佐藤 聡【AIプラットフォームとビジネス戦略】 　株式会社クロスコンパス・インテリジェンス

1. 第13回ML15min
AIプラットフォームとビジネス戦略
2017.6.24
XCompass Intelligence Ltd.
All Rights Reserved.

2. 1
会社概要
株式会社クロスコンパス・インテリジェンス
XCompass Intelligence Ltd.
URL: http://www.xcompass.com
株式会社クロスコンパス
XCompass Ltd.
2011年10月創業・東工大発ベンチャー
千代田区九段北１丁目１４−１７ AMINAKA九段ビル ５F
前回のML15への登壇は、、、2016.9.24 第4回
2013年頃

3. 2
GTC2017
Mr. Jenssen Keynote at GTC2017 on May 10, 2017.

4. 3
GTC2017
NVIDIAさんのブログから

5. 4
GTC2017
NVIDIAさんのブログから
日本の三社

6. 5
事業紹介
A:知見の蓄積
B:本来目的
A:知見の蓄積
B:本来目的
A:知見の蓄積
B:本来目的
進むべき方向
2016年度
相談件数：約150件
対応件数：70件以上
会社数：25社以上
カレント：10件程度
1. 企業向けAIコンサルティング
2. 企業向けAIパイロットプロジェクト実施
3. 企業向けAI研究開発
「今、人工知能（AI）をすぐにでも活用したい企業の“駆け込
み寺”になっているベンチャー企業がある。ディープラーニングによ
るデータ分析技術を専門に手掛けるクロスコンパス・インテリジェ
ンス（本社東京、以下XCI）だ。」
日経テクノロジー 2016年2月号
1. AIプラットフォーム構築
2. 新NNアルゴリズム開発
Google Search
「人工知能ベンチャー」「ディープラーニング会社」「AIベンチャー」
* no-SEO検索結果のトップに表示される。2014年から継続中

7. 6
メンバー
 出身研究室主席 1名（タイ国籍）
 CTO：某キャリア系研究所 1名（日本）
 ロボティクス・人工意識 Dr. 1名（フランス国籍）
 データ解析専門会社よりデータアナリスト 1名
 電気通信大学大学院 主席1名
 ネットワークセキュリティ専門家 1名
 CERN素粒子物理 Dr. 1名
 産業・製造業Industory4.x 2名
 機械学習見習い 2名(フランス,ベルギー)
 データ解析・SIサポート 5名（うち外注サポート2名）
 インターン1名(東工大大学院)
 CFO:経理・財務担当取締役
 技術営業 2名
 知財・法務専任 1名
 スーパー事務職 1名
 CEO:私
創業メンバ
現在
21名
2018.3
40名
2019.3
50名
2020.3
70名
2021.3
90名

8. 7
事例抜粋
 人動作検知：動画識別
 燃焼識別：動画識別
 ドライブレコーダヒヤリハット識別・予測：動画・画像・マルチモーダル
 脳活動から画像再構築：生成系(GAN等)
 日用品売り上げ予測：時系列データ
 フォント自動生成・識別：生成系
 大学最適合格判定推定：クラスタリング等
 特殊音声認識：音声認識
 音響制御：音響処理
 ロボット制御関連：強化学習・逆強化学習
 デザイン応用：生成系（βVAE,InfoGAN）
 工作機械・加工プロセス応用：強化学習
 異常検知：時系列データ
 外観検査：画像・動画
 リコメンド：自然言語処理
 OCR：画像
 情報セキュリティ：自然言語処理
 医療画像識別：画像
 その他…

9. 8
DLプロジェクトフロー概要
「学習済みNN」
課題解決に適
したNN構造の
作成・選択
犬かも！
「学習前NN」
様々な
デバイスに
搭載
コンピュータサーバ
(cloud)
パソコン(office)
スマートフォン
(personal)
組込みデバイ
ス(device)
CHIP
AIコンサル NN構造設計 学習 評価 動作モデルへ
犬と猫を区別
したい、異常
と正常を区別
したい、等
わからない？？
まだ知識はなく、
識別はできない
大量の
学習データ
大量のデータをGPU等の高速
な計算機リソースで学習
内容を公開する必
要はなく、何が
入っているかがわ
かればよい

