Submit Search
Upload
【Dll171201】深層学習利活用の紹介 掲載用
•
Download as PPTX, PDF
•
1 like
•
587 views
Hirono Jumpei
Follow
Deep Learning Lab 12/1 Nagoya AisinAW Presentation
Read less
Read more
Business
Report
Share
Report
Share
1 of 29
Download now
Recommended
Microsoft AI Solution Update / DLL community Update
Microsoft AI Solution Update / DLL community Update
Hirono Jumpei
ドキュメント自動入力AIプラットフォーム ディープシグマDPAについて
ドキュメント自動入力AIプラットフォーム ディープシグマDPAについて
Hirono Jumpei
DLL Community Update 10月版
DLL Community Update 10月版
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
Hirono Jumpei
Microsoft の深層学習への取り組み
Microsoft の深層学習への取り組み
Hirono Jumpei
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
Daiyu Hatakeyama
Chainer x Azure Machine Learning service - Hackathon
Chainer x Azure Machine Learning service - Hackathon
Daiyu Hatakeyama
【Dll3】scskプレゼン20170904
【Dll3】scskプレゼン20170904
Hirono Jumpei
Recommended
Microsoft AI Solution Update / DLL community Update
Microsoft AI Solution Update / DLL community Update
Hirono Jumpei
ドキュメント自動入力AIプラットフォーム ディープシグマDPAについて
ドキュメント自動入力AIプラットフォーム ディープシグマDPAについて
Hirono Jumpei
DLL Community Update 10月版
DLL Community Update 10月版
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
Hirono Jumpei
Microsoft の深層学習への取り組み
Microsoft の深層学習への取り組み
Hirono Jumpei
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
Daiyu Hatakeyama
Chainer x Azure Machine Learning service - Hackathon
Chainer x Azure Machine Learning service - Hackathon
Daiyu Hatakeyama
【Dll3】scskプレゼン20170904
【Dll3】scskプレゼン20170904
Hirono Jumpei
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Keita Onabuta
Deep inspectionの特徴
Deep inspectionの特徴
Rist Inc.
佐賀大学 - データ分析と向き合う
佐賀大学 - データ分析と向き合う
Daiyu Hatakeyama
DIMoの操作実演とSCSKが提供する研修プログラム
DIMoの操作実演とSCSKが提供する研修プログラム
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
Hirono Jumpei
Microsoft Ignite! AI ソリューションアップデート
Microsoft Ignite! AI ソリューションアップデート
Hirono Jumpei
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
Daiyu Hatakeyama
異常検知ナイトgLupe発表
異常検知ナイトgLupe発表
Hirono Jumpei
[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
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
Rist Inc.
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
Daiyu Hatakeyama
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
Daiyu Hatakeyama
DLL#3 Microsoft Community & AI Update
DLL#3 Microsoft Community & AI Update
Hirono Jumpei
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
Insight Technology, Inc.
Expectations and reality of hybrid cloud
Expectations and reality of hybrid cloud
Naoki Yonezu
[Japan Tech summit 2017] DAL 008
[Japan Tech summit 2017] DAL 008
Microsoft Tech Summit 2017
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
Insight Technology, Inc.
ビッグデータ
ビッグデータ
Shigeru Kishikawa
分析手法のご紹介
分析手法のご紹介
Recruit Technologies
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
NVIDIA Japan
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
Ken Azuma
More Related Content
What's hot
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Keita Onabuta
Deep inspectionの特徴
Deep inspectionの特徴
Rist Inc.
佐賀大学 - データ分析と向き合う
佐賀大学 - データ分析と向き合う
Daiyu Hatakeyama
DIMoの操作実演とSCSKが提供する研修プログラム
DIMoの操作実演とSCSKが提供する研修プログラム
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
Hirono Jumpei
Microsoft Ignite! AI ソリューションアップデート
Microsoft Ignite! AI ソリューションアップデート
Hirono Jumpei
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
Daiyu Hatakeyama
異常検知ナイトgLupe発表
異常検知ナイトgLupe発表
Hirono Jumpei
[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
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
Rist Inc.
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
Daiyu Hatakeyama
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
Daiyu Hatakeyama
DLL#3 Microsoft Community & AI Update
DLL#3 Microsoft Community & AI Update
Hirono Jumpei
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
Insight Technology, Inc.
Expectations and reality of hybrid cloud
Expectations and reality of hybrid cloud
Naoki Yonezu
[Japan Tech summit 2017] DAL 008
[Japan Tech summit 2017] DAL 008
Microsoft Tech Summit 2017
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
Insight Technology, Inc.
