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.

【ITソリューション塾・第29期】AI

743 views

Published on

https://libra.netcommerce.co.jp/

Published in: Technology
  • Be the first to comment

  • Be the first to like this

【ITソリューション塾・第29期】AI

  1. 1. 人工知能(Artificial Intelligence/AI) ITソリューション塾・第29期 2018年10月30日
  2. 2. 人工知能とは何か
  3. 3. 人間は何を作ってきたのか 3 鳥のように空を飛びたい 馬のように速く走りたい 魚のように海に潜りたい
  4. 4. 人工知能の2つの方向性 視覚(See) 聴覚(Listen) 対話(Talk) 汎用型人工知能 異なる領域で多様で複雑な問題を解決する 特化型人工知能 個別の領域において知的に振る舞う 自己理解・自己制御 意識・意欲を持つ 自ら課題を発見し 自律的に能力を高めてゆく 人間が課題を発見し 人間が能力を高めてゆく
  5. 5. 人工知能とは? 5 人間を超越した知性や知能を実現するテク ノロジー。人工知能は、やがて神のような 存在となり、人間を奴隷のように支配する ようになる。 人間の知性や知能についての解釈は多様。脳の仕 組みも未だ十分には解明されていない。従って、 人間を超越する知能や知性をとせのように創れば いいのか分からないので、実現不可能。 自然な会話や学習による知識の獲得、状況 に応じた判断などの知能を必要とする作業 を、コンピューター上に構築した人工的な 知能を用いて再現する仕組みや研究のこと 人工知能についての国際的な定義は存在しない。 但し、言語理解や論理的思考など、人間がこれま で脳内で行ってきた知的作業を再現することがで きるテクノロジーと研究分野を意味している。 人間の内に取り込む知能 人間と対立する知能 拡張知能 Extended Intelligence Augmented Intelligence
  6. 6. 「東ロボくん」の実力と代替可能な職業 6 国公立大学 172校 内 23校 30学部 53学科 合否判定80%以上 私立大学 584校 内512校 1343学部 2993学科 合否判定80%以上 MARCH /関関同立の学科を含む
  7. 7. コンビニのレジは ”No Checkout”へ 手順が決まった仕事は機械に置き換わる 7 銀行の窓口業務は ATMへ 駅の有人改札は 自動改札へ 単純 複雑 手順の決まった仕事は 機械に置き換わる
  8. 8. 「人工知能」と言われるものの4つのレベル 8 単純制御:指示されたことをそまま行う 予め定められたルールに従い制御する(人工知能搭載○○)。  気温が上がるとスイッチを切るエアコン  洗濯物の重さで洗濯時間を自動的に変更する洗濯機  ひげの伸び具合で剃り方を変える電気シェーバーなど ルールベース:指示されたことを自ら考えて実行する 外の世界を観測することによって振る舞いを変える。 振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。  「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、 これからの打ち手を探索して打つことができる囲碁や将棋のシステム  与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム 機械学習:着眼点は人間が教え、対応パターンを自動的に学習する 人間があらかじめルールを細かく決めて組み込んでおかなくても、 大量のデータから対応パターンを自ら見つけ出す。 ただし学習のための着眼点(特徴量)は人間が設計。  「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、 対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム  診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム 深層学習:着眼点を人間が教えずに、対応パターンを自動的に学習する 学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、 対応のパターンを見つけ出す。  一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、 ということを自分で見つけ出すことができる医療診断システム  状況に応じて、最適な判断をおこなう自動運転の自動車 レ ベ ル 1 レ ベ ル 2 レ ベ ル 3 レ ベ ル 4
