Submit Search
Upload
Microsoft de:code 2019 AI05 session
•
Download as PPTX, PDF
•
6 likes
•
2,775 views
Ridge-i
Follow
Deep Learning は実用段階に。PoC を乗り越えてビジネスで使われるためのノウハウを、AI 搭載自動ごみ処理クレーンなどの事例を中心に紹介
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 51
Download now
Recommended
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Ridge-i
AI10のパネルディスカッション用の資料(私の講演部分のみ) 昨日のAI05のほぼ抜粋となります。
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Ridge-i
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
HEROZ Kishin AIにおけるディープラーニング活用事例のご紹介
HEROZ Kishin AIにおけるディープラーニング活用事例のご紹介
Deep Learning Lab(ディープラーニング・ラボ)
HEROZ 大井 恵介 氏
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
Deep Learning Lab(ディープラーニング・ラボ)
TDSE 脇坂 博之 氏
S-NETセミナー2019 in 大阪
S-NETセミナー2019 in 大阪
Ridge-i
リッジアイの紹介とJAXAから解析依頼を受けた土砂崩れ解析へのディープラーニング活用の詳細について
情報処理学会 AI tech talk Ridge-i
情報処理学会 AI tech talk Ridge-i
Ridge-i
AI で利益享受した企業は 1 割。 実社会で使われるための取り組み
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
Ridge-i
COVID-19 AI Solution Company Introduction
AIビジネス推進人材に必要な スキルとその育成方法
AIビジネス推進人材に必要な スキルとその育成方法
munjapan
AIビジネス推進人材に必要な スキルとその育成方法の講座資料です。講座動画は株式会社エデュテックパートナーズのホームページにて公開中です。
Recommended
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Ridge-i
AI10のパネルディスカッション用の資料(私の講演部分のみ) 昨日のAI05のほぼ抜粋となります。
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Ridge-i
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
HEROZ Kishin AIにおけるディープラーニング活用事例のご紹介
HEROZ Kishin AIにおけるディープラーニング活用事例のご紹介
Deep Learning Lab(ディープラーニング・ラボ)
HEROZ 大井 恵介 氏
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
Deep Learning Lab(ディープラーニング・ラボ)
TDSE 脇坂 博之 氏
S-NETセミナー2019 in 大阪
S-NETセミナー2019 in 大阪
Ridge-i
リッジアイの紹介とJAXAから解析依頼を受けた土砂崩れ解析へのディープラーニング活用の詳細について
情報処理学会 AI tech talk Ridge-i
情報処理学会 AI tech talk Ridge-i
Ridge-i
AI で利益享受した企業は 1 割。 実社会で使われるための取り組み
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
Ridge-i
COVID-19 AI Solution Company Introduction
AIビジネス推進人材に必要な スキルとその育成方法
AIビジネス推進人材に必要な スキルとその育成方法
munjapan
AIビジネス推進人材に必要な スキルとその育成方法の講座資料です。講座動画は株式会社エデュテックパートナーズのホームページにて公開中です。
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
munjapan
株式会社エデュテックパートナーズが提供するAI人材育成についてのセミナー資料です。AI人材育成に関する効果的・効率的な推進方法をまとめています。
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
munjapan
株式会社エデュテックパートナーズの提供するAIビジネス推進人材育成プログラムのご紹介です。
ゼロから学ぶAI
ゼロから学ぶAI
DIVE INTO CODE Corp.
AIのよりよい学習方法とは? プロのスタートラインに立つ DIVE INTO CODE https://diveintocode.jp/ Tel 03-5459-1808
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
munjapan
株式会社エデュテックパートナーズの柴田が厚生労働省の次世代AI人材育成プログラム検討委員会において、講義した内容に基づいて、セミナー向けに編集した資料です。Udemyにおいて無料で講義を聞くこともできます。 https://www.udemy.com/ai-business-skill/
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
munjapan
エデュテックパートナーズのAIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービスのご案内です。
AI活用におけるビジネス力とは何か?
AI活用におけるビジネス力とは何か?
munjapan
AI導入に悩まされている方向けのAIビジネス力とは何かをご説明したスライドです。 株式会社エデュテックパートナーズの提供するサービス内容を含めてご紹介しています。
エデュテックパートナーズのデジタル支援サービスのご案内
エデュテックパートナーズのデジタル支援サービスのご案内
munjapan
株式会社エデュテックパートナーズが提供するサービスの説明資料です。
デジタル組織改革(デジタルトランスフォーメーション)サービス
デジタル組織改革(デジタルトランスフォーメーション)サービス
munjapan
エデュテックパートナーズのデジタル組織改革(デジタルトランスフォーメーション)サービスのご案内です。
AIビジネス推進人材育成プログラム
AIビジネス推進人材育成プログラム
munjapan
株式会社エデュテックパートナーズの AIビジネス推進人材育成プログラムの説明資料です。
AI開発支援サービス
AI開発支援サービス
munjapan
エデュテックパートナーズのAI開発支援サービスのご案内です。
第4次産業革命 AIでビジネスの現場が変わる
第4次産業革命 AIでビジネスの現場が変わる
DIVE INTO CODE Corp.