ビッグデータ
ビッグデータ
Shigeru Kishikawa
分析手法のご紹介
分析手法のご紹介
Recruit Technologies
What's hot
(20)
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Deep inspectionの特徴
Deep inspectionの特徴
佐賀大学 - データ分析と向き合う
佐賀大学 - データ分析と向き合う
DIMoの操作実演とSCSKが提供する研修プログラム
DIMoの操作実演とSCSKが提供する研修プログラム
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
Microsoft Ignite! AI ソリューションアップデート
Microsoft Ignite! AI ソリューションアップデート
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
異常検知ナイトgLupe発表
異常検知ナイトgLupe発表
[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
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習中級編
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
Garraway7 Terakoya 前夜祭 プロトタイプのススメ
DLL#3 Microsoft Community & AI Update
DLL#3 Microsoft Community & AI Update
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
20161213_FinTech時代に求められるDB開発とセキュリティ by 株式会社インサイトテクノロジー 阿部健一
Expectations and reality of hybrid cloud
Expectations and reality of hybrid cloud
[Japan Tech summit 2017] DAL 008
[Japan Tech summit 2017] DAL 008
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
20160927_守るべきは、大量の情報資産を管理するデータベース! ~ユーザ事例から見るデータベースのセキュリティ対策~ by 株式会社インサイトテクノ...
ビッグデータ
ビッグデータ
分析手法のご紹介
分析手法のご紹介
Similar to 【Dll171201】深層学習利活用の紹介 掲載用
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
NVIDIA Japan
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
Ken Azuma
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
Ken Azuma
博士論文公聴会
博士論文公聴会
Makoto SAKAI
MSC 2010 T2-1 クラウドで企業の PC 運用管理が変わる! Windows Intune (基本編)
MSC 2010 T2-1 クラウドで企業の PC 運用管理が変わる! Windows Intune (基本編)
kumo2010
次世代のデータ活用としてのIntelligent Data Platform-Microsoft Azure と AI (Artificial Inte...
次世代のデータ活用としてのIntelligent Data Platform-Microsoft Azure と AI (Artificial Inte...
Daiyu Hatakeyama
マイクロソフトのIoT/AI戦略
マイクロソフトのIoT/AI戦略
kashiwanoha-iot
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
NVIDIA Japan
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
Fumihiko Takahashi
そのエラーやお困りごと、ツールを使えば解決できるかも! ~ Sysinternals や OS 標準ツールの徹底活用術 ~ (Microsoft de:c...
そのエラーやお困りごと、ツールを使えば解決できるかも! ~ Sysinternals や OS 標準ツールの徹底活用術 ~ (Microsoft de:c...
Takamasa Maejima
クラウドがアプリケーションの価値を上げる
クラウドがアプリケーションの価値を上げる
Nissho-Blocks
ハンズオン セッション 1: DIGITS によるディープラーニング入門
ハンズオン セッション 1: DIGITS によるディープラーニング入門
NVIDIA Japan
「品質ダッシュボード」と「データによる意思決定」
「品質ダッシュボード」と「データによる意思決定」
Kohei Tomita
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
Cybozucommunity
ディープラーニングによるラーメン二郎全店舗識別と生成
ディープラーニングによるラーメン二郎全店舗識別と生成
knjcode
クラウドの積極的利活用による生産性向上と経営に寄与する仕組みづくり
クラウドの積極的利活用による生産性向上と経営に寄与する仕組みづくり
gree_tech
能力ファイル 2Tソフトウエアソリューション株式会社
能力ファイル 2Tソフトウエアソリューション株式会社
Brrs Nguyen(2TS)
Windows 7 オプショナルツール 一挙紹介
Windows 7 オプショナルツール 一挙紹介
shigeya
de:code2018 登壇資料
de:code2018 登壇資料
Hiroshi Senga
2016年2月4日 空間OSのためのビッグデータ技術基盤
2016年2月4日 空間OSのためのビッグデータ技術基盤
aitc_jp
Similar to 【Dll171201】深層学習利活用の紹介 掲載用
(20)
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
市場動向並びに弊社製品の今後の展望について
博士論文公聴会
博士論文公聴会
MSC 2010 T2-1 クラウドで企業の PC 運用管理が変わる! Windows Intune (基本編)
MSC 2010 T2-1 クラウドで企業の PC 運用管理が変わる! Windows Intune (基本編)
次世代のデータ活用としてのIntelligent Data Platform-Microsoft Azure と AI (Artificial Inte...
次世代のデータ活用としてのIntelligent Data Platform-Microsoft Azure と AI (Artificial Inte...
マイクロソフトのIoT/AI戦略
マイクロソフトのIoT/AI戦略
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
そのエラーやお困りごと、ツールを使えば解決できるかも! ~ Sysinternals や OS 標準ツールの徹底活用術 ~ (Microsoft de:c...