  9. 9. 各時代のAI(人工知能)と呼ばれるもの ルールとゴールが決められているゲームの中 で、コンピュータがなるべくゴールにたどり つけるように選択肢を選んでいくもの。 できること:  パズルや迷路を解く  数学の定理を証明する  チェスを指す など トイプロブレムから脱却し、現実の問題を解 くために専門家(エキスパート)の知識をコ ンピュータに移植することで現実の複雑な問 題を解かせようとするもの。 できること:  患者の症状から病名を特定する  起こっている現象から、機械の故障を診断する  患者の症状から、細菌感染の診断をする 人間がルールを与えるのではなく、データを 分析することで、そこに含まれるパターンを 見つけ出し、機械にルールを獲得させるもの。 できること:  画像を認識して分類する  自然な表現の文章に翻訳する  CTやレントゲン写真から癌の病巣を発見する 推論と探索 ルールベースと エキスパートシステム ディープ・ラーニング を含む統計的機械学習 第一次AIブーム 第二次AIブーム 第三次AIブーム 1960年代 1980年代 2010年代 帰納法:事実や事例(データ)から導き出される傾向から結論を導く方法 演繹法:人間の経験や観察による一般的かつ普遍的な事実から結論を導く方法 ルールとゴールが厳密に決まっ ていることが前提。ルールが記 述しきれず、ルールやゴールが 曖昧である現実世界では役にた たない(トイプロブレム/おも ちゃの問題)。 ルールとして教え込まなければ ならないし、互いに矛盾する ルールも出てくると処理できな い。また、教えていない例外的 な事例が出てくると対処できな い。 画像処理、音声認識、証券取引 といった用途ごとに特化した技 術が現状。人間の知能のように 汎用的で、意識や心も宿すよう な技術ではない。
  10. 10. 人間が特徴量を教えることで データの中からパターンを見つ け出し、分類・整理する 人間が教えなくても森羅万象の 中からパターンを見つけ出し 世界を分類・整理する ディープラーニングが、なぜこれほど注目されるのか 機械学習 データを分析することで、そこに内在する規則性や関係性(パターン)を見つけ出す 従来型の機械学習 パターンを見つける時の着目点(特徴量) を人間が指定する 深層学習(Deep Learning) パターンを見つける時の着目点(特徴量) をデータの中から見つけ出す データ データ ルールベース 人間の経験や知見に基づいて、解釈のためのルールを作る
  11. 11. 機械学習がやっていること モデル 入力をどのように処理して 出力するかのルール 入力 出力 人間の思考で ルールを作る 実験・観察・思考 データ分析で ルールを作る 機械学習
  12. 12. 機械学習がやっていること モデル レントゲン写真から 「癌」の病巣を 識別するルール 入力 出力 癌 データ分析で ルールを作る 機械学習 癌の病巣が写っている 大量のレントゲン写真 ある患者のレントゲン写真 「癌」の病巣を表示 レントゲン写真から 「癌」の病巣を見つける「モデル」
  13. 13. 機械学習でできる3つのこと 13 可視化 分 類 予 測 人間が感覚的に理解できるように データを加工・編集する 同じ性質を持つものと、 そうでないものを区別する 過去の出来事から、将来どうなる 可能性があるのか推計する 例:地域や性別、年齢 などにより疾病がどの ように分布するのかを 地図上に表示する。 例:店舗の監視カメラ の映像から、顧客の購 買動向や趣味嗜好を分 類する。 例:日照量、気温、湿 度などの気象データか ら、水、肥料などの量 やタイミングを教える。 識別や 判断など
  14. 14. AIと人間の役割分担 データを準備 意志決定 学習方式の選択 パラメーターの調整 可視化・分類・予測 問いを生みだす 解決したいこと・知りたいことを決める 膨大なデータの中から、人間 の経験に基づく先入観なしに 規則、相関、区分を見つける 新たな問いを生みだす 判断・制御 モデル 公式・ルール・関数など
  15. 15. AI導入/データの戦略的活用における3つの課題 15 事業価値向上 AI導入 データの戦略的活用 良質・大規模な 学習データの収集と整備 データ分析・AI活用に 精通した人材の確保 経営者や業務部門における データ活用のリテラシーの向上 テクノロジーやツールの問題ではなく、人間の問題が大きい
