Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Dlc ri

151 views

Published on

GDLC9 Ridge-i Ichiki-san

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Dlc ri

  1. 1. ディープラーニングを活用した実用事例のご紹介 -Semantic Segmentation・生成モデルを用いた異常検知など- 株式会社Ridge-i 市來 和樹
  2. 2. 1©2018 Ridge-i All Rights Reserved. Ridge-i(リッジアイ)について 事業領域 ビジネスニーズに最適化 したAI技術を提供 • AIコンサルティング − 機械学習・ディープ ラーニング・強化学習 中心 • ソリューション開発 − 例:放送品質モノクロ 映像 彩色ディープ ラーニング 会社概要 オフィス • 千代田区大手町1-6-1- 442(大手町駅直結) 従業員数 • 約20名 主に機械学習エンジニア、 コンサルタント パートナーシップ Deep Learning Lab幹事企業
  3. 3. 2©2018 Ridge-i All Rights Reserved. 機械学習 の各手法 統計解析 の各手法 自然言語解析 の各手法 どれでもAI + ナップザック問題、動的計画法、最適化問題等も・・・ 混乱が深まっているので、更新していません。 階層ベイズ MCMC GLMM ベイズ理論(最尤法) 主成分分析、GLM 検定 相関、共分散 確率、正規分布、分散 機械翻訳 トピックモデル 文章生成 BWT, Wavelet Tree TF-IDF, Word2Vec 検索、N-Gram 形態素解析 分散協調 深層強化学習 強化学習 ディープラーニング 協調フィルタリング SVM, K-Means, 近傍法 RF、探索木 ロジスティック回帰 最小二乗法 「AI」の混乱をほぐすところからスタート
  4. 4. 3©2018 Ridge-i All Rights Reserved. AIのメリットは? • ルールで記述できなかった、人の勘・コツを模倣できる可能性 (形式知化) • 人手では限界のある、大量かつ複雑なデータの解析が得意 それぞれの特徴を踏まえて、目的に応じたベストミックスが必要 従来システム開発とAI開発の比較 相違点 共通点 従来システム開発 AI(機械学習・ディープラーニング)開発 ルールベース・ 質が人(要件定義者)に依存 質がデータに依存 “garbage in, garbage out” 厳密解 近似解 演繹的・ホワイトボックス(改善が容易) 帰納的・ブラックボックス(改善が難しい) 目的や機能の定義は人 自動的に自ら改善や機能の追加はしない
  5. 5. 4©2018 Ridge-i All Rights Reserved. AI開発アセスメント~AI開発・導入までの主な流れ AI導入目的 と課題 の整理 データとAIの 組合せを 定義 AI パイロット 検証 AI開発・ 導入に 向けた 計画策定 AI開発 POC周辺 システム との連携 導入 保守 AI開発アセスメント・パイロット検証 フェーズ ※一方通行ではなく、違うデータとアルゴリズムの組合せで、アジャイルに検証をすることも大事 AI 開発・導入フェーズ 開発導入判断 コンサルティングチームがお客様と検討を重ねて AIの導入目的を明確にすることが肝要
  6. 6. 5©2018 Ridge-i All Rights Reserved. Ridge-iの特徴と事例 総合的なシステム 考案・連携力 ビジネスの現場で インパクトを実現 • パートナーシップを活かした 効果的な開発 • サーバー・FPGA・センサー等 ハードウェアの選定支援 • 周辺システムとのつなぎ • ゴールを顧客と共に明確化 • AIありきではなくROIを重視 • PoCで終わらず実運用まで • 社会展開ができる協業体制 NVIDIAと協力して DGX-1の検証 ②ごみ質ディープラーニング 荏原環境プラント様が実用へ ①カラー化ディープラーニング NHKで放映実績 卓越した 画像解析技術 • 最先端の論文も実装・考案 • 少ないデータで精度を向上す るノウハウ • 競合が達成できなかった 案件も複数 ④不良データで精度をあげる 論文執筆 ④Anomaly Detection GAN+ 高解像度化の論文実装 ③衛星レーダー画像解析 ディープラーニング 総務省・経産省の 衛星データ活用委員会
  7. 7. 6©2018 Ridge-i All Rights Reserved. ① カラー化ディープラーニング ② ごみ焼却炉でのセグメンテーション活用 ③ 衛星データSAR画像 オイル流出検出 ④ 良品画像のみで行う 異常検知 事例・ソリューション紹介
  8. 8. 7©2018 Ridge-i All Rights Reserved. ① カラー化 ディープラーニング (1) 放送レベル自動彩色DL |NHKアート様と共同開発 <4Kの白黒映像をディープラーニングで彩色した実証実験映像> ディープラーニングによる自動彩色 • 最初の1枚だけ人が彩色 残りの499フレームはDLが彩色 • 木の葉の揺れや雲の動きにも対応
  9. 9. 8©2018 Ridge-i All Rights Reserved. ① カラー化 ディープラーニング (2) 求める色合いを正確に再現 プレゼン用途のみの画像につき 配布資料から削除しております。
  10. 10. 9©2018 Ridge-i All Rights Reserved. ① カラー化ディープラーニング ② ごみ焼却炉でのセグメンテーション活用 ③ 衛星データSAR画像 オイル流出検出 ④ 良品画像のみで行う 異常検知 事例・ソリューション紹介
  11. 11. 10©2018 Ridge-i All Rights Reserved. ②ごみ焼却炉でのセグメンテーション活用 荏原環境プラント株式会社様と共同開発 従来の自動運転では 投入するごみ質の変動が大きく、 安定した燃焼ができない ごみの質をピクセル単位で 認識することに成功 熟練オペレータのノウハウを再現、 投入するごみ質の安定化が可能に ごみ焼却炉イメージ図 <燃焼状態を監視する中央操作室><クレーン操作室> ごみピット 焼却炉 課題と目的
