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.

[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例

2,161 views

Published on

Deep Learning Lab 第4回

Published in: Engineering
  • Be the first to comment

[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例

  1. 1. ディープラーニング 導入の課題と実例 2017/10/24 Deep Learning Lab 第4回
  2. 2. 1©2017 Ridge-i All Rights Reserved. • Ridge-i について • AI導入の課題 • 課題の実例 • さいごに Agenda
  3. 3. 2©2017 Ridge-i All Rights Reserved. Ridge-i について
  4. 4. 3©2017 Ridge-i All Rights Reserved. Ridge-i について ビジネスニーズにあった最適なAI技術を追求・提供します  パートナーシップ Employees 10名 + α 主に機械学習エンジニア、 コンサルタント出身 外国人比率 50% Office 千代田区大手町 1-6-1-442  事業領域 AI コンサルティング AI ソリューション開発 例:モノクロ映像 カラー化AI 特にディープラーニング 機械学習、強化学習  会社概要 Style 裁量労働制
  5. 5. 4©2017 Ridge-i All Rights Reserved. RI 自社開発事例 モノクロ映像自動彩色AI 大相撲 (5/21 NHKで放送) NHKスペシャル「戦後ゼロ年 東京 ブラックホール 1945-1946」 (8/20放送)
  6. 6. 5©2017 Ridge-i All Rights Reserved. Ridge-i 担当について 柳原 尚史 • 小4からプログラマー。大学時代はプレイステーションのゲーム開発 • ブラックロック、HSBC、大和証券でリスク分析、アルゴリズム取引の開発 • 証券アナリスト、ネットワークスペシャリスト、宅建 など資格多数 趣味はトレイルランニング  富士山1日3往復  モンブラン170Kmを45時間寝ずに走破 数式に眠くならない強さ
  7. 7. 6©2017 Ridge-i All Rights Reserved. AI導入の課題
  8. 8. 7©2017 Ridge-i All Rights Reserved. ©2017 Ridge-i All Rights Reserved. 相談 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺開発 実業務に デプロイ 多多 中 中 少 AI導入 プロセス 人的 リソース 人材不足が AI導入を阻む最大のボトルネック AIで何か したい 課題と方向性 省力化・新商品・ 新ビジネス データ戦略 どの技術と データの組合せで 解決 実装・学習・検証 チューニング AI導入 達成 AI導入の流れとボトルネック
  9. 9. 8©2017 Ridge-i All Rights Reserved. ● 本来あるべき姿 「この課題はAIなら解決できるのか?」 「解決する事によるインパクトはなにか?」 「そのために必要なデータは何か?」 活用戦略の課題 導入自体の目的化 ● ありがちな問題 「とにかく AIを入れたい」 「いまあるデータから宝が見つからないか?」 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺 開発
  10. 10. 9©2017 Ridge-i All Rights Reserved. 技術詳細の課題 • AIで 運搬機器を映像で検出し、最適な動線解析を行いたい • AIで 白黒映像の彩色作業の手間を削減したい • AIで 炉の制御を自動化したい • AIで 電力マネージメントを最適化したい • AIで 製造装置の異常の兆候を捉えたい • AIで 徘徊老人を探したい AIが意味するところは玉石混合 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺 開発
  11. 11. 10©2017 Ridge-i All Rights Reserved. 「AI」という言葉の曖昧さ 階層ベイズ MCMC GLMM 最尤法 ベイズ理論 主成分分析、GLM 検定 相関、共分散 確率、正規分布、分散 機械学習 統計解析 機械翻訳 トピックモデル 文章生成 ディープラーニング (RNN, Skip-gram) BWT, Wavelet Tree TF-IDF, Word2Vec 検索、N-Gram 形態素解析 自然言語解析 どれでもAI 分散協調 深層強化学習 強化学習 ディープラーニング LSTM, DBM, CNN, RNN 協調フィルタリング SVM, K-Means, 近傍法 探索木 ロジスティック回帰 最小二乗法 + ナップザック問題、動的計画法、最適化問題等も 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺 開発
  12. 12. 11©2017 Ridge-i All Rights Reserved. ディープラーニングのパターン 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺 開発 汎用最強はなくて、課題毎に複数試す必要 アンサンブル、ブースティングみたいに組合せも
  13. 13. 12©2017 Ridge-i All Rights Reserved. ©2017 Ridge-i All Rights Reserved. ● ユーザーがAI活用を企画するための知識・理解の不足 ● あいまいなAIの定義 ● 日々進化するディープラーニング ニーズとシーズのギャップ 相談 検討開始 活用 戦略 技術 詳細検討 開発 実証実験 周辺開発 実業務に デプロイ 一人で向こうまで行けって そんな無茶な。。 (AI推進 担当) 深い谷 AI導入 できた!
