Dlc ri

ディープラーニングを活用した実用事例のご紹介
-Semantic Segmentation・生成モデルを用いた異常検知など-
株式会社Ridge-i 市來和樹

1©2018 Ridge-i All Rights Reserved.
Ridge-i（リッジアイ）について
事業領域
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
− 例：放送品質モノクロ
映像彩色ディープ
ラーニング
会社概要
オフィス
• 千代田区大手町1-6-1-
442（大手町駅直結）
従業員数
• 約20名
主に機械学習エンジニア、
コンサルタント
パートナーシップ
Deep Learning Lab幹事企業

機械学習
の各手法
統計解析
の各手法
自然言語解析
の各手法
どれでもAI
＋ナップザック問題、動的計画法、最適化問題等も・・・
混乱が深まっているので、更新していません。
階層ベイズ
MCMC
GLMM
ベイズ理論（最尤法）
主成分分析、GLM
検定
相関、共分散
確率、正規分布、分散
機械翻訳
トピックモデル
文章生成
BWT, Wavelet Tree
TF-IDF, Word2Vec
検索、N-Gram
形態素解析
分散協調
深層強化学習
強化学習
ディープラーニング
協調フィルタリング
SVM, K-Means, 近傍法
RF、探索木
ロジスティック回帰
最小二乗法
「AI」の混乱をほぐすところからスタート

AIのメリットは？
• ルールで記述できなかった、人の勘・コツを模倣できる可能性（形式知化）
• 人手では限界のある、大量かつ複雑なデータの解析が得意
それぞれの特徴を踏まえて、目的に応じたベストミックスが必要
従来システム開発とAI開発の比較
相違点
共通点
従来システム開発ＡＩ（機械学習・ディープラーニング）開発
ルールベース・
質が人（要件定義者）に依存
質がデータに依存
“garbage in, garbage out”
厳密解近似解
演繹的・ホワイトボックス（改善が容易）帰納的・ブラックボックス（改善が難しい）
目的や機能の定義は人
自動的に自ら改善や機能の追加はしない

AI開発アセスメント～AI開発・導入までの主な流れ
AI導入目的
と課題
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・
導入に
向けた
計画策定
AI開発
POC周辺
システム
との連携
導入
保守
AI開発アセスメント・パイロット検証フェーズ
※一方通行ではなく、違うデータとアルゴリズムの組合せで、アジャイルに検証をすることも大事
AI
開発・導入フェーズ
開発導入判断
コンサルティングチームがお客様と検討を重ねて
AIの導入目的を明確にすることが肝要

Ridge-iの特徴と事例
総合的なシステム
考案・連携力
ビジネスの現場で
インパクトを実現
• 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
• 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
NVIDIAと協力して
DGX-1の検証
②ごみ質ディープラーニング
荏原環境プラント様が実用へ
①カラー化ディープラーニング
NHKで放映実績
卓越した
画像解析技術
• 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
④不良データで精度をあげる
論文執筆
④Anomaly Detection GAN＋
高解像度化の論文実装
③衛星レーダー画像解析
ディープラーニング
総務省・経産省の
衛星データ活用委員会

① カラー化ディープラーニング
② ごみ焼却炉でのセグメンテーション活用
③ 衛星データSAR画像オイル流出検出
④ 良品画像のみで行う異常検知
事例・ソリューション紹介

(1) 放送レベル自動彩色DL ｜NHKアート様と共同開発
＜4Kの白黒映像をディープラーニングで彩色した実証実験映像＞
ディープラーニングによる自動彩色
• 最初の1枚だけ人が彩色残りの499フレームはDLが彩色
• 木の葉の揺れや雲の動きにも対応

(2) 求める色合いを正確に再現
プレゼン用途のみの画像につき
配布資料から削除しております。

②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、
投入するごみ質の安定化が可能に
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

②ピクセル単位で物の識別が可能（１/２）
汚泥
剪定枝
剪定枝
布団
ダンボール

剪定枝
汚泥
剪定枝
布団
ダンボール
②ピクセル単位で物の識別が可能（１/２）

②ピクセル単位で物の識別が可能（２/２）
布団
ダンボール
破れていないごみ袋

• 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100%の精度で特定
衛星画像に対するディープラーニングによる解析の普及活動に参画
５枚程度の画像で学習
いろつける
レーダー画像 AIによる解析
③ 衛星レーダ画像 SARでオイル流出検出
• 総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー
• 経産省政府衛星データ活用ステイクホルダ委員会

AI
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
良品画像の
特徴を学んだ
DL
検品画像不良判定
良品には存在しなかった
キズ・ゆがみなどを検出
④良品画像のみで行う異常検知ディープラーニング
■ 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
画像生成モデル：GAN、VAE、等

GAN(敵対生成学習)モデルによる異常検知（1/2）
Real Imagesを正常画像のみにして学習
正常画像しか作れないGeneratorを得る

GAN(敵対生成学習)モデルによる異常検知（2/2）
正常系
異常系
入力画像A
Generatorの生成範囲内なので正常
Generatorの生成範囲外なので異常
GANを利用した
異常検知の概要
GANで学習したGeneratorは正常な画像であれば完璧に生成できるはず
→ Generatorが生成できる画像は正常、できない画像は異常と判断する
入力画像B
• 特徴①：Discriminatorを騙せる程リアルな画像を生成
• 特徴②：良品画像しか作れない
• → 正常系とGeneratorが作れる画像集合が一致する
理想的なGeneratorが作れる画像の集合

• 生成画像と入力画像の差分をとって異常部分を検知する
• 正常部分であればGeneratorが生成できることを利用
GANモデルによる異常検知サンプル事例:A
生成画像
入力画像
差分画像

GANモデルによる異常検知サンプル事例:B
* UMN Unusual crowd activity datase
(http://mha.cs.umn.edu/)
正常時画像
異常時画像
モデルの推論結果

GANモデルによる異常検知サンプル事例:B
入力推論結果
* UMN Unusual crowd activity datase
(http://mha.cs.umn.edu/)

● ディープラーニングの社会実装は始まってきている
○ 事例収集も大事だが、実際にアジャイルで試す経験値の方が有効
○ インパクトのあるプロジェクトなら、すぐに始めた方がいい
● 日本のマーケットニーズは多くある
○ 省力化、無人化が社会的要請
○ 人手・スキル不足がネックだった事業成長機会が発見できつつある
○ 増え続ける未発掘のデータソースから様々な知見が掘り出せる
AI vs 人を超えた、協働することによる事業成長余地が生まれています
まとめ

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
@ridge_i_jp @ridgeicom
contact@ridge-i.comhttps://ridge-i.com

Dlc ri

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Dlc ri

Similar a Dlc ri (20)

Más de Hirokuni Uchida

Más de Hirokuni Uchida (9)

Dlc ri