10. 9
パイロットプロジェクトフローコンサルティングフェーズ実験・実装フェーズ
弊社＋お客様 弊社担当
弊社＋お客様 弊社担当(一部お客様)
２：探索フェーズ
• データ収集(お客様)・確認・調査
• データ精査結果を元にした目標修正
• 解析/処理手法検討・選定
 学習手法の選択
 ニューラルネットワーク構造の決定
 利用ライブラリ選定
 その他検討事項
期間：約一か月
３：実験・実装
• 機能実装と実験の反復
1. 教師なし学習
2. 教師あり学習
3. その他学習方法
• ＊＊＊に中間報告
• 技術報告レポート作成
期間：２，３か月
４：検証フェーズ
• 納品
• 納品物確認
• 報告検討会実施
• 次フェーズ判定
 実施判定
 終了
期間：数日
１：課題設定(営業・相談・提案)
• 目標設定
• 資金計画・見積
• テストデータ受領
• 開発期間決定(スケジュール要確認)
• 契約(基本契約、NDA)・知財の扱い
• 必要H/W調達(GPUマシン調達有無)
• 必要S/W調達(OSSで対応以外必要か)
期間：約一か月 標準費用：ーーー 標準費用：＊＊＊万
標準費用：＊＊＊万

11. 10
AI市場について
3.745 23.638
86.962
0
20
40
60
80
100
2015年 2020年 2030年
AI市場規模予測(2015 EY総合研究所作成より)
(兆円)
Forbesの注目するAIテクノロジ
https://www.forbes.com/sites/gilpress/2017/01/23/top
-10-hot-artificial-intelligence-ai-technologies
1. 自然言語生成
2. 音声認識
3. 仮想エージェント
4. 機械学習プラットフォーム
5. AI に最適化されたハードウェア
6. 意志決定管理
7. ディープラーニング プラットフォーム
8. バイオメトリクス
9. ロボットによるプロセス自動化
10.テキスト分析と自然言語処理 (NLP)Gartner ハイプサイクル 2016
機械学習
プラットフォーム
に注目が集まる

12. 11
AI新規事業立ち上げの際には、2つの時期を認識することが重要
典型的なDL応用技術の成長カーブ
性能
データ量
既存技術
DL
”死の谷”
- データが不足し、DL応用技術が十
分な性能を出せない
- 最大の参入障壁
“加速成長期”
- DL応用技術が既存技術の性能を上
回り、既存企業を大きく引き離す
- 顧客増加→データ増加→性能向上と
いう加速度的成長が見込める

13. 12
DL応用技術発展サイクル
データ・知見の蓄積
性能向上
顧客
獲得
DL応用技術
の加速度的成
長サイクル
• 「死の谷」を超えたらDL応用
技術事業の成長は加速度的
に
• 対応が遅れた同業他社はシェ
アで引き離され、追いつけなく
なる可能性
“DL応用技術事業を考えない”と
いう選択肢は無いのでは？

14. 13
Intelligence eXchange
｛略称： IX｝
車輪の再発名を防ぎAI技術開発を加速するため、
「NNテンプレート」、「学習済みNN」
「処理フロー(=知能モジュール)」「学習用データ」
が流通する市場(Market Place)を創出する。
必要となるAIプラットフォーム・創出するべき市場
 圧倒的に優れたインターフェースと競争力のある価格(無料)
 実例に基づいた豊富なNNテンプレート
 豊富な学習データ(オープンデータ、宇宙データ等)
 「知」の取引による利用者全体の利益を生むエコシステム

15. 14
実現したい未来イメージ
NNアルゴリズム
開発
マーケティング特
化型AI基盤
テンプレート
開発 製造業特化型
AI基盤
情報セキュリ
ティ特化型AI
基盤
医療特化型AI
基盤
マーケティングサービスに特化
したUI/UX・膨大な購買記
録をもとにした解析を実施
大学医学研究科等・創薬・医療画像診断・
疾病予測等。特に、創薬部門において強大
な計算機リソースを用いた深層学習によるイノ
ベーション基盤となっている
個人A（AI研究者)
多くの研究者が新しいAIアルゴリズムを開発し
て、AI開発・流通基盤に登録する
個人B（AI技術者）
公開AI基盤上で公開されている
データ、または個人が利用できるデー
タを用いて、新しいAIテンプレートを
開発し公開AI基盤に登録
パラメータ
探索
個人C（AI技術者）
公開AI基盤に登録されている
既存AIテンプレートに、独自
データを学習させ、特定問題
解決用AIを登録
一般ユーザ・開発者向けAI基盤=公開AI基盤 企業向けAI基盤＝特定用途向けAI基盤
企業内
データ
企業内
データ
企業内
データ
企業内
データ
セキュリティ情報の共有・日本独自
開発の情報セキュリティ対応AIとし
てデファクトスタンダードとなる
公開AI
基盤
データ
提供
API
利用
AI開発
流通基盤
(Core-IX)
個人E（データ提供者）
個人・企業はデータのみの提供も可能であ
る。特に、個人がライフログデータを提供した
り、学習用データ作成(ラベル付け等)を実施
することは活発に行われる
製造業に特化したUI/UX・AIがリア
ルタイム応答・省電力の小型デバイ
スへ組み込まれる。工場の生産性向
上・無人化に貢献。特に海外生産
拠点での監視自動化に利用
開発者向けUI/UX
多数のAI技術者・研究者が
利用している
個人D（API利用者）
公開AI基盤が提供するAPIを利用して
実験を行ったり、別のアプリケーションから
AIの機能を活用している
外部アプリ
ケーション
Robotics
特化型
AI基盤
OpenData等
利用可能な
データ
宇宙データ
戦略パートナー企業と共創関心を持っているユーザと共創
資金・環境
知識・ノウハウ
製造業特化型
AI基盤
アカデミア