企画書が書けるベースとなるような基礎知識を学ぼう! AIを学ぶなら、エキスパートAIコース。 https://diveintocode.jp/ai_curriculum
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
2016/12/01 第3回 JC3ワークショップでの、猪野の講演資料になります
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
munjapan
株式会社エデュテックパートナーズが提供するAIビジネス推進人材育成プログラムのご紹介カタログです。
ソフトウェアジャパン2018 ITフォーラムセッション(3)
ソフトウェアジャパン2018 ITフォーラムセッション(3)
aitc_jp
先端IT活用推進コンソーシアム 協働プロジェクト 『空気を読む家』 セッション3:『空気を読む家』と『忘れ物』で『マンガ駆動開発』をやってみた
デジタル戦略立案サービス
デジタル戦略立案サービス
munjapan
エデュテックパートナーズのデジタル戦略立案サービスのご案内です。
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
2016/10/07 CEATEC JAPANでの、池田の講演資料になります
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
2017/01/10 FISCシステム監査普及連絡協議会 金融部会での、猪野の講演資料になります
ブロックチェーンビジネス活用研修サービス
ブロックチェーンビジネス活用研修サービス
munjapan
エデュテックパートナーズのブロックチェーンビジネス活用研修サービスのご案内です。
人工知能の最新事例 BMI 概要編
人工知能の最新事例 BMI 概要編
DIVE INTO CODE Corp.
Brain-machine Interface
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
Recruit Technologies
2016/06/20 tableau10ロードショーでの、前田・清水の講演資料になります
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
深層学習の導入で抱える課題とユースケース実例 DLLAB 名古屋講演資料
More Related Content
What's hot
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
munjapan
株式会社エデュテックパートナーズが提供するAI人材育成についてのセミナー資料です。AI人材育成に関する効果的・効率的な推進方法をまとめています。
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
munjapan
株式会社エデュテックパートナーズの提供するAIビジネス推進人材育成プログラムのご紹介です。
ゼロから学ぶAI
ゼロから学ぶAI
DIVE INTO CODE Corp.
AIのよりよい学習方法とは? プロのスタートラインに立つ DIVE INTO CODE https://diveintocode.jp/ Tel 03-5459-1808
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
munjapan
株式会社エデュテックパートナーズの柴田が厚生労働省の次世代AI人材育成プログラム検討委員会において、講義した内容に基づいて、セミナー向けに編集した資料です。Udemyにおいて無料で講義を聞くこともできます。 https://www.udemy.com/ai-business-skill/
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
munjapan
エデュテックパートナーズのAIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービスのご案内です。
AI活用におけるビジネス力とは何か?
AI活用におけるビジネス力とは何か?
munjapan
AI導入に悩まされている方向けのAIビジネス力とは何かをご説明したスライドです。 株式会社エデュテックパートナーズの提供するサービス内容を含めてご紹介しています。
エデュテックパートナーズのデジタル支援サービスのご案内
エデュテックパートナーズのデジタル支援サービスのご案内
munjapan
株式会社エデュテックパートナーズが提供するサービスの説明資料です。
デジタル組織改革(デジタルトランスフォーメーション)サービス
デジタル組織改革(デジタルトランスフォーメーション)サービス
munjapan
エデュテックパートナーズのデジタル組織改革(デジタルトランスフォーメーション)サービスのご案内です。
AIビジネス推進人材育成プログラム
AIビジネス推進人材育成プログラム
munjapan
株式会社エデュテックパートナーズの AIビジネス推進人材育成プログラムの説明資料です。
AI開発支援サービス
AI開発支援サービス
munjapan
エデュテックパートナーズのAI開発支援サービスのご案内です。
第4次産業革命 AIでビジネスの現場が変わる
第4次産業革命 AIでビジネスの現場が変わる
DIVE INTO CODE Corp.
企画書が書けるベースとなるような基礎知識を学ぼう! AIを学ぶなら、エキスパートAIコース。 https://diveintocode.jp/ai_curriculum
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
2016/12/01 第3回 JC3ワークショップでの、猪野の講演資料になります
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
munjapan
株式会社エデュテックパートナーズが提供するAIビジネス推進人材育成プログラムのご紹介カタログです。
ソフトウェアジャパン2018 ITフォーラムセッション(3)
ソフトウェアジャパン2018 ITフォーラムセッション(3)
aitc_jp
先端IT活用推進コンソーシアム 協働プロジェクト 『空気を読む家』 セッション3:『空気を読む家』と『忘れ物』で『マンガ駆動開発』をやってみた
デジタル戦略立案サービス
デジタル戦略立案サービス
munjapan
エデュテックパートナーズのデジタル戦略立案サービスのご案内です。
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
2016/10/07 CEATEC JAPANでの、池田の講演資料になります
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
2017/01/10 FISCシステム監査普及連絡協議会 金融部会での、猪野の講演資料になります
ブロックチェーンビジネス活用研修サービス
ブロックチェーンビジネス活用研修サービス
munjapan
エデュテックパートナーズのブロックチェーンビジネス活用研修サービスのご案内です。
人工知能の最新事例 BMI 概要編
人工知能の最新事例 BMI 概要編
DIVE INTO CODE Corp.
Brain-machine Interface
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
Recruit Technologies
2016/06/20 tableau10ロードショーでの、前田・清水の講演資料になります
What's hot
(20)
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
オンライン講座を利用して機械学習・人工知能・ データ分析の最適な学び方を学ぶ講座
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
ゼロから学ぶAI
ゼロから学ぶAI
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
AIやブロックチェーンなどのデジタル活用企業に対する投資・買収等のM&A支援サービス
AI活用におけるビジネス力とは何か?