そのエラーやお困りごと、ツールを使えば解決できるかも! ~ Sysinternals や OS 標準ツールの徹底活用術 ~ (Microsoft de:c...
クラウドがアプリケーションの価値を上げる
クラウドがアプリケーションの価値を上げる
ハンズオン セッション 1: DIGITS によるディープラーニング入門
ハンズオン セッション 1: DIGITS によるディープラーニング入門
「品質ダッシュボード」と「データによる意思決定」
「品質ダッシュボード」と「データによる意思決定」
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
ディープラーニングによるラーメン二郎全店舗識別と生成
ディープラーニングによるラーメン二郎全店舗識別と生成
クラウドの積極的利活用による生産性向上と経営に寄与する仕組みづくり
クラウドの積極的利活用による生産性向上と経営に寄与する仕組みづくり
能力ファイル 2Tソフトウエアソリューション株式会社
能力ファイル 2Tソフトウエアソリューション株式会社
Windows 7 オプショナルツール 一挙紹介
Windows 7 オプショナルツール 一挙紹介
de:code2018 登壇資料
de:code2018 登壇資料
2016年2月4日 空間OSのためのビッグデータ技術基盤
2016年2月4日 空間OSのためのビッグデータ技術基盤
More from Hirono Jumpei
20190822 Microsoftが考えるAI活用のロードマップ
20190822 Microsoftが考えるAI活用のロードマップ
Hirono Jumpei
20190719 minerlpl
20190719 minerlpl
Hirono Jumpei
Dllab2ndanniversarypl
Dllab2ndanniversarypl
Hirono Jumpei
Microsoft Autonomousへの取り組み
Microsoft Autonomousへの取り組み
Hirono Jumpei
Chainer on Azure 2 年の歴史
Chainer on Azure 2 年の歴史
Hirono Jumpei
AI開発を円滑に進めるための契約・法務・知財
AI開発を円滑に進めるための契約・法務・知財
Hirono Jumpei
Iot algyan jhirono 20190111
Iot algyan jhirono 20190111
Hirono Jumpei
Malmotutorial
Malmotutorial
Hirono Jumpei
Microsoft digital transformation and ai 20181126
Microsoft digital transformation and ai 20181126
Hirono Jumpei
20180627 databricks ver1.1
20180627 databricks ver1.1
Hirono Jumpei
DLLAB COMMUNITY UPDATE 201804
DLLAB COMMUNITY UPDATE 201804
Hirono Jumpei
Deep learning lab AI Expo
Deep learning lab AI Expo
Hirono Jumpei
20180323 dll standard
20180323 dll standard
Hirono Jumpei
Dll commuinity and academy update 201803 v2
Dll commuinity and academy update 201803 v2
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
Hirono Jumpei
DLLAB commuinity and academy update 201802
DLLAB commuinity and academy update 201802
Hirono Jumpei
20171201 deep learning lab albert
20171201 deep learning lab albert
Hirono Jumpei
Microsoft ではじめる AI DLラボ パートナープログラムご紹介
Microsoft ではじめる AI DLラボ パートナープログラムご紹介
Hirono Jumpei
ChainerMNが即座に使える環境を提供するXTREME DNA HPC Cloud
ChainerMNが即座に使える環境を提供するXTREME DNA HPC Cloud
Hirono Jumpei
一般社団法人 日本ディープラーニング協会の取り組み
一般社団法人 日本ディープラーニング協会の取り組み
Hirono Jumpei
More from Hirono Jumpei
(20)
20190822 Microsoftが考えるAI活用のロードマップ
20190822 Microsoftが考えるAI活用のロードマップ
20190719 minerlpl
20190719 minerlpl
Dllab2ndanniversarypl
Dllab2ndanniversarypl
Microsoft Autonomousへの取り組み
Microsoft Autonomousへの取り組み
Chainer on Azure 2 年の歴史
Chainer on Azure 2 年の歴史
AI開発を円滑に進めるための契約・法務・知財
AI開発を円滑に進めるための契約・法務・知財
Iot algyan jhirono 20190111
Iot algyan jhirono 20190111
Malmotutorial
Malmotutorial
Microsoft digital transformation and ai 20181126
Microsoft digital transformation and ai 20181126
20180627 databricks ver1.1
20180627 databricks ver1.1
DLLAB COMMUNITY UPDATE 201804
DLLAB COMMUNITY UPDATE 201804
Deep learning lab AI Expo
Deep learning lab AI Expo
20180323 dll standard
20180323 dll standard
Dll commuinity and academy update 201803 v2
Dll commuinity and academy update 201803 v2
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
DLLAB commuinity and academy update 201802
DLLAB commuinity and academy update 201802
20171201 deep learning lab albert
20171201 deep learning lab albert
Microsoft ではじめる AI DLラボ パートナープログラムご紹介
Microsoft ではじめる AI DLラボ パートナープログラムご紹介
ChainerMNが即座に使える環境を提供するXTREME DNA HPC Cloud
ChainerMNが即座に使える環境を提供するXTREME DNA HPC Cloud
一般社団法人 日本ディープラーニング協会の取り組み
一般社団法人 日本ディープラーニング協会の取り組み
Recently uploaded
KestrelPro Flyer Japan IT Week 2024 (Japanese)
KestrelPro Flyer Japan IT Week 2024 (Japanese)
Data Analytics Company - 47Billion Inc.
