 Walkus라고 하는 워킹 이벤트 개최 플랫폼이 제안되고 있다. 항상 운동과 위치 정보로 이루어지는 라이프 데이터를 계속 계측하는 모바일 애플리케이션이 라이프로그 기능이다. 임의의 그룹을 형성해 결과를 공유할 수 있는 소셜 서포트에 의해 행동의 유발로 연결하고 있다.
또한, 이벤트 주최자가 각각의 라이프로그 데이터를 집약하는 것도 가능해졌다. 스마트폰을 이용해 식사 사진을 촬영하고 식사 사진으로부터 칼로리를 예측함으로써 식사 균형을 추정하는 연구는 기존부터 이루어지고 있었는데, 최근에는 건강관리로 연결되는 행동 변용을 일으키게 하는 것을 목적으로 한 서비스도 실현되고 있다. 소셜 미디어를 활용해 식습관을 스스로 개선하는 것에 성공한 사례도 있다. 앞에서 말한 대로 지역의 집단행동 변용에 있어 입소문 효과, 워킹 이벤트의 소셜 서포트 등의 효과가 알려져 있다. 마찬가지로 개인 수준의 행동 변용에서도 소셜 미디어가 효과적이라는 결과는, 행동 변용을 위한 피드백 루프에서 인간끼리의 연결 영향이 큰 것을 시사하고 있다.
이들과 같이 라이프로그, 시뮬레이션, 행동 유발로 이루어지는 행동 유발 시스템은 사이버네틱 루프라고 불리기도 한다. 사이버네틱 루프 실현을 위해 라이프 데이터의 취득은 사용자에게 무의식적으로 부담을 주지 않고 계속적으로 할 수 있는 시스템이 바람직하다. 행동 변용의 접근으로서는 행동의 사전에 있는 판단 과정과 사후에 어떤 평가 과정에 개입하는 시스템을 생각할 수 있다.
또한, 개인의 라이프 데이터를 수집한 빅데이터의 시뮬레이션에 의해 개인 수준의 행동을 예측할 수 있게 되면, 사후 평가 예측에 기초한 사전 판단 과정에 대한 개입이라는 접근을 취할 수도 있다. 이때에는 예측 정도의 수준보다도 피드백 루프의 속도가 중요시되며, 개인 수준의 라이프 데이터 수집과 처리의 실시간성을 달성할 수 있는 센서 네트워크 및 컴퓨팅 시스템의 구성이 요구된다.
3. 라이프 데이터 취득의 장래 전망
현재의 라이프 데이터 취득 시스템의 대부분은 스마트폰 탑재 기능에 기초하고 있다. 한편, 보다 고성능인 각종 센싱 시스템도 보급되어 간다. 인간의 이동에 관련된 활동을 측정하기 위한 GPS에 의한 위치 정보 취득에 대해서는, RTK-GNSS나 준천정위성 시스템 등을 활용한 몇 센티미터 오더의 측위가 일반화된다. 또한, 실내의 측위에 대해서는 GNSS 베이스로 측위를 할 수 없기 때문에 WiFi 액세스 포인트를 이용한 측위 시스템이 지금까지도 고안되고 있다. 기존보다 고정도의 WiFi 측위가 가능한 Chronos 등의 시스템이 제안되고 있다. Bluetooth로도 버전 5.1에서는 방향 검지 및 센티미터 정도로 위치 측위를 할 수 있다고 한다.
이러한 차세대 위치 측위 시스템이 보급된 경우, 특수한 환경이 아니어도 인간이 평상시처럼 생활하는 가운데서 자연스럽게 고정도의 광역 시계열 위치 정보를 취득할 수 있고, 타인과의 위치 관계, 바꿔 말하면 사람과 사람과의 인터랙션 기록을 항상 지속적으로 기록할 수 있게 된다.
최근에는 심도 센서가 탑재된 스마트폰이나 태블릿도 존재하고 있다. 단안 카메라의 심도 추정, 인물의 자세 추정 기술도 발전하고 있다. 심층학습 베이스의 움직임 식별 등 인물의 3차원 행동 계측을 특수한 장치 없이 실현할 수 있게 된다. 아직까지는 고가이지만, 시선 측정이 가능한 안경형 디바이스는 이미 존재하고 있다. 이들 기술을 조합함으로써 언제 어디서, 누가 누구와, 어디를 가서 무엇을 보고 있는지 등과 같은 행동에 관한 정교하고 세밀한 데이터를 무의식적으로 연속 수집할 수 있게 되는 것도 결코 불가능하지 않다.