AI活用におけるビジネス力とは何か?
エデュテックパートナーズのデジタル支援サービスのご案内
エデュテックパートナーズのデジタル支援サービスのご案内
デジタル組織改革(デジタルトランスフォーメーション)サービス
デジタル組織改革(デジタルトランスフォーメーション)サービス
AIビジネス推進人材育成プログラム
AIビジネス推進人材育成プログラム
AI開発支援サービス
AI開発支援サービス
第4次産業革命 AIでビジネスの現場が変わる
第4次産業革命 AIでビジネスの現場が変わる
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
AIビジネス推進人材育成プログラムのご紹介
AIビジネス推進人材育成プログラムのご紹介
ソフトウェアジャパン2018 ITフォーラムセッション(3)
ソフトウェアジャパン2018 ITフォーラムセッション(3)
デジタル戦略立案サービス
デジタル戦略立案サービス
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
ブロックチェーンビジネス活用研修サービス
ブロックチェーンビジネス活用研修サービス
人工知能の最新事例 BMI 概要編
人工知能の最新事例 BMI 概要編
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
リクルートが実践で学んできた“セルフBI”推進に求められる3つの要素
Similar to Microsoft de:code 2019 AI05 session
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
深層学習の導入で抱える課題とユースケース実例 DLLAB 名古屋講演資料
Dlc ri
Dlc ri
Hirokuni Uchida
GDLC9 Ridge-i Ichiki-san
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
Ridge-i
Deep Learning Lab 第4回
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Deep Learning Lab(ディープラーニング・ラボ)
Ridge-iの画像解析アルゴリズムの実用事例の紹介
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
Ridge-i
総務省 宇宙*ICT活用タスクフォース「4次元サイバーシティ」の中で発表した資料です
Converting big data into big value
Converting big data into big value
Yoshiyuki Ueda
Ci&Tが提供する価値中心のビッグデータ分析やアジャイルBIアプローチの概要を説明します。Ci&T to introduce value centric big data analytics and also agile based BI approach.
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
Recruit Technologies
2016/12/02 @ITセミナー「事例に見る、AI/ディープラーニング活用入門」での、白井の講演資料になります
SIerとクラウドの付き合い方
SIerとクラウドの付き合い方
Yusuke Suzuki
日本Javaユーザーグループのイベント「アマゾンEC2 ナイトセミナ 第 1 回」の「SIerにおけるSaaSへのトライ @Amazon EC2」の前半
海外先進IoT事例を材料に、日本のIoTビジネスを共に創ろう!(再) _IoTビジネス共創ラボ 第10回 勉強会
海外先進IoT事例を材料に、日本のIoTビジネスを共に創ろう!(再) _IoTビジネス共創ラボ 第10回 勉強会
IoTビジネス共創ラボ
海外先進IoT事例を材料に、日本のIoTビジネスを共に創ろう!(再)
Slideshare用 itサービスマネジメントの実現に向けて
Slideshare用 itサービスマネジメントの実現に向けて
UNIRITA Incorporated
1.ITSMの実現にむけて 2.リーンスタートアップとは? 3.リーンスタートアップによるインシデント管理 4.成功のポイント
[GTC 2018] Inception Award Ridge-i発表資料
[GTC 2018] Inception Award Ridge-i発表資料
Ridge-i
GTC Japan18 Inception Award Ridge-i 活用事例と取り組み
【IMJ】失敗するデジタルマーケティング戦略、その原因&成功のカギとは?
【IMJ】失敗するデジタルマーケティング戦略、その原因&成功のカギとは?
IMJ Corporation
2014.11.20に開催したIMJ主催セミナーでの登壇資料
IT企業じゃなくてもできる!ジワジワスクラム
IT企業じゃなくてもできる!ジワジワスクラム
大貴 蜂須賀
2018/7/7 PO祭り Summer
非エンジニアのためのIt業界
非エンジニアのためのIt業界
Hideto Masuoka
Extreme "Now" : 新生エクストリームが提供する価値
Extreme "Now" : 新生エクストリームが提供する価値
エクストリーム ネットワークス / Extreme Networks Japan
Extreme NOW
研修会社に頼れない!?人材開発の5つの難問を解く~マイクロラーニング×アナログで研修の死角が埋まる~
研修会社に頼れない!?人材開発の5つの難問を解く~マイクロラーニング×アナログで研修の死角が埋まる~
kojitakahashi
2018.9.20のHRサミットで投影したスライドの抜粋です。 https://www.hrpro.co.jp/hrsummit/2018/session.php?smcd=51&scd=3385 https://www.hrpro.co.jp/hrsummit/2018/session.php?smcd=51&scd=3385&itv=1
Happiness Checker Bata はぴねすチェッカーβ
Happiness Checker Bata はぴねすチェッカーβ
Smart Innovation | IMJ
株式会社アイ・エム・ジェイ R&D室 Smart Innovation Unit (すまのべ!) オムロンのHVC−Cの表情認識を使ったアプリケーションプロトタイプの紹介。 https://www.youtube.com/watch?v=Cn_qhIp-82Q
アイディアスケール簡単紹介資料
アイディアスケール簡単紹介資料
日本アイディアスケール
米国発のイノベーションマネージメントプラットフォーム「アイディアスケール」の紹介いたします。紹介資料の簡易版です。 社内での新規事業開発からアイディアソン、ハッカソンまで、柔軟に対応するアイディアスケールは、まさに皆様のアイディア次第でどのようにでも活用できます。 決まったプロセスではなくて、プロセス作りに必要な各種モジュールを提供するため、会社の環境、風土に最適のプロセスを構築できます。 利用事例もホワイトハウス、エレクトリックアーツ、アドビなど豊富にあり、業種、業界を問わずにご利用いただけます。 お問い合わせは sales.japan@ideascale.com までどうぞ。
JSUG 2018 BTC
JSUG 2018 BTC
kazukiotomori
JSUG2018(3/7)で発表したスライドです。
Similar to Microsoft de:code 2019 AI05 session
(20)
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Dlc ri
Dlc ri
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
Converting big data into big value
Converting big data into big value
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
SIerとクラウドの付き合い方
SIerとクラウドの付き合い方
海外先進IoT事例を材料に、日本のIoTビジネスを共に創ろう!(再) _IoTビジネス共創ラボ 第10回 勉強会
海外先進IoT事例を材料に、日本のIoTビジネスを共に創ろう!(再) _IoTビジネス共創ラボ 第10回 勉強会
Slideshare用 itサービスマネジメントの実現に向けて
Slideshare用 itサービスマネジメントの実現に向けて
[GTC 2018] Inception Award Ridge-i発表資料
[GTC 2018] Inception Award Ridge-i発表資料
【IMJ】失敗するデジタルマーケティング戦略、その原因&成功のカギとは?