  12. 12. 11©2018 Ridge-i All Rights Reserved. ②ピクセル単位で物の識別が可能(1/2) 汚泥 剪定枝 剪定枝 布団 ダンボール プレゼン用途のみの画像につき 配布資料から削除しております。
  13. 13. 12©2018 Ridge-i All Rights Reserved. 剪定枝 汚泥 剪定枝 布団 ダンボール ②ピクセル単位で物の識別が可能(1/2) プレゼン用途のみの画像につき 配布資料から削除しております。
  14. 14. 13©2018 Ridge-i All Rights Reserved. ②ピクセル単位で物の識別が可能(2/2) 布団 ダンボール 破れていないごみ袋 プレゼン用途のみの画像につき 配布資料から削除しております。
  15. 15. 14©2018 Ridge-i All Rights Reserved. ②ピクセル単位で物の識別が可能(2/2) 布団 ダンボール 破れていないごみ袋 プレゼン用途のみの画像につき 配布資料から削除しております。
  16. 16. 15©2018 Ridge-i All Rights Reserved. ① カラー化ディープラーニング ② ごみ焼却炉でのセグメンテーション活用 ③ 衛星データSAR画像 オイル流出検出 ④ 良品画像のみで行う 異常検知 事例・ソリューション紹介
  17. 17. 16©2018 Ridge-i All Rights Reserved. • ルールでは波とオイルは分類困難 • 読み解けるのは一部のエキスパートのみ • AIの活用により、オイルスリック(油膜)が あるエリアを100%の精度で特定 衛星画像に対するディープラーニングによる解析の普及活動に参画 5枚程度の画像で学習 いろつける レーダー画像 AIによる解析 ③ 衛星レーダ画像 SARでオイル流出検出 • 総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー • 経産省 政府衛星データ活用 ステイクホルダ委員会
  18. 18. 17©2018 Ridge-i All Rights Reserved. ① カラー化ディープラーニング ② ごみ焼却炉でのセグメンテーション活用 ③ 衛星データSAR画像 オイル流出検出 ④ 良品画像のみで行う 異常検知 事例・ソリューション紹介
  19. 19. 18©2018 Ridge-i All Rights Reserved. AI 良品画像のみを使った異常検知がディープラーニングで可能 学習用の良品画像 良品画像の 特徴を学んだ DL 検品画像 不良判定 良品には存在しなかった キズ・ゆがみなどを検出 ④良品画像のみで行う 異常検知ディープラーニング ■ 異常検知の課題 不良は定義が難しい、数がすくない、アノテーションが難しい など 画像生成モデル:GAN、VAE、等
  20. 20. 20©2018 Ridge-i All Rights Reserved. GAN(敵対生成学習)モデルによる異常検知(1/2) Real Imagesを正常画像のみにして学習 正常画像しか作れないGeneratorを得る
  21. 21. 21©2018 Ridge-i All Rights Reserved. GAN(敵対生成学習)モデルによる異常検知(2/2) 正常系 異常系 入力画像A Generatorの生成範囲内なので正常 Generatorの生成範囲外なので異常 GANを利用した 異常検知の概要 GANで学習したGeneratorは正常な画像であれば完璧に生成できるはず → Generatorが生成できる画像は正常、できない画像は異常と判断する 入力画像B • 特徴①:Discriminatorを騙せる程リアルな画像を生成 • 特徴②:良品画像しか作れない • → 正常系とGeneratorが作れる画像集合が一致する 理想的なGeneratorが作れる画像の集合
  22. 22. 22©2018 Ridge-i All Rights Reserved. • 生成画像と入力画像の差分をとって異常部分を検知する • 正常部分であればGeneratorが生成できることを利用 GANモデルによる異常検知 サンプル事例:A 生成画像 入力画像 差分画像
  23. 23. 23©2018 Ridge-i All Rights Reserved. GANモデルによる異常検知 サンプル事例:B * UMN Unusual crowd activity datase (http://mha.cs.umn.edu/) 正常時画像 異常時画像 モデルの推論結果
  24. 24. 24©2018 Ridge-i All Rights Reserved. GANモデルによる異常検知 サンプル事例:B 入力 推論結果 * UMN Unusual crowd activity datase (http://mha.cs.umn.edu/)
  25. 25. 25©2018 Ridge-i All Rights Reserved. ● ディープラーニングの社会実装は始まってきている ○ 事例収集も大事だが、実際にアジャイルで試す経験値の方が有効 ○ インパクトのあるプロジェクトなら、すぐに始めた方がいい ● 日本のマーケットニーズは多くある ○ 省力化、無人化が社会的要請 ○ 人手・スキル不足がネックだった事業成長機会が発見できつつある ○ 増え続ける未発掘のデータソースから様々な知見が掘り出せる AI vs 人 を超えた、協働することによる事業成長余地が生まれています まとめ
  26. 26. 26©2018 Ridge-i All Rights Reserved. ディープラーニングによるインパクトを 実感できるまで追求します @ridge_i_jp @ridgeicom contact@ridge-i.comhttps://ridge-i.com

×