현재의 스마트폰에 의한 위치 정보나 활동량 기록을 넘어선, 겉으로 드러난 인간의 모든 행동 데이터를 라이프 데이터로서 수집하고, 그 분석 및 시뮬레이션에 의해 퍼스널라이즈된 행동 유발 시스템으로서 통합해 가는 것이 요구된다.
라이프 데이터 처리의 시스템 구성
1. IoT 시스템의 아키텍처
앞에서 말했듯이 행동 데이터의 취득과 분석에 근거해 인간의 행동 변용을 이끌 수 있다. 센서 시스템의 고정도화와 함께 새로운 행동 변용의 스타일을 고안하는 것이 요구되고 있다. 각 인간이 센서 단말을 소지하고 데이터를 계측, 네트워크를 통해 클라우드에서 데이터를 축적하고 정보처리, 그리고 응용 시스템으로 연결해 가는 기본적인 IoT(Internet of Things)의 구성이다. IoT 시스템의 구성은 여러 가지가 검토되고 있으며, 실제 시스템 개발도 이루어지고 있다.
장래적으로는 지금까지 이상으로 대규모, 고빈도로 대용량의 데이터를 수집하게 된다. 센서 데이터의 수집은 센서 단말 측에서, 데이터의 축적과 정보처리는 클라우드 측에서 하는 분리뿐만 아니라, 센서 데이터와 애플리케이션에 적합한 유연한 시스템 구성이 바람직하다.
구체적으로는 에지 컴퓨팅, 포그 컴퓨팅 등과 같은 분산된 단말에서 취득한 데이터 처리를 위한 컴퓨팅 시스템이 IoT 시스템의 실현 예로서 제안되고 있다. 모두 비교 대상은 클라우드 컴퓨팅이다.
에지 컴퓨팅이란 단말 측에서 데이터 수집뿐만 아니라 어떠한 처리를 하는 것을 예상한 시스템으로, 실시간성의 향상과 통신 코스트와 트래픽의 삭감을 도모할 수 있다. 이것은 클라우드에서 데이터를 수집․분석한 결과를 이용한 시스템과는 다른, 행동으로부터 짧은 시간의 피드백에 의한 행동 변용 시스템에 기여한다. 또한, 사용자의 사생활에 관련된 정보를 클라우드에 집약하지 않는다는 이점도 있다.
포그 컴퓨팅이란 에지 컴퓨팅과 클라우드 컴퓨팅의 중간적인 역할을 가지는 것이 된다. 로컬 영역 내의 단말에서 취득한 데이터를 수집․처리하기 위한 컴퓨팅 환경을 준비, 실시간성과 통신 코스트 등의 에지 컴퓨팅의 유용성을 유지하면서 클라우드에 가까운 고성능의 분석 능력을 갖춘 시스템을 목표로 한 구성이라고 생각된다.
이하에서는 에지 컴퓨팅이나 포그 컴퓨팅 등과 같이 라이프 데이터 수집에 기초한 행동 변용에 적합한 시스템 구성에 대해 개략적으로 살펴본다. 특히 분산 시스템의 소프트웨어 플랫폼 및 정보처리에 관한 사례를 소개한다.
2. 소프트웨어 플랫폼
앞에서 말했듯이 행동 데이터의 취득과 분석에 기초해 인간 라이프 데이터 취득을 목적으로 한 분산 시스템에서, 센서 데이터를 수집해 처리하기 위한 네트워크 통신이나 데이터 형식의 통일 등 소프트웨어 플랫폼 상에 개발하는 것이 많은 사람이 활용하는 시스템으로서 바람직하다. 각 시스템용의 특수한 소프트웨어를 개발하는 것이 아니라, 라이프 데이터 취득이나 분석 평가와 사용자에 대한 피드백을 보다 일반화해 광범위한 라이프 데이터 취득 시스템을 구성함으로써 보다 많은 데이터를 수집할 수 있고, 또한 오픈화되어 행동 변용 시스템으로서의 가능성이 높아질 것으로 예상된다.
하드웨어에서의 정보 수집이나 복수 센서 간의 정보통신 등의 기술은 로봇 개발에서 사용되는 소프트웨어 플랫폼과 유사하다. ROS나 RT 미들웨어라는 로봇용 소프트웨어 플랫폼에서는 다양한 로봇 요소를 모듈화한 소프트웨어끼리 동적으로 연계시켜 시스템을 구축한다. 라이프 데이터 취득의 경우도 여러 가지 센서의 데이터에 기초한 정보처리가 필요하다는 점은 이러한 로봇용 소프트웨어 플랫폼과 동일하지만, 불특정 다수의 인간이 단말이 되는 시스템이기 때문에 보다 유연한 스케일러빌리티(Scalability)가 요구된다. 또한, 단말처리뿐만 아니라 클라우드 그리고 포그라는 환경의 컴퓨팅과 사용자에 대한 피드백이 요구된다. 앞에서 말한 로봇용 소프트웨어 플랫폼도 Rapyuta라고 하는 클라우드의 데이터 수집과 로봇의 실시간 제어를 양립시킨 소프트웨어가 존재한다.