【IMJ】失敗するデジタルマーケティング戦略、その原因&成功のカギとは?
IT企業じゃなくてもできる!ジワジワスクラム
IT企業じゃなくてもできる!ジワジワスクラム
非エンジニアのためのIt業界
非エンジニアのためのIt業界
Extreme "Now" : 新生エクストリームが提供する価値
Extreme "Now" : 新生エクストリームが提供する価値
研修会社に頼れない!?人材開発の5つの難問を解く~マイクロラーニング×アナログで研修の死角が埋まる~
研修会社に頼れない!?人材開発の5つの難問を解く~マイクロラーニング×アナログで研修の死角が埋まる~
Happiness Checker Bata はぴねすチェッカーβ
Happiness Checker Bata はぴねすチェッカーβ
アイディアスケール簡単紹介資料
アイディアスケール簡単紹介資料
JSUG 2018 BTC
JSUG 2018 BTC
Microsoft de:code 2019 AI05 session
1.
de:code 2019 AI05 Deep
Learning は実用段階に。PoC を乗り越えて ビジネスで使われるためのノウハウを、AI 搭載 自動ごみ処理クレーンなどの事例を中心に紹介 株式会社Ridge-i 代表取締役社長 柳原 尚史
2.
1 ©2019Ridge-iAllRightsReserved. 資料は会社HPおよび私のTwitterでも公開しています。 柳原 尚史 twitter @narisan で検索、またはQRコードを スキャンしてください。 はじめに
3.
2 ©2019Ridge-iAllRightsReserved. • 会社紹介 • AIの注目度と日本の現状 •
私たちのアプローチ • 弊社事例紹介 • AI導入の課題 • まとめ • 質疑応答 本日の内容
4.
3 ©2019Ridge-iAllRightsReserved. Ridge-i(リッジアイ)について 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 − AI搭載ゴミクレーン (実用済) − 放送品質彩色AI 事業領域 オフィス • 千代田区大手町 1-6-1 従業員数 • 26名 + α 機械学習エンジニア、 コンサルタント 就労スタイル • 裁量労働制 会社概要 パートナーシップ ミッション 最高峰の先端技術を活用し、ビジネスの最高地点を クライアントと共に目指す
5.
4 ©2019Ridge-iAllRightsReserved. 代表について 柳原 尚史(やなぎはら たかし) ブラックロックなど世界最大の大手金融機関にて、取引所高速接続、 高頻度取引、リスク分析、アルゴリズム取引の設計・開発などに10年従事。 2016年にディープラーニングを中心としたAI技術の可能性を、 より広い業界・社会に適用するためにRidge-iを創立、現在に至る •
小4からプログラマー。 • 早稲田大学在学中にプレイステーションゲーム開発 • 内閣府、総務省、経産省主体の複数の衛星事業に関する委員 • 3児のパパで、趣味はトレイルランニング − 富士山1日3往復 − UTMB(モンブラン 一周170Km) 45時間寝ずに走破
6.
5 ©2019Ridge-iAllRightsReserved. 尖った経営陣 CRO (非常勤) 牛久 祥孝 社外取締役 田丸
健三郎 日本マイクロソフト 業務執行役員 National Technology Officer 東京大学 大学院 情報理工学系研究科 博士課程修了 画像認識技術コンテスト 「ILSVRC 2012」で2位 執行役員 杉山 一成 東京工業大学大学院 理工学研究科卒 ボストンコンサル ティングを経て参画 取締役副社長 小松 平佳 早稲田大学理工学卒 SUBARU, ボストンコンサル ティングを経て参画 ビジネス・技術双方のエキスパート集団
7.
AIの注目度と日本の現状
8.
