[Ridge-i] Dll講演資料 2017616

ディープラーニング技術
最新動向と導入の課題
2017/6/16
Deep Learning Labキックオフ
©2017 Ridge-i All Rights Reserved.

Preferred Networksと
Ridge-iについて

Ridge-i & Preferred Networks
パートナーシップ

DIMoの全体像
4
強化学習
深層強化学習
異常検知
マルチ
モーダル
・
センサー
フュージョン
アルゴリズム
ストリーミングデータ解析
©2016 Ridge-I All Rights Reserved.
ディープラーニング開発・実行環境
学習データ作成
アノテーション
GUI
カメラ管理
映像解析
検出・分類
再照合
外観検査
Deep Intelligence in Motion（DIMo、ダイモ）
PFNの研究成果が詰まったプラットフォーム
ツール
フロアマップ
連携

AI導入の流れと課題

AI導入の流れとボトルネック
相談
検討開始
活用
戦略
技術
詳細検討
開発
実証実験
周辺開発
商品化
販売
サポート
多多
中中
少
Value
Chain
人的
リソース
業界全体で人材不足
導入を阻む最大のボトルネック
AIで何か
したい
課題と方向性
省力化・新商品・新
ビジネス・データ
どの技術とデータ
の組合せで解決
実装・学習・検証
チューニング AI導入
できた！

「AI」という言葉の曖昧さ
階層ベイズ
MCMC, GLMM
最尤法
主成分分析、GLM
ベイズ理論
検定
相関、共分散
確率、正規分布、分散
機械学習統計解析
機械翻訳
トピックモデル
文章生成
ディープラーニング
（RNN, Skip-gram）
BWT, Wavelet Tree
TF-IDF, Word2Vec
検索、N-Gram
形態素解析
自然言語解析
難易度：高
人材：希少
どれでもAI
分散協調
深層強化学習
強化学習
LSTM, DBM, CNN, RNN
協調フィルタリング
SVM, K-Means, 近傍法
探索木
ロジスティック回帰
最小二乗法
＋ナップザック問題、動的計画法、最適化問題なども

ディープラーニングのパターン（2016年10月時点）
万能モデルは存在せず、目的に応じて選ぶ必要
講演時のみ
配布資料からは削除しております。

● ユーザーがAI活用を企画するための知識・理解の不足
● 「AI」技術が日進月歩で急激な変化。
● 一つの「AI」で解決できるほど汎用的ではない。
ニーズとシーズのギャップ
相談
検討開始
活用
戦略
技術
詳細検討
開発
実証実験
周辺開発
商品化
販売
サポート
どんな技術がどう効く
のかわからない
目的がわからないと
作れない

相談
検討開始
活用
戦略
技術
詳細検討
開発
実証実験
周辺開発
商品化
販売
サポート
Ridge-iの役割：パートナーと共に検討から導入までサポート
導入支援、カスタマイズ
Ridge-iが自社・共同開発
AIベンダー紹介
コンサルテーションフェーズソリューション開発フェーズ
課題と効果
最適な技術構成
複数のAIと他技術を
どう組み合わせるか
AIの導入価値の判定
PFN - DIMo活用
他AI活用
戦略コンサル

柳原尚史
証券アナリスト検定会員、ネットワークスペシャリスト
● ブラックロックなど外資金融でリスク分析、アルゴリズム、電子取引の開発に従事
● 機械学習、ディープラーニング、強化学習の研究開発に集中
● NHK サイエンスゼロの人工知能特集を監修
Ridge-i 担当について
数式に眠く
ならないタフさ
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170Km)を44時間寝ずに走破

ディープラーニングの動向

AI（人工知能）研究の歴史
出典：『人工知能は人間を超えるかディープラーニングの先にあるもの』
松尾豊
Webやビッグデータなどから
豊富な学習素材の獲得
ディープラーニング・強化学習
の手法成熟
GPUによる高速並列計算
第3次AIブームのビッグウェーブ
「推論・探索」
「知識」
「分類」

ディープラーニング（深層学習）と強化学習の融合
● ゲームチェンジャーとなるAI事例の中心技術
学習に必要な特徴を
自動で見つける
強化学習
成功・失敗の結果から学習し
手続きの成功確率を高める
深層強化学習
最適な動作を自動的に学習・判断・行動する
画像は講演時のみ

これらはすべて2016年の出来事
ディープラーニングで機械が（一部）人間を超え始めた
囲碁
トップレベル棋士にAlphaGoが4勝1敗
英語音声認識
エラー率5.9%（人間と同水準）
物体識別コンテスト
エラー率3.5%（人間は5%）
Deep Q Network
Long Short-Term
Memory
Convolutional Neural
Network

膨大な要件
アプリケーション
実装・テスト
©2016 Ridge-I All Rights Reserved.
トレーニング
データ
（過去データ）
機械学習
ロジック
学
習
従来のシステム設計機械学習を用いたシステム設計
適切なデータとロジック
があれば短期間で実現
システム設計方法の変化

