2018/9/21 Deep Learning Lab(DLL)のケーススタディで発表した資料です。 https://dllab.connpass.com/

1. 2018年9月21日
Deep Learning Lab Case Study Day
株式会社 Ridge-i
活用事例と取組み
-ディープラーニングのインパクトを実感できるまで追求します
代表取締役社長 柳原 尚史

2. 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
• 16名 + α
主に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
パートナーシップ
Deep Learning Lab幹事企業

3. 2©2018 Ridge-i All Rights Reserved. 2
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、取引所との高速接続、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のゲーム開発
• 総務省 宇宙活用 - ４次元サイバーシティタスクフォース 構成員
• 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
先々週 ３回目の完走をしてきました
代表について

4. 3©2018 Ridge-i All Rights Reserved.
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

5. 4©2018 Ridge-i All Rights Reserved.
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

6. 5©2018 Ridge-i All Rights Reserved.
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

7. 6©2018 Ridge-i All Rights Reserved.
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
論文作成（検証中）
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

8. 7©2018 Ridge-i All Rights Reserved.
① カラー化ディープラーニング（既出なのでクイック）
② ごみ焼却炉でのセグメンテーション活用（新規）
③ 衛星データSAR画像 オイル流出検出（ほぼ新規）
④ 良品画像のみで行う 異常検知（詳細）
事例・ソリューション紹介

9. 8©2018 Ridge-i All Rights Reserved.
① カラー化 ディープラーニング
(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

10. 9©2018 Ridge-i All Rights Reserved.
① カラー化 ディープラーニング
(2) 求める色合いを正確に再現
Webでの汎用AIサービス Ridge-i + NHKアート様
無断転載・配布禁止
■放送実績
「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
大相撲「カラーで蘇る名勝負」 2017/5 NHKで放送

11. 10©2018 Ridge-i All Rights Reserved.
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

12. 11©2018 Ridge-i All Rights Reserved.
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
プレゼンテーションでの表示のみ

13. 12©2018 Ridge-i All Rights Reserved.
• 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
数枚の画像で学習
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

14. 13©2018 Ridge-i All Rights Reserved.
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 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

15. 14©2018 Ridge-i All Rights Reserved.
④ 異常検知ディープラーニング
プレゼンテーションでの表示のみ

16. 15©2018 Ridge-i All Rights Reserved.
④実務でおきる 様々な課題
実務では、様々な手法を駆使して総合的に乗り切る必要
不良データも使って
精度を上げる方法（検証中）
Anomaly Detection GAN＋
高解像度化の論文実装
DGX-1で検証
データ 求められる精度
• 高解像度を維持する必要性
─ 解像度を落とすと
微細な傷が消える
─ 全体を見て判断
• 異常箇所をピクセル単位で表示
─ 分類器では不足
• 通常のGANだと、高解像度の
学習が収束しない
• 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）
処理速度
• 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

17. 16©2018 Ridge-i All Rights Reserved.
（参考）敵対生成学習モデルによる異常検知 [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
GTCテクニカルセッション資料として
詳細を公開しております。

18. 17©2018 Ridge-i All Rights Reserved.
（参考）敵対生成学習モデルによる異常検知
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
GTCテクニカルセッション資料として
詳細を公開しております。

19. 18©2018 Ridge-i All Rights Reserved.
● 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
（参考）敵対生成学習モデルによる異常検知
生成画像
入力画像
差分画像
GTCテクニカルセッション資料として
詳細を公開しております。

20. 19©2018 Ridge-i All Rights Reserved.
● 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

21. 20©2018 Ridge-i All Rights Reserved.
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