7 ©2019Ridge-iAllRightsReserved. 0 20,000 40,000 60,000 80,000 100,000 120,000 202320202017 2018 20242019
20222021 2025 AI市場規模 日本のマーケット 155 2,015 4,520100 1,030 270 1,720 3,680 495 2,820 5,860 150 985 2,120 1,680 3,340 0 2,000 4,000 6,000 8,000 10,000 12,000 14,000 16,000 18,000 20,000 22,000 21,200 315 15 2015 500 300 650 2020予測 2030予測 1,500 10,020 製造 金融 流通・ サービス 情報通信 医療・ライフ サイエンス その他 公共・社会 インフラ 国内AI市場規模(億円)(USD, Mn) AIを取り巻く環境: 市場規模 “AI” は世界的に最も成長が期待されている市場 日本も大きな成長が見込まれている Source: Tractica “Artificial Intelligence Market Forecasts”
9.
8 ©2019Ridge-iAllRightsReserved. 各国のAI導入率 導入の阻害要因 (%)(%) 13.3 1.8 32.9 22.4 17.9 0 10
20 30 40 50 27.3 アメリカ 日本 19.7 4.9 ドイツ 46.2 導入済み 導入検討中 一方で、日本でのAI導入率は低い。 他国はコストが阻害要因だが、日本では環境準備に課題がある状況 AIを取り巻く環境 日本での市場動向 (I) 導入率と課題 Source: MM総研「人工知能技術のビジネス活用概況」 0 10 20 30 40 保守/運用コストが高い 導入効果よりサービス 利用コストが高い 人工知能を利活用する 環境が整っていない その他 分析するデータの所有権 について導入業者と 合意が取りづらい 想定より人工知能で解決 できることが少なかった アメリカ ドイツ 日本
10.
9 ©2019Ridge-iAllRightsReserved. Source:MM総研「人工知能技術のビジネス活用概況」、総務省「ICTの進化が雇用と働き方に及ぼす影響に関する調査研究」 (%) 0.9 0.1 7.8 6.9 0.4 0.8 1.0 2.5 0.5 1.7 0.6 16.2 7.7 29.4 31.6 13.2 26.1 11.6 25.2 13.0 15.3 10.8 0 10 20
30 40 金融業 農林水産業 情報通信業 教育・研究 官公庁 サービス業 医療 製造業 建設業 運輸業 エネルギー・インフラ 導入済み 検討中 日本市場 の業界別AI 導入率 金融・ICT以外でAI導入はほぼ進んでいない。 日本のGDPを占める製造業・建築業などへのAI活用の余地は大きい AIを取り巻く環境 日本での市場動向 (II) 活用分野
11.
私たちのアプローチ
12.
11 ©2019Ridge-iAllRightsReserved. アセスメント~開発・導入まで ワンストップで支援 開発判断 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 導入判断 AI導入 目的・ 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・ 導入計画 策定 AI 本開発 POC 周辺 システム との 連携 導入 保守 経営層・ 関係者 向け講義 要望棚卸 AI/非AI 仕訳 改善 継続
13.
12 ©2019Ridge-iAllRightsReserved. AIの定義のあいまいさ データ解析 ルール ベース 統計解析・確率 (平均・分散、主成分分析、ベイズ理論 etc) 機械学習 (回帰、SVM、ニューラルネット etc) ディープラーニング(深層学習) 深層強化学習 ソフトウェア
AI ※強化学 習、 最適化問題 なども 仲間入り AIとは? の混乱をほぐすことからスタート
14.
13 ©2019Ridge-iAllRightsReserved. 従来システム開発 AI開発 相違点 共通点 質が人に依存 質がデータに依存 厳密解
近似解 演繹的・改善が容易 帰納的・改善が難しい 目的や機能の定義は人 自動的に改善や機能の追加はおこらない 従来のシステム開発 と AIを組み合わせたベストミックスを提案 AIと従来システムは長所短所の関係
15.
14 ©2019Ridge-iAllRightsReserved. Ridge-iの特徴と事例 ビジネスの現場で インパクトを実現 • 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 卓越した画像解析技術 総合的なシステム 考案・連携力 • 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 • 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
16.
15 ©2019Ridge-iAllRightsReserved. (参考)豊富な実績 • 白黒カラー化AI開発(NHKで放送実績あり) • ごみ識別AIによるクレーン自動化(実用化済み) •
物流機器自動運転に向けたパレット認識AI開発 • 物流機器自動運転に向けたデバイス/AI技術ロードマップの策定 • 衛星レーダー画像を活用した海上オイルスリック(海上に浮遊する油膜)検出AI開発 • 金属表面の異常検知AI開発(正常画像のみを学習データとする異常検知) • 不良情報の教師なし分類・定量分析ツール開発 • 燃焼状態の動画解析AI(動画シーンの異常検知及び、シーン分類)の開発 • 東京都主要エリアにおける人の動態解析 • ビルの冷熱エネルギー需要予測・自動運転AIの開発 • 樹脂成型設備の品質ばらつき予測と設備条件最適化AIの開発 • 遠赤外センサー画像解析AIを用いた自動制御システム開発 • 衛星レーダー画像を用いた作物解析 • セキュリティカメラにおける任意人物の追跡・カメラ間での再照合AIの開発 プロジェクト事例
17.
弊社事例紹介
18.