  14. 14. 13©2017 Ridge-i All Rights Reserved. Ridge-i の役割 導入支援、カスタマイズ Ridge-iが自社・共同開発 コンサルテーションフェーズ ソリューション開発フェーズ 課題と効果 最適な技術構成 複数のAIと他技術を どう組み合わせるか AIの導入価値の判定 PFN – DIMo、他AIを活用 自社・共同開発 相談 検討開始 活用 戦略 技術 詳細検討 開発 実証実験 周辺開発 実業務に デプロイ 導入 達成 AI導入 プロセス パートナー企業
  15. 15. 14©2017 Ridge-i All Rights Reserved. 課題の実例
  16. 16. 15©2017 Ridge-i All Rights Reserved. ケース1 活用戦略の必要性 「ビッグデータあるある」
  17. 17. 16©2017 Ridge-i All Rights Reserved. ビッグデータ活用あるある ● 車の任意の画像から、査定額を見積りたい ビッグデータを使いたい あるある ● 「いまあるビッグデータを使ってほしい」
  18. 18. 17©2017 Ridge-i All Rights Reserved. ビッグデータあるある その1 ● データが不整形(画像の縦横比率もバラバラ) ● 対象物体が映っているアングルが揃っていない ● 対象物体以外に色々映りすぎ ● 顧客データのマスキング、セキュリティ確保 教師データを抜き出すだけで一つのプロジェクト
  19. 19. 18©2017 Ridge-i All Rights Reserved. ビッグデータあるある その2 ● ラベルに大きな偏り ● 画像だけじゃ わからないケース(内装) ● 同じ画像でも、作業者、画像外要因で結果が違うことも 現状の誤った出力に、モデルをあわせる、 という本末転倒な結果にも。 入力データにモデル構築するのに十分な情報が入っていない
  20. 20. 19©2017 Ridge-i All Rights Reserved. ケース 1 のまとめ 将来の競争優位のために 早めのデータマネージメント戦略が重要 いまあるデータに拘らない柔軟な姿勢 相談 検討開始 活用 戦略 技術 詳細検討 開発 実証実験 周辺開発 実業務に デプロイ 販売 サポート やっておけばよかった場所 機械学習・ディープラーニングを活用しやすい データを貯めよう
  21. 21. 20©2017 Ridge-i All Rights Reserved. ケース2 技術詳細設計の必要性 「多目的は無目的」
  22. 22. 21©2017 Ridge-i All Rights Reserved. 2年前に作った汎用AI
  23. 23. 22©2017 Ridge-i All Rights Reserved. 放送レベルに特化させたAI 実証実験映像(4K)
  24. 24. 23©2017 Ridge-i All Rights Reserved. WEB上の汎用AIサービス Ridge-i + NHK ART 汎用的なAIと、RI彩色技術との比較
  25. 25. 24©2017 Ridge-i All Rights Reserved. モノクロ映像自動彩色AI - 活用実例 大相撲 (5/21 NHKで放送) NHKスペシャル「戦後ゼロ年 東京 ブラックホール 1945-1946」 (8/20放送) 数百倍の省力化を実現しながらも、放送クオリティを確保
  26. 26. 25©2017 Ridge-i All Rights Reserved. ケース2 まとめ ©2017 Ridge-i All Rights Reserved. ビジネス要件を満たす条件の見極め 相談 検討開始 活用 戦略 技術 詳細検討 開発 実証実験 周辺開発 実業務に デプロイ 販売 サポート やってよかった場所 目的が定まれば、技術の最適化が可能 汎用モデルはビジネスでは使えないことも
  27. 27. 26©2017 Ridge-i All Rights Reserved. ケース3 開発力の必要性 「ブラックボックスじゃ困るんだよ」
  28. 28. 27©2017 Ridge-i All Rights Reserved. ケース3 ブラックボックス問題 ■よくある質問 「AIが理由を説明できないと、問い合わせがあった時に困る」 「じゃぁ、決定木でも使えば?精度は落ちるかもね」 ■技術者的 模範解答 囲碁有段者 実際の解説 「単純にして荒々しい一手」 、 「そこの1目が厚いと思ったので」 「人間はもっともらしく言うのが得意なだけ」
  29. 29. 28©2017 Ridge-i All Rights Reserved. DNN Prediction 2輪車 飛行機 Visual Explanation R&D – Visual Explanations of DNN output ディープラーニングが注目した箇所を図示する機能を追加
  30. 30. 29©2017 Ridge-i All Rights Reserved. ケース3 まとめ ©2017 Ridge-i All Rights Reserved. ディープラーニングの構造まで踏み込んだ技術力 相談 検討開始 活用 戦略 技術 詳細検討 開発 実証実験 周辺開発 実業務に デプロイ 販売 サポート 強くてよかった場所 ニーズをコードまで落とす理解力
  31. 31. 30©2017 Ridge-i All Rights Reserved. おまけ 社内R&D 事例
  32. 32. 31©2017 Ridge-i All Rights Reserved. R&D case - Super Resolution Low quality (Input) Deep Learning (Output) Grand Truth 1/36 1/1 1/1
  33. 33. 32©2017 Ridge-i All Rights Reserved. R&D case - Depth estimation (single camera) Single RGB Image (Input) Deep Learning (Output)
  34. 34. 33©2017 Ridge-i All Rights Reserved. さいごに
  35. 35. 34©2017 Ridge-i All Rights Reserved. どの課題に、どのAI技術を使うのか、見極めが重要 お気軽にご相談ください 問い合わせ contact@ridge-i.com 相談 検討 開始 活用 戦略 技術 詳細 開発 POC 周辺開発 実業務に デプロイ AI導入 達成 新しい技術とビジネス機会を一緒に見つけていきましょう! (We’re hiring!!)

×