ニューラルネットワークによる機械学習の一種
人間が思いつく特徴量を設計
「特徴抽出の壁」
ディープラーニングとは
ニューラルネットワーク／ディープラーニング
従来の機械学習
大量のデータを元に、
見分け方を自動で習得
人間がルールベースで解け
なかった課題を解ける！

ファナックのピッキング作業の自動化例

駐車場の空きスペースの検出（パナソニックとの共同研究）

人物・車の認識最先端技術のデモ
DIMo映像解析パッケージに搭載されている一般物体検出・分類機能

人物・車の認識最先端技術のデモ
DIMo映像解析パッケージに搭載されている一般物体検出・分類機能
赤い車の陰に隠れている、赤い服を着た人も検出できています。

最新のセグメンテーション技術
講演時のみ

NTT Com 2016年3月30日プレスリリース: DIMoの再照合機能を活用中
人工知能(AI)を活用した映像解析技術により
複数カメラを跨いだ不審者検出・追跡を高い精度で実現
～ALSOKと連携した実証実験に成功～
同じ人物の特徴を検出：監視カメラで再照合

複数のカメラから同一人物を発見（再照合機能）
発見したい
特定人物の画像
角度・画質によらず
背中でも同一人物を
発見できた
人物の同一性を判断できる特徴を
学習済みのニューラルネットワーク

● 複数のセンサーデータ（温度・モータ回転数など）から正常と異常の特徴を発見
● 人間の目では区別が付かない微細な違いに反応
センサー時系列データにも応用。異常検知（ファナック）
©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

事前の故障検出による保守の大幅改善

● ロック、中国語POP、コードなどの特徴で楽曲を自動分類
● コンテンツベースでのレコメンドが可能
波形データによる楽曲の自動分類が実用段階 (Spotify)
講演時のみ

ディープラーニングは認識から生成・行動へ進化中
28
認識
検出・分類・異常検知
行動生成
深層強化学習

生成の事例

線画着色Webサービス Paints Chainer
http://paintschainer.preferred.tech/
http://www.pixiv.net/member_illust.php?mode=medium&illust_id=40487409

音楽生成 DL Shimons（ロボットはおまけ）
https://www.technologyreview.jp/s/44661/this-marimba-
playing-robot-invents-surprisingly-nice-tunes/#_=_
講演時のみ

ドワンゴ＋早稲田アニメ中割り作成

自動彩色：白黒映画をカラー化。同じ白黒値の肌と空も判別
33

行動の事例
（深層強化学習）

強化学習フィードバックからの学習
行動と未来のデータ（報酬フィードバック）の時系列から学習
強化学習
ロジック
行動1と
結果1
…..
行動2と
結果2 行動3と
結果3
学習
正しい行動がすぐにわからない（教師データがない）実世界に適応できる
T+1
T+2
T+3
行動 T+3の結果が
いつの行動に
よる影響か解析
将来最もよい
状況になる、
今とるべき行動
行動0と
結果0
→結果
改良

自動運転のシミュレーター
38

なぜ自動運転に人工知能が必要なのか。
39

CES2016でのプリウスのデモ。赤い車をよけているのが特徴
40

実際の活用に向けて

実際の導入は複数のAI技術の組み合わせ
42
講演時のみ

レイヤーに応じた適切なAIの選択も重要
エッジ
クラウド
• 渋滞管理
• 最適化問題
フォグ
• 衝突判断
• 回避
• 自動操舵
• 交差点時間調整
• 緊急車両対応
クラウドコンピューティング
エッジコンピューティング
認知判断（クラウドと通信）行動
認知判断行動事故
データ量・種類
処理時間
多い・長い
少ない・短い

NTT、LiDARでリアルタイム人物監視の検知精度を向上
44
http://techon.nikkeibp.co.jp/atcl/news/16/021706348/?n_cid=nbptec_twbn&rt=nocnt
2017/2/20 日経BP
顔認識にはパナソニック、全身像認識にはPreferred
Networksの技術（深層学習基盤「DIMo」）を活用した。両
技術を利用しつつ、NTTの高速処理基盤技術で人物検知した
後に人物照合や軌跡推定などを行うという。不審者の追跡監
視や迷子の探索、要支援者の見守りなどに向ける。会場では、
3カ所を撮影している監視カメラの映像から、対象となる人
物（会場を移動している説明員）を特定し、いったん撮像範
囲から外れても追跡し続けるデモを見せた。
顔認識パナソニック
全身像認識 PFN DIMo
3次元測定 NTT LiDAR

どのビジネス課題を解きたいか、そのための
最適なアプローチと技術を提案します。
お気軽にご連絡ください。
問い合わせ
contact@ridge-i.com
相談
検討開始
活用
戦略
技術
詳細検討
開発
実証実験
周辺開発
商品化
販売
サポート
ディープラーニングの活用を提案できる人が
圧倒的に不足しています！（We’re hiring!)

[Ridge-i] Dll講演資料 2017616

Recommended

Recommended

More Related Content

What's hot

What's hot (19)

Similar to [Ridge-i] Dll講演資料 2017616

Similar to [Ridge-i] Dll講演資料 2017616 (20)

More from Ridge-i

More from Ridge-i (11)

Recently uploaded

Recently uploaded (10)

[Ridge-i] Dll講演資料 2017616