17 ©2019Ridge-iAllRightsReserved. ①: カラー化 ディープラーニング 求める色合いを正確に再現 •
「第50回 思い出のメロディー」 2018/8 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」 2017/8 NHKで放送 経済産業大臣賞 VFX部門を受賞 • 大相撲「カラーで蘇る名勝負」 2017/5 NHKで放送 放送実績
19.
18 ©2019Ridge-iAllRightsReserved. • 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)があるエリアを高精度で特定 数枚の画像 で学習 ② 衛星レーダー画像 オイル流出検出 衛星データは未解析×大量で ディープラーニングと相性が良い レーダー画像 AIによる解析
20.
19 ©2019Ridge-iAllRightsReserved. ③土砂崩れ ディープラーニング検出結果 北海道胆振東部地震により土砂災害が発生した地域を、 ディープラーニングで効率的に検出したい ■衛星の種類 SPOT 6 地上分解能
(直下視)パンクロ:1.5m 観測波長帯域 パンクロ:0.455 – 0.745μm マルチ: Blue:0.455 - 0.525μm Green:0.530 - 0.590μm Red:0.625 - 0.695μm NIR:0.760 – 0.890μm 観測幅(直下視) 60km JAXAより 4/23に依頼 初回検証中
21.
20 ©2019Ridge-iAllRightsReserved. Prediction Ground truth ③土砂崩れ
ディープラーニング検出結果 Mean IOU 約80%と高精度で検出
22.
21 ©2019Ridge-iAllRightsReserved. ④ 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、実証段階へ 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
23.
AI搭載ごみクレーンの動画 (HPにあります)
24.
23 ©2019Ridge-iAllRightsReserved. 剪定枝 汚泥 ごみ袋 ピクセル単位で物の識別が可能
25.
24 ©2019Ridge-iAllRightsReserved. ピクセル単位で物の識別が可能 剪定枝 汚泥 ごみ袋
26.
25 ©2019Ridge-iAllRightsReserved. 良品画像の 特徴を学んだDL 良品には存在しなかった キズ・ゆがみなどを検出 ■ 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 ⑤
異常検知ディープラーニング 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 検品画像 不良判定
27.
26 ©2019Ridge-iAllRightsReserved. 動画でしか判定できない異常検知にも実績あり 原料B 正常の特徴を学んだAI (時系列的に解釈) 正常 原料Aの異常 原料Bの異常 装置の異常 正常状態と 複数の異常を分類 • 燃焼反応の判定は、ルール ベースの画像解析では特徴 を捉えられない • 動画として解釈が必要 正常シーンの動画 原料Aの異常動画 原料Bの異常動画 装置の異常動画 任意のシーンの動画 異常について 軽く学んだ分類AI ⑥動画(燃焼反応)の異常検知・分類 検証動画
判定結果学習用の動画
28.
AI導入までの課題
29.
28 ©2019Ridge-iAllRightsReserved. 個々のフェーズで様々な課題 • アノテーション負担 が大きい • データ数の不足 •
ラベル条件が変わる • 何の指標をどう満た せば導入してよいの か? • 精度が上がらない • 精度 vs 速度 • 目的と手段の行き違い • ROIを無視したプロジェクト設計 • 解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は重要 • 精度劣化 • 改善が難しい • 誤認識による 障害 • 似たタスクで もイチから 開発 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 よく ある 課題 各フェーズで、ディープラーニング特有の様々な課題が発生
30.
29 ©2019Ridge-iAllRightsReserved. Phase-1 • アノテーション負担 が大きい • データ数の不足 •
ラベル条件が変わる • 何の指標をどう満た せば導入してよいの か? • 精度が上がらない • 精度 vs 速度 • 目的と手段の行き違い • ROIを無視したプロジェクト 設計 • 解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は 重要 • 精度劣化 • 改善が難しい • 誤認識による 障害 • 似たタスクも イチから開発 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 開発判断 導入判断 よく ある 課題
31.
30 ©2019Ridge-iAllRightsReserved. P1-アセスメントフェーズの課題 • 目的と手段の行き違い • ROIを無視したプロジェクト設計 •
解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は重要 背景課題 <ユーザー側の課題> • AIの理解不足 (最近少ない) • 担当者のAI導入への過度のプレッシャー <ベンダー側の課題> • “AIしか” 知らず、技術提案が偏るベンチャー • プログラマ・リサーチャー視点への偏り <両者の課題> • そのデータ “だけ” 見て判断できるか チェック不足 • 試す前の検討に時間を使いすぎる Phase-1 AI導入効果アセスメント・パイロット検証
32.
31 ©2019Ridge-iAllRightsReserved. P1-良いアセスメント チェックポイント • 課題解決のためのAI導入 –
解決したい課題を明確化 – AIありきではなくROIを議論 – コスト削減だけでなく、市場創出のチャンスを議論すると発展的 • AIを組み込んだソリューション – ルールと解析手法の組合せ – 現在のディープラーニングは、目的特化と割り切る – 良いエンジニアのいるベンダーを探す • 解ける課題なのか見極める – データだけ見て判断できるかテスト – データとアルゴリズムの組合せを複数試す – 解けない可能性を認める
33.