  16. 16. 自動化から自律化への進化 単一作業の自動化 給与計算・部品表展開など のバッチ処理 連続する作業の自動化 生産管理・販売管理・工程管理など 伝票や作業の流れなどのオンライン処理 最適対応が求められる作業の自動化 状況の変化をセンサーやログによって収集し パターン化されたルールに基づき機器を制御 状況に応じて自ら判断する作業の自動化=自律化 未知の状況にも対応し、自ら判断して実行する
  17. 17. 知的望遠鏡 ディープラーニング/深層学習 人間が教えなくても森羅万象の中からパターンを見つけ出し世界を分類・整理する これまで人間には見えなかったことが見えるようになり 人間の知見を広げ、知性を高めることに役立つ
  18. 18. 自動車を ガレージから出す ピザを注文する 空調の温度を 調整する 配車サービスで 車を呼ぶ 預金残高を 確認する 人に寄り添うIT クラウド・サービス 利用者の抵抗を無くす 自然な音声対話 日常生活に関わる 様々なデータを収拾
  19. 19. 人工知能と機械学習
  20. 20. 人工知能と機械学習 20 人工知能(Artificial Intelligence) 人間の”知能”を機械で 人工的に再現したもの 基礎的 応用的 知識表現 推論 探索 機械学習 自然言語理解感性処理 画像認識 エキスパートシステム データマイニング 情報検索 音声認識ヒューマンインターフェース 遺伝アルゴリズム マルチエージェント ニューラルネット ゲーム プランニング ロボット 人工知能の一研究分野
  21. 21. 機械学習と推論(1) 21 機械学習 猫や犬のそれぞれの特徴を 最もよく示す特徴データの 組合せパターン(推論モデ ル)を作成する 対象データ 推論 どちらの推論モデルと 最も一致しているか の推論モデルに最も 一致しているので これは「猫である」と 推論する 学習 Learning 推論 Inference 大量の学習データ 推論モデル の推論 モデル の推論 モデル
  22. 22. 機械学習と推論(2) 22 耳 目 口 特徴量 猫と犬を識別・分類する ために着目すべき特徴 人間が 観察と経験で 決める 機械学習 統計確率的 アプローチ 機械が データ解析して 決める 機械学習 ディープラーニング (深層学習) 「特徴量」ごとに 猫/犬の特徴を 最もよく表す値を 見つけ出す 学習 猫の特徴を最もよく表す 特徴量の組合せパターン 犬の特徴を最もよく表す 特徴量の組合せパターン 猫の推論モデル 犬の推論モデル 大量の学習データ 大量の学習データ 犬 dog 猫 cat
  23. 23. 機械学習と推論(3) 23 特徴の抽出 推論モデルとのマッチング 猫 犬 推論モデル推論モデル 「猫」の推論モデルに 98%の割合で一致している 推論結果 だから「この画像は猫である」 「特徴量」に着目して それぞれの値を計算する 推論 特徴量未知のデータ 耳 目 口
  24. 24. ニューラル・ネットワークによって生成されるモデル 24 線から輪郭 輪郭から部分点から線画素入力 部分から全体 「顔」であることを 最も反映している 特徴の組合せ 学習結果 推論モデル
  25. 25. ルールを作るとはどういうことか ・・・・・ 入力層 出力層中間層(隠れ層) 入力と出力が一致するように 中間層の繋がりの重み付けを 調整してゆく。 ・・・・・ 入力層 出力層中間層(隠れ層) イヌ 32% × ネコ 96% ○ ウシ 18% × 学 習 学習によって作られた 推論モデル ネコであることを 識別し分類する ルール 「ネコ」 である 教師データ 未知のデータ 教師データ
  26. 26. ニューラル・ネットワークの仕組み 長い尻尾 縞模様 しなやかな 四肢 尖った耳 ・・・ 猫を認識 特徴量 猫の特徴を示す要素 特定の特徴量に 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 「猫」が入力されると 強く反応するニューロン 深層学習(ディープラーニング)以前の機械学習は、 人間が設定しなければならなかったが、 深層学習はこれを自分で見つけ出す。 ニューロンとは「神経細胞」。 その繋がりをニューラル・ネットワークという。
  27. 27. どんな計算をしているか 27  大量のサンプル・データ(例えば、癌の病巣が写っているレントゲン写真)を特徴を独自に数字化する。これを 特徴量という。  これを座標軸*として、空間(特徴空間)上にサンプル・データを配置した時、最もうまく分離する特徴量(座 標軸)の組合せを作る。これが最適化された「推論モデル」となる。  深層学習(ディープラーニング)以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。 最適化された推論モデル *イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。
