CNET Japan Live - ビジネスにAgilityとFlexibilityを与える Data x IoT x AI 最前線Daiyu Hatakeyama
迅速さと柔軟性。これが新規事業を成功させるシステムに求められる重要なキーワードとなっています。
企業・組織にとって「情報」のデジタル化と、作成され、増え続ける「データ」の活用は、重要な課題になっています。他社との差別化たるエンジンとなりうる AI の開発も実用段階に入っています。各種 IT 技術の中でも、AI の進化は特に早く、数か月前の情報が古いという事も増えてきました。
このセッションでは、幾つかの事例を見ていきながら、ビジネスを支える技術に焦点を充てて次の一手を考えるヒントをご提示します。
CNET Japan Live - ビジネスにAgilityとFlexibilityを与える Data x IoT x AI 最前線Daiyu Hatakeyama
迅速さと柔軟性。これが新規事業を成功させるシステムに求められる重要なキーワードとなっています。
企業・組織にとって「情報」のデジタル化と、作成され、増え続ける「データ」の活用は、重要な課題になっています。他社との差別化たるエンジンとなりうる AI の開発も実用段階に入っています。各種 IT 技術の中でも、AI の進化は特に早く、数か月前の情報が古いという事も増えてきました。
このセッションでは、幾つかの事例を見ていきながら、ビジネスを支える技術に焦点を充てて次の一手を考えるヒントをご提示します。
Future Standard では、IoTを活用した映像解析のサービス開発を行っており、その仕組みを支える技術についてお話をさせて頂きます。前半では、AWSでサーバー側の仕組みを構築した際に、どのような設計思想に基づいてアーキテクチャを構築したのかといったポイントを中心に説明します。後半は、NVIDIAのJetsonという組み込みコンピューターを使った、Faster R-CNN を使ったエッジでのリアルタイム物体認識の取り組みについてお話させて頂きます。
Future Standard では、IoTを活用した映像解析のサービス開発を行っており、その仕組みを支える技術についてお話をさせて頂きます。前半では、AWSでサーバー側の仕組みを構築した際に、どのような設計思想に基づいてアーキテクチャを構築したのかといったポイントを中心に説明します。後半は、NVIDIAのJetsonという組み込みコンピューターを使った、Faster R-CNN を使ったエッジでのリアルタイム物体認識の取り組みについてお話させて頂きます。
This presentation of which title is "Successful point for the IT Project Management" is for PMI Japan Monthly Seminar in March by Mr.Shinji, Notohara,Director,
IT innovation,inc,Japan.
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
11. Tecnos Data Science Engineering All Rights Reserved 2017 11Page
システムが創出する価値の考え方
AI活用システムの価値はAIがどのくらい賢いかに依存しま
す
設計通りにデータを処理できる
設計通りにデータを処理できる
AIが想定通りに賢い
+
=
=
価値
価値
Q.どんなデータがあれば「できる」のか?
A.AI活用システムの場合は「できる」が程度問題なので、どの程度「できれば」、
投資対効果が出るのかをコンサルティングさせてください
従来のシステム
AI活用システム
12. Tecnos Data Science Engineering All Rights Reserved 2017 12Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる!!
使えない!!
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか?
13. Tecnos Data Science Engineering All Rights Reserved 2017 13Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる!!
使えない!!
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか?
絶対に停止させたくないようなク
リティカルな設備について、拙速
に「POC→システム化」を構想して
はいけない。むしろ研究開発とい
う捉え方のほうが健全
⇔
チョコ停をなくしたい場合に100%
の精度は必須ではない
14. Tecnos Data Science Engineering All Rights Reserved 2017 14Page
実証分析(POC)を進めるにあたっての留意事項
データ量と機械学習モデルの精度の間には強い相関があるの
で、ある程度合理的な精度を達成した時点でシステム化して
データ収集を推進するアプローチをとったほうが合理的と考
えられます
“Scaling to Very Very Large
Corpora for Natural
Language Disambiguation”
Michele Banko and Eric Brill
Microsoft Research, 2001
アルゴリズムの差異より
も、データを増やすこと
のほうが精度の改善につ
ながるケースもある
15. Tecnos Data Science Engineering All Rights Reserved 2017 15Page
Deep Learningは万能ではない
ImageNetをつかって
学習したネットワークが
99.6%以上の確信度で
判定した結果
Nguyen A, Yosinski J, Clune J. Deep Neural Networks are
Easily Fooled: High Confidence Predictions for
Unrecognizable Images. In Computer Vision and Pattern
Recognition (CVPR ’15), IEEE, 2015.
16. Tecnos Data Science Engineering All Rights Reserved 2017 16Page
Deep Learning のすゝめ
MS Azure の Data Science Virtual Machine を利用すると、
わずか数分でDeep Learning 環境が整います
18. Tecnos Data Science Engineering All Rights Reserved 2017 18Page
トレーニングのすゝめ
数式を使わない、図表
を用いた説明により、
Deep Learningを概念
的に理解することがで
きます
丁寧な作業手順のハン
ズオンにより、実践力
が身につきます