32 ©2019Ridge-iAllRightsReserved. (参考)良いエンジニア アルゴリズムの創造 (論文執筆レベル) アルゴリズムの改良 ハイパーパラメータ、 前処理・後処理の設計 オープンソース(Git)の コードを学習・実行 学際的かつ深い知識と 創造性 特定のアルゴリズムの 理論的理解 機械学習の概念理解 画像処理全般の理解 Pythonのコードが読め る 学習済みモデルを実行 クラウドAPIを使える アルゴリズムを実装・考案する能力 真似のできない・実用的な ソリューションを作れる 要件に合わせたソリュー ションを設計・提案できる ビジネスの 一般スキル ルールベースの経験 的知見、様々なアル ゴリズムの特性を 知っている 社会課題を解決する ソリューション提案・実現スキル 良 い エ ン ジ ニ ア 要件、制約を理解 与えられたタスクを実行 深い理論理解と発想 力・実務上の経験 ×プ ロ グ ラ マ リ サ ー チ ャ ー
34.
33 ©2019Ridge-iAllRightsReserved. Phase-2 • アノテーション負担 が大きい • データ数の不足 •
ラベル条件が変わる • 何の指標をどう満た せば導入してよいの か? • 精度が上がらない • 精度 vs 速度 • 精度劣化 • 改善が難しい • 誤認識による 障害 • 似たタスクで もイチから 開発 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 開発判断 導入判断 • 目的と手段の行き違い • ROIを無視したプロジェクト 設計 • 解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は 重要 よく ある 課題
35.
34 ©2019Ridge-iAllRightsReserved. P2-本格開発・実証実験フェーズの課題 • アノテーション負担が 大きい • ラベルの条件が変わる •
データ数の不足 • 精度が改善しない • 何の指標をどう満たせば 導入してよいのか? • 精度 vs 速度 背景課題 <アノテーションの問題> • アノテーションの定義は ビジネス要件に直結 • アノテーションの精度は、ディープの精度に直結 <データ量の問題> • ビジネスレベルで1ピクセル毎に塗ると1日数枚のときも。 • 論文や事例は 数千枚で学習した結果(時には数万枚) • ベンダー側のスキル不足 <精度・導入判断の問題> • システムに100%を求める誤謬 • 精度と速度はほぼ反比例の関係で両取りが困難 Phase-2 本格開発・実証実験システム連携
36.
35 ©2019Ridge-iAllRightsReserved. アノテーションを甘く見ない Andrej Karpathy,Tesla 「The data
labelers are the programmers.」 柳原の認識: 「The data labelers decide project success」 2018.6.8「Building the software 2.0 Stack」 Andrej Karpathy Director of AI, Tesla ※BaoBab社資料を参考
37.
36 ©2019Ridge-iAllRightsReserved. (状況) 自動運転車のディープラーニングが、 足だけ写った人を見逃して轢いてしまった。 ※ブラックボックス議論は学習過程・結果の可読性であって大事な論点ではない (検証ポイント) • 足だけ写った人を、見つけたい対象としてアノテーションしていたか? • 足のケースをどれだけ学習したか? •
精度評価について適切だったか?(この場合Recall重視) • 足の映り方のバリエーションは適切だったか? • 誤認識した場合に、クリティカルな事象を避ける仕組みはあったか? 精度とアノテーションの重要性
38.
37 ©2019Ridge-iAllRightsReserved. アノテーションのチェックポイント ① • 運用時のデータと、学習データの違い –
学習データと、実運用データに違いはないか? – 学習データに、実運用で起こりうるケースがどれだけ含まれているか? • データの定義とビジネス要件のマッチ – ビジネス要件に沿ったアノテーションポリシーになっているか? – アノテーションポリシーに沿って正確にラベルがつけられているか? (Garbage IN , Garbage OUT)
39.
38 ©2019Ridge-iAllRightsReserved. アノテーションのチェックポイント ② • ユーザー視点
手間の覚悟 – ベテラン作業者の協力と手間を予め見込む – 良いクラウドソースを活用する • ベンダー視点 少ないデータで精度を出す工夫 • 両者 一緒にビジネスを作る信頼関係 – ビジネス要件を出来る限り明確にする – 何回もアノテーション定義と学習を試して最適な定義を探る – 結果が出ないケースが出ることも覚悟
40.
39 ©2019Ridge-iAllRightsReserved. 精度と導入判断 チェックポイント • ラベルの優先度を決める –
運用上重要なラベルについて、より多くデータを集める努力 – 精度評価でも重視する項目(全部100点を狙うとつらい) • アルゴリズムの精度指標 – Recall(再現率)とPrecision(適合率)のどちらが適切か? – 定量評価・定性評価 の両軸できちんと見ているか? • 導入判断の指標 – アルゴリズムの精度は一つの導入判断の指標 – 人間を代替するタスクでは精度100%は求められない(人も間違える) – 実証実験での検証するポイントを明確にする。 (例:AIによる自動稼働時間がX時間を超える、など)
41.
40 ©2019Ridge-iAllRightsReserved. (参考)精度を上げるための必須レベル アルゴリズムの創造 (論文執筆レベル) アルゴリズムの改良 ハイパーパラメータ、 前処理・後処理の設計 オープンソース(Git)の コードを学習・実行 学際的かつ深い知識と 創造性 特定のアルゴリズムの 理論的理解 機械学習の概念理解 画像処理全般の理解 Pythonのコードが読め る 学習済みモデルを実行 クラウドAPIを使える アルゴリズムを実装・考案する能力 真似のできない・実用的な ソリューションを作れる 要件に合わせたソリュー ションを設計・提案できる ビジネスの 一般スキル ルールベースの経験 的知見、様々なアル ゴリズムの特性を 知っている 社会課題を解決する ソリューション提案・実現スキル 良 い エ ン ジ ニ ア 要件、制約を理解 与えられたタスクを実行 深い理論理解と発想 力・実務上の経験 ×プ ロ グ ラ マ リ サ チ ャ ー
42.