16. 15
何が必要なのか
データは現場で生成される
カイゼンも現場
現場で使えるツールが必須

17. 16
M-IX(Manufacturing-IX)
1.メニュー選択
2.データ準備
3.目標設定
4.学習
5.評価
6.インストール
豊富な目的(時系列データ異常検知、外観検査、異音検
知、モータ劣化診断、故障予測、その他)から選択するだけ！
入力元(CSV等データファイル、外部センサ、既
に取り込んだデータ)セット
学習ラベル付与または外れ値検出等課題設定
同時に学習するモデル数を指定して学習実行
NN構造、パラメータは自動設定
テストデータによる性能評価、性能が良好なもの
を提示し、閾値設定等後処理選択
エッジデバイスにインストール
AIモジュール
Embedded IX Engine
AIモジュール AIモジュール AIモジュール

18. 17
観測対象装置
M-IX(Manufacturing-IX)
M-IX@学習用マシン
Analog Sensor Unit
analog
Embedded IX Engine
AIモジュール AIモジュール AIモジュール
生産管理システム(FDC)
AIモジュール
A/D

19. 18
IXエコシステム＠製造業
Engineering Partner（EP)
顧客（工場・装置・機器）に対して、M-IXを技術的にサポートするパートナー
技術
パートナ－
SIer
ビジネス
パートナー
開発
パートナー
技術
パートナー
ビジネス
パートナー
開発
パートナー 技術的ノウハウ
SIer
SIer
Ａ
B
C
D
E
F
G
Ｈ
工場
工場
工場
装置
装置
機器 機器
工場
技術パートナー
M-IXの開発パートナー
M-IX開発
XC&開発パートナー
Development Partner
OEM：ビジネスパートナー
Core-
IX開発
Security-
IX
Marketing
-IX

20. 19
協業の枠組み
IX
半導体
（前）
自動車
工程順序
最適化
産業用
PC
AC
サーボ
大手
中小
大手
大手
大手
大手
大手
中小
中小
中小
中小
中小
大手
中小
大手
中小
実商談(国内)
商談(海外)
技術パートナー
技術パートナー
開発パートナー
開発パートナー
注力領域
ロボット
大手
中小

21. 20
AI・人工知能 EXPO 6/28〜6/30 於：東京ビッグサイト
製造業向け 人工知能 統合開発環境
“M-IX” 発表予定
秘：CONFIDENTIAL

22. 21
AI・人工知能 EXPO 6/28〜6/30 於：東京ビッグサイト
8
0
秘：CONFIDENTIAL
2017人工知能EXPOにて掲載予定パートナー企業様
 弊社にて解析案件を担当させて頂いた企業様で、今後継続して協業させて
頂くことをご了承いただいたお客様
 弊社のM-IX、その他IX構想にご賛同頂き、自社のお客様に対して営業活
動を実施していただけるEngineering Partner(EP)の企業様
 M-IX、その他IXをご一緒に開発頂けるDevelopment Partner(DP)の企
業様

23. 22
ML15
Machine Learning 15 Minutes
=
日本最古の機械学習ピッチ
運営ありがとうございます。

24. Logo Designed by
Matthew Carter
我々は、「知」の占有ではなく、関心を持つ人々が参画し、共有・
共創・交換することによって社会発展するモデルを構築します。
株式会社クロスコンパス代表取締役社長
佐藤 聡
falcon@xcompass.com