라이프 데이터 취득 시스템에서도 이러한 많은 단말 측 소프트웨어, 클라우드나 포그의 데이터 수집과 분석을 통일적으로 취급할 수 있는 소프트웨어 플랫폼이 요구된다. 다방면에 걸친 IoT 디바이스의 데이터 스트림을 클라우드 없이 분산 처리하는 미들웨어가 제안되고 있다. 태스크 분산 실행, 센서 데이터의 온디맨드 정보 유통, 그리고 다양한 센서/액추에이터, 인터페이스와 통신 규격의 차이를 흡수하는 기능을 제공하는 것이다. 앞에서 말한 로봇용 미들웨어인 RT 미들웨어를 이용해 실장되어 있으며, IoT의 분산 처리 시스템과 로보틱스 소프트웨어와의 친화성을 엿볼 수 있다.
3. 에지 컴퓨팅의 정보처리
사용자 측 단말에서 취득한 데이터를 모아 분석하고 어떠한 피드백을 하는데 있어, 데이터를 처리하거나 분석하기 위해 실제로 어떠한 것이 이루어지는지 사례를 들어 설명한다.
에지 컴퓨팅에 의한 분산형 기계학습을 하는 시스템은 최근 많이 제안되고 있다. Google에 의한 IoT 에지를 위한 기계학습용 프로세서도 개발되는 등 에지의 기계학습을 실현하는 하드웨어도 계속 확산되고 있다. IoT 디바이스가 폭발적으로 증대해 가기 때문에 대량의 센서 데이터를 기존형 클라우드 집약형의 기계학습에 의해 취급하는 것은 어려울 것으로 보인다. 분산학습의 기법으로는 지리적으로 분산 배치되는 센서 데이터를 2차원이나 3차원의 화상에 대응하는 정보로서 취급해 CNN에 의한 모델을 학습하는 기법이 있다. CNN의 각종 처리도 센서 노드에 할당해 분산 처리하는 시스템이다. 도시에서 수집한 데이터로부터 도시 상황을 추정하거나, 이벤트 검출을 할 때의 분산 기계학습 문제를 해결하기 위한 개발 환경 CityFlow도 제안되고 있다.
또한, 자동 운전 시스템의 컴퓨팅에서는 실시간성이 요구되기 때문에 사용자 측에 가까운 에지나 포그 처리와 제어를 위한 정보처리의 중요성이 기술되어 있다. 자동 운전을 위해 환경 정보 분산 관리 시스템과 분산된 환경의 센서 퓨전 방법이 제안되고 있으며, 에지의 소영역 내 디바이스로부터 센서 데이터를 수신할 때마다 차례로 통합함으로써 처리 시간을 향상시키고, 에지의 처리 결과를 클라우드에서 통합함으로써 하나의 단말에 부하가 집중되는 것을 피하고 있다.
앞에서 말했듯이 라이프 데이터 수집에 기초한 인간의 행동 변용을 위한 시스템에서는 각 인간마다의 라이프로그 처리나 실시간으로 사용자에 대한 예측 결과 피드백이 요구된다. 많은 인간의 라이프 데이터를 집약한 클라우드에서의 학습, 실시간으로 사용자에게 피드백하기 위한 사용자 각각의 시뮬레이션 처리는 분산된 시스템 구성이 바람직하며, 클라우드와 에지를 조합한 하이브리드 컴퓨팅 시스템이 필요하다.
맺음말
이 글에서는 처음에 인간의 행동 데이터를 라이프 데이터로 파악, 행동 데이터 활용에 기초한 행동 변용과 건강 증진 대응과 행동 데이터 취득의 미래 전망에 대해 해설했다. 불특정 다수의 인간을 대상으로 하는 분산 시스템인 라이프 데이터 수집 시스템의 시스템 구성의 대표적인 예에 대해 소개했다.
에지 컴퓨팅이나 포그 컴퓨팅 등의 분산 정보처리 시스템 구성과 모듈화 등의 소프트웨어 플랫폼 및 기계학습과 실시간 행동 변용을 위한 정보처리의 예 등을 개략적으로 살펴봤다. 앞으로는 이 글에서 다룬 인간의 행동 데이터뿐만 아니라, 심박, 체온, 혈압, 수면 상태 등 생체 정보도 융합된 인간의 일상생활 속의 행동 변용 시스템도 기대된다.
모리오카 카즈유키·하시모토 히데키, 메이지대학 종합수리학부