41 ©2019Ridge-iAllRightsReserved. (参考)異常検知の実用化に向けておきた課題 データ 求められる精度 処理速度 •
完全な「良品」の定義が難 しい • 良品データ自体のばらつき (取得時期・振動 etc) • データ数の不足 (例: 初回検証が数百枚 程度) 不良データで精度も あげる独自ロジック (論文採択) Anomaly Detection GAN+ 高解像度化の論文実装 推論環境を複数検証 JETSON、クラウド、 オンプレ • 高解像度を維持する必要性 – 低解像度で消える微細な 傷 – 全体を見て判断する必要 • 異常箇所をピクセル単位で 表示 • 通常のGANだと、高解像度 の学習が収束しない • PCサーバーでは学習に 数週間かかってしまう • 高解像度NNがメモリに 乗り切らない
43.
42 ©2019Ridge-iAllRightsReserved. P3-本格開発・実証実験フェーズ • アノテーション負担 が大きい • データ数の不足ラベ ルの条件が変わる •
何の指標をどう満た せば導入してよいの か? • 精度が上がらない • 精度 vs 速度 • 精度劣化 • 改善が難しい • 誤認識による 障害 • 似たタスクで もイチから 開発 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 開発判断 導入判断 • 目的と手段の行き違い • ROIを無視したプロジェクト 設計 • 解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は 重要 よく ある 課題
44.
43 ©2019Ridge-iAllRightsReserved. P3-運用・改善・横展開フェーズの課題 • 精度劣化 • 改善が難しい •
誤検出時の障害 • 似たタスクもイチから開発 背景課題 • センシング環境の揺らぎ(外乱、ほこり、固定 etc) • ビジネス要件の変化(対象物の変化) • ずっと使えるAIという間違った認識 • 精度が100%ありきの設計 • 目的特化のAIの弊害(ROIの意識の欠如) Phase-3 運用・改善・横展開
45.
44 ©2019Ridge-iAllRightsReserved. 運用:少ない環境変化と、変化の汎用力 • 環境をなるべく安定化させる努力 – 撮影条件が安定するカメラの設置位置やコンフィグの追求 •
解析対象の変化への汎用力) – 事前に起こりうる変化を予測し、データ増幅・加工による学習 – 変化をいち早く検知する仕組みの導入 – 継続した追加学習ポリシー • AIも人も(時々)間違える前提での設計 – 誤認識時のガードレール作り • 長期的なプロジェクトスコープと協働体制 – 単発でROIを出すか、横展開含めて長期的なROIを目指すか
46.
まとめ
47.
46 ©2019Ridge-iAllRightsReserved. AI開発アセスメント~開発・導入まで 開発判断 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 導入判断 AI導入 目的・ 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・ 導入計画 策定 AI 本開発 POC 周辺 システム との 連携 導入 保守 経営層・ 関係者 向け講義 要望棚卸 AI/非AI 仕訳 改善 継続 アジャイルに行き来する柔軟性が重要
48.
47 ©2019Ridge-iAllRightsReserved. 個々のフェーズで様々な課題 • アノテーション負担 が大きい • データ数の不足 •
ラベル条件が変わる • 何の指標をどう満た せば導入してよいの か? • 精度が上がらない • 精度 vs 速度 • 目的と手段の行き違い • ROIを無視したプロジェクト設計 • 解けないプロジェクト • AI・ディープに偏った提案 • 実はルールで解決できる • データの外の情報が実は重要 • 精度劣化 • 改善が難しい • 誤認識による 障害 • 似たタスクで もイチから 開発 Phase-1 AI導入効果アセスメント・ パイロット検証 Phase-2 本格開発・実証実験 システム連携 Phase-0 AIの正しい 共通理解 醸成 Phase-3 運用・改善 横展開 各フェーズで、ディープラーニング特有の様々な課題が発生 よく ある 課題
49.
48 ©2019Ridge-iAllRightsReserved. 課題を乗り切るための重要なポイント • 目的にあった「ルール×AI」の適切なソリューション設計 • 良いアノテーションポリシーは
プロジェクト成功の秘訣 • 導入判断に重要な指標を早めに見つける • 解析対象の変化を見据えた汎用性 • AIも人も(時々)間違える前提での運用設計 柔軟に議論できるパートナーと進めましょう
50.
AI・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 ぜひお気軽にご連絡ください contact@ridge-i.comhttps://ridge-i.com
51.
© 2018 Microsoft
Corporation. All rights reserved. 本情報の内容(添付文書、リンク先などを含む)は、作成日時点でのものであり、予告なく変更される場合があります。 © 2019 Ridge-I All Rights Reserved. 本情報の内容 (添付文書、リンク先などを含む) は、de:code 2019 開催日 (2019年5月29~30日) 時点のものであり、予告なく変更される場 合があります。 本コンテンツの著作権、および本コンテンツ中に出てくる商標権、団体名、ロゴ、製品、サービスなどはそれぞれ、各権利保有者に帰属し ます。
Download now