  28. 28. 機械学習の仕組み/学習が不十分な状態 四角い 丸い 尖ってる 光沢 40% 60% 40% 60% リンゴである確率 (40%+60%+40%+60%)/4 50% 四角い 丸い 尖ってる 光沢 40% 50% 50% 60% イチゴである確率 (40%+50%+50%+60%)/4 50% リンゴ or イチゴ? <特徴量>
  29. 29. 機械学習の仕組み/学習が十分な状態 四角い 丸い 尖ってる 光沢 10% 90% 20% 80% リンゴである確率 (90%+80%)/4 85% 四角い 丸い 尖ってる 光沢 10% 70% 90% 30% イチゴである確率 (70%+90%)/2 80% リンゴ or イチゴ? リンゴ イチゴ <特徴量>
  30. 30. 人工知能・機械学習・ディープラーニングの関係 1950年代 1960年代 1970年代 1980年代 1990年代 2000年代 2010年代 人工知能 Artificial Intelligence 機械学習 Machine Learning 深層学習 Deep Learning 人間の”知能”を機械で 人工的に再現したもの 人工知能の研究分野のひとつで データを解析し、その結果から 判断や予測を行うための規則性 やルールを見つけ出す手法 脳科学の研究成果を基盤にデー タの分類や認識の基準を人間が 教えなくても、データを解析す ることで、自ら見つけ出すこと ができる機械学習の手法 データ アルゴリズム 規則性やルール 遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、 ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
  31. 31. なぜいま人工知能なのか インターネット アルゴリズム GPU(Graphics Processing Unit) 脳科学の研究成果を反映 高速・並列・大規模計算能力 人工知能(Artificial Intelligence) ビッグデータ IoT モバイル・ウェアラブル ソーシャル・メディア ウェブサイト WWW
  32. 32. 「機械学習」の課題 32 大量の学習データ ・・・ 機械学習 少ない学習データ ・・・ 機械学習 「機械学習」の大きな課題の1つは、 その性能を上げるために大量の学習データを必要とすること ・・・ 機械学習 ルール 目標値 OR 解決策 移転学習 強化学習・GANs
  33. 33. 転移学習 Transfer Learning 33 大量の学習データ タンパク質の特徴を 整理したデータ ・・・ タンパク質の分類方法を学習した ニューラル・ネットワーク 機械学習 少ない学習データ 敗血症患者の血液から 取得した タンパク質の特徴データ ・・・ 敗血症を判別する ニューラル・ネットワーク 機械学習 「転移学習」とは、すでに学習したモデル(学習済ニューラル・ネットワーク)を 少ない学習データで別の領域に適応させる技術
  34. 34. 深層強化学習 deep reinforcement learning 34 勝 勝 負 プラス評価 マイナス評価 プラス評価 ゲームを繰り返し、結果の勝(プラス評価)/負(マイナス評価) から、結果に至るプロセスひとつひとつを評価し、勝(プラス評 価)になる一番効果的/効率的なプロセスの組合せを見つけてゆく 強化学習 reinforcement learning ブロック崩しなどのゲーム 囲 碁  ゲームに勝つために有効な特徴(量)を画像から直 接見つけ出すために深層学習(deep learning)のア ルゴリズムであるCNN(convolutional neural network)を使用する。  複雑なゲームでも人間が何を基準に勝ち負けを評価 するかを教えなくても、自分で勝ちパターンを見つ け出す。  対戦ゲームの場合は、機械の中でお互いに対戦させ て、学習の回数を増やし、勝ちターンを見つけ出し て行く。 深層強化学習 deep reinforcement learning Deep Mind社のDQN(Deep Q-Learning)など  囲碁の世界チャンピオンに勝ったAlphaGo/Alpha Go Zeroが有名
