ハイブリッドAIとは物理学と機械学習を組み合わせたモデルのことを言います。従来のデータのみを用いた機械学習モデルに比べて、トレーニングデータの合成や、精度向上が見込まれ、注目されつつあります。
最近まで、純粋にデータドリブン型の人工知能（AI）、特に機械学習は、石油・ガス産業や製造業などの重厚長大産業で展開されているデジタルツインを含め、産業全体で新しいデータを実現するための最も魅力的なテクノロジーとして注目されてきました。より確立された物理ベースのモデリングは、近年ではほとんどスポットライトを浴びることはありませんでした。
しかし、AIには固有の「ブラックボックス」の性質があるため、純粋なAIベースのアプローチでは、重要なシステムに対するリスク許容度がゼロの工学科学に根ざした現場作業では受け入れられませんでした。さらに、石油ガス業界のリーダーによる有望なAIスタートアップが関連する何百もの概念実証実験から、生産最適化や予知保全のユースケースを大胆に解決するためのAIの全能性が主張されていることも否定されています。
ハイブリッドAIは、物理学とAIのアナリティクスをブレンドしたもので、物理学ベースのモデルの「ガラスの箱」のような解釈可能性と堅牢な数学的基盤と、AIのスケーラビリティとパターン認識能力を組み合わせたものです。
物理学ベースのモデルと機械学習（AIアプリケーションの最も一般的な形態）の両方を将来の予測に使用することができます。答えは、解決しようとしている問題によって異なり、問題のクラスは主に2つのカテゴリーに分類されます。
1番目の状況下では、システムを記述するための数学モデルを定式化することができないため、物理学に基づくモデルは不可能です。しかし、機械学習は可能です。実際には、AIの「ブラックボックス」の性質の裏返しで、このようなシナリオでも機械学習を使用することが可能になり、十分に文脈化された訓練データが利用可能であると仮定しています。この条件が満たされていれば、機械学習モデルは、システムとその結果の間にある根本的なパターンを学習し、最終的には予測を行うことができるはずです。
しかし、2つの注意点が残っています。1つ目は、結果として得られる予測の信頼度に疑問があること（つまり、精度と再現率の問題）であり、このようなAIアプローチは多くのプロセスに適していない可能性があります。2つ目の注意点は、従来の定期的な設備メンテナンスは、何よりもそのような高価な故障を防ぐように設計されているため、重要なシステムにおける故障の教育サンプルがほとんどないということです。
2番目の状況では、物理ベースのモデルが良い解決策となります。物理ベースのモデリングは、宇宙飛行軌道などの最も重要なシミュレーションに対しても試行され、テストされ、検証されていますが、これにも限界があります。最も注目すべき制限は、特に計算量の多いIoTのユースケースにおいて、リアルタイムデータを含むランタイム環境で物理ベースのモデルを持続させるための計算コストです。そこで、ハイブリッド解析機械学習（ハイブリッドAI）が魅力的なソリューションを提供しています。
物理ベースのモデルを使用してシステムを詳細に記述すると、仮想センサデータや機器のブレークポイントデータなど、物理的に正確で、豊富で、完全に解釈可能な合成データが生成されます。このデータは、機械学習モデルを訓練するために使用され、予知保全や生産最適化のユースケースでは、機械学習モデルが一度訓練されると、それを使用して高速で大規模な新しいデータの予測を行うことが非常に効率的であり、その後のリアルタイム運用データ分析のために使用されます。
第二に、生産アルゴリズムに認知的な優位性を与えるために、そのようなハイブリッドAIモデルは、システムの物理的な境界条件を真に理解する（したがって「認知的」という用語を使用する）ために、専門家の監督を受けています。これにより、意味のある結果を生み出すアルゴリズムの能力が大幅に向上します。
結論として、ハイブリッドAIモデルは、機械学習モデルを教えるために使用できる数学的理論のフレームワークが存在する複雑な産業プロセス問題に最適です。その結果、強力な領域知識（物理学）と機械学習を組み合わせることで、コスト効率とスケーラビリティを実現した信頼性の高いハイブリッドモデルが完成しました。特にデジタルツインの空間では、ハイブリッドAIアナリティクスは大きな可能性を示しています。