  35. 35. 敵対的生成ネットワーク GANs: Generative Adversarial Networks 35 生成者 Generator 識別者 Discriminator 画像 画像 元データ レプリカ 元データの特徴から できるだけ本物に近い レプリカを生成する 元データの特徴から 元データと同じかどう かを識別しようとする  「生成者」はレプリカをできるだけ元データに近づけようとし、「識別者」は確実に見分けられるように互いに競い合う。  「識別者」の能力が次第に上がり元データとレプリカをうまく見分けられるようになり、「生成者」は更に本物に近いレプ リカを造れるようになる。  これを繰り返してゆくことで、「生成者」は元データと区別が付かないレプリカを造れるようになる。 認識や識別などの受動的機能 深層学習(ディープラーニング) 生成や復元などの能動的機能 敵対的生成ネットワーク(GANs)
  36. 36. 深層学習が前提となったシステム構造 36 深層学習フレームワーク 学習処理実行基盤 画像解析 動画認識 音声認識 話者認識 言語理解 文章解析 機械翻訳 知識表現 検索 コールセンター 顧客応対 営業支援 提案活動支援 医療 診断支援 創薬支援 その他 その他 文献データ 社内業務 データ 概念体系 辞書 音響データ 言語データ 画像データ 動画データ その他 アプリケーション ソリューション 認識系 サービス 学習基盤 知識ベース 学習データ A I プ ラ ッ ト フ ォ ー ム
  37. 37. 人工知能の可能性と限界
  38. 38. 学習データと結果の関係 38 宜しくお願い致します 汚い字の学習データ きれいな字の学習データ 機械学習 生成される出力結果 機械学習は学習データの範囲でのみ結果を出すことができる。 言語生成
  39. 39. 人間は「テーマ」を決め「問い」を発し、AIは「答え」を見 つける 39 美味しいカレーを 食べたい! この近くにある カレー屋さんを教えて? この新しい事業プランを 成功させたい! 成功事例や成功させるため の要件を教えて? AI
  40. 40. 40 ある ない ある ない ある ない ある (少ない学習データ) ある (膨大な学習データ) 高い 低い (ひとつの知的処理に特化) 高い 低い 低い 高い 人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識 しているが、機械には身体がないのでそれができない。 自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか る心の働きである意識により、人間は様々な知的処理を同時に実行し、 それを統合・制御しているが、機械にはできない。 人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を 成し遂げようとする意志を持っているが、機械にはない。 人間は少ない学習データからでも効率よく学習できる能力をそなえてい るが、機械は膨大な学習データとそれを処理できる膨大な計算能力(消 費エネルギー)を必要とする。 人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知 的処理に特化している。 人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ ることができるが、機械にはそれができない。 人間の場合、1千億個のニューロンによる超並列処理がおこなわれてい るが、その数を増やすことはできない。しかし、機械のプロセッサーは 増やすことはできる。 人間の知性と機械の知性 意識 身体性 意志 学習能力 汎用性 可塑性 スケーラ ビリティ 高い 低い 人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを 消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、 GoogleのAlphaGoの消費電力は25万ワット/時とされている。 エネルギー 効率 ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能 であり、記憶内容やメカニズムは必ずしも同じではない。 記憶能力 機 能 的 特 徴 器 質 的 特 徴 人間の知性 機械の知性 補足説明
  41. 41. AIやロボットに置き換えられるものと残るもの 41 繰り返し 繰り返し ではない タスク 分析的 マニュアル的 分析的 マニュアル的 記録や計算 定型的顧客対応 選別と整理 定型的な組み立て 仮説設定 医療診断 説得/売り込み ビルの管理 トラックの運転 将来置き換えられ るか、既に置き換 えられている 雇用が維持される リンダ・グラットン 講演資料を参考に作成
  42. 42. 人工知能に置き換えられる職業と置き換えられない職業 42 人工知能やロボット等による代替可能性が高い100種の職業 人工知能やロボット等による代替可能性が低い100種の職業 感性、協調性、創造性、好奇心、問題発見力など 非定型的で、機械を何にどう使うかを決められる能力 技能や経験の蓄積に依存し、パターン化しやすく 定型的で、特定の領域を越えない能力 2015年12月02日・株式会社野村総合研究所 https://www.nri.com/jp/news/2015/151202_1.aspx
  43. 43. 超高齢化社会を人工知能やロボットで対応 43 人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
  44. 44. 超高齢化社会を人工知能やロボットで対応 44 人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
  45. 45. ベーシックインカム(Basic Income/BI) 45 一定金額の現金を国民全員に無条件で給付する制度 無理して働かなくてもよくなり 倒産や雇用への不安も解消する 柔軟な労働市場が生まれる 労働力の質が高まる 産業構造の転換が容易になる 年金や子ども手当、失業保険など がBIに統合される 恣意的な給付の選別がなくなり 制度運営のコストが削減される 不公平感が解消される 社会や経済の発展と安定に貢献する 生存に対する給与 手厚いセイフティネット
  46. 46. AIチップ
  47. 47. 急増するAI専用プロセッサ CPU GPU FPGA ASIC 学習用 (サーバー) Intel Xeon Phi Knight Mill Google TPU (2,3) Intel Nervana Wave Computing 学習・推論 (サーバー) NVIDIA Tesla v100 AMD Vega10 Graphcore 推論 (サーバー) Microsoft Brainware Baidu SDA DeePhi Tech Google TPU (1) 推論 (デバイス) Apple A11 Kirin ARM NVIDIA Xavier Teradeep DeePhi Tech Thinci DNN Engine KAIST DNPU 日経XTECH記事より
  48. 48. 深層学習の計算処理に関する基礎知識 人工知能の 2つの処理 ビッグデータを使ってニューラルネッ トワークを訓練する 学習 訓練 訓練されたニューラルネットワークを 使って画像認識や判断を行う 推論 学習には膨大な計算能力が必要 推論には学習ほどの計算能力は不要 計算自体は単純で精度も低い積和演算の繰 り返しだが、計算の数が膨大
  49. 49. 学習と推論 学習/訓練 学習 データ 何度も繰り 返して重み を調整 学習データを使って ニューラルネットワーク が正しい判断を下せるよ う重みを調整 調整箇所が膨大にあり、 何度も繰り返し計算しな ければならない 16~32ビットの精度が 必要 学習/訓練 実際の データ 認識 識別 判断 学習済み(重みの付けら れた)ニューラルネット ワークに実際のデータを 入力して判断させる 計算は多いが、繰り返し 計算は不要 精度は8ビットで十分 できあがったモデル
  50. 50. GPUは何故ディープラーニングに使われるのか
  51. 51. クライアント側でのAI処理(推論) 音声認識 自然言語処理 画像認識 顔認識・顔認証 周囲の状況を把握 認知・判断 状況予測・判断不審者の検知
  52. 52. Apple A12 Bionic CPU ISP Neural engine GPU SRAM DRAM
  53. 53. ARMのAIアーキテクチャ ARM DynamIQ Arm ML (Machine Learning) Arm OD (Object Detection) 2017年3月発表 CPUクラスタの規模を最大8コアに拡張 ヘテロジニアスマルチコア構成が可能 AI/ML「にも」有効 モバイルデバイス上での機械学習を高速化 毎秒4.6兆回以上の演算(4.6TOPs)が可能 画像認識に特化 60 fps(フレーム/秒)のフルHD映像をリアルタ イムに検知 監視カメラなどへの応用(IoT) Arm MLとArm ODを組み合わせることで 高性能かつ電力効率の高い人物検出・認識ソリューションを実現
  54. 54. 54 ネットコマース株式会社 180-0004 東京都武蔵野市吉祥寺本町2-4-17 エスト・グランデール・カーロ 1201 http://www.netcommerce.co.jp/

×