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ 株式会社
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
ssuserfb441f
company profile
company profile
keiibayashi
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
hmoriyama
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
ssuser80a51f
答えのないコンセンサスゲーム「無人島での出来事」運営用パワーポイントスライド説明資料
答えのないコンセンサスゲーム「無人島での出来事」運営用パワーポイントスライド説明資料
Jun Chiba
Recently uploaded
(7)
KestrelPro Flyer Japan IT Week 2024 (Japanese)
KestrelPro Flyer Japan IT Week 2024 (Japanese)
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
company profile
company profile
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
コダワリ抜いた経営指南書(概要版) - コダワリ・ビジネス・コンサルティング株式会社
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
答えのないコンセンサスゲーム「無人島での出来事」運営用パワーポイントスライド説明資料
答えのないコンセンサスゲーム「無人島での出来事」運営用パワーポイントスライド説明資料
【Dll171201】深層学習利活用の紹介 掲載用
1.
深層学習利活用の紹介 アイシン・エィ・ダブリュ株式会社 ( 掲載用 ) 2017年12月1日
2.
2017/12/1 製品設計開発から製造までの開発業務全体の『情報と行動』を集約して知見として活用できる事を目指した業務アプリケーション開発プラットフォーム 1. 全開発プロセス、成果物に対しトレーサビリティを確保し、海外拠点を含む全拠点に対しリアルタイムでの見える化を実現する 2. 開発プロセス100%遵守をシステムで担保すると同時に、継続的プロセス改善を迅速に支援する 3.
クラウドの活用、APIの実装により海外拠点、顧客とのシームレスでセキュアな連携を実現する。また最新の開発環境を準備し、スピード開発を実現する 開発支援システム v.Platform Product Development Project Management 全社基盤 人事情報基盤 チケット基盤 承認基盤 構成管理基盤 v.Spec DNA EDI v.Project 課題管理 進捗管理 リスク管理 コスト管理 品質管理 要求 仕様 要件定義 設計・開発 テスト・評価 v.Reporting (BI) v.Platform v.Entry v.PlatformAPI v.DocMgr ・・・設計帳票④ 設計帳票① 設計帳票⑤ 設計帳票⑥ 設計帳票② 設計帳票③ v.Issue v.Progress v.Risk v.Cost v.Quality v.Traceability v.Box 5つの指標(進捗、リ スク、課題、コスト、 品質)を可視化 5W2Hの明確化と 成果物の管理 要求・要件単位で 成果物をトレース プロジェクト情報の 一元管理 設計帳票の管理 (各アプリと連携) データ管理 全社基盤との連携 データ授受 個人Binder
3.
2017/12/1 Activity Log 次の行動を示唆 人の行動から、次の行動を支援 する 問題・課題状況を見える化 リアルな進捗状況が分かる、進 捗の遅れの理由が分かる 基本情報 ◦ 4W1H ◦
Who(誰が) ◦ When(何時) ◦ Where(どの情報) ◦ What(件名) ◦ How(Create、Read、Update、Delete、Search ⇒ CRUDS) 作成(C)、更新(U)、削除(D)した場合の詳細項目 ◦ 共通項目 ◦ 期日(From-To) ◦ 状態(From-To) ◦ 担当者(From-To) ◦ Why(どんな理由で) ◦ コメント内容 ◦ 添付内容 ◦ 検索条件 人の働き方を分析する 情報に対する変化に気づき、次 の行動がしやすくなる 人の行動をログとして全て残し、人の活動を見える化し、分析し、行動支援に活用する ■ログとして残すアクティビティ ■活用方法(案) 見える化 分析 行動支援 e.g. 機能ごとの作成工数 e.g. 工数大の要因分析 e.g. 参考になりそうな既存ドキュ メントを候補として挙げる RDBだけでなく、Graph DBも使用することで高速検索の実現 し、またデータの繋がりから新しい知見を得ることが可能になる +位置情報
4.
2017/12/1 画像の傾き、大きさ、位置の ズレを補正 社内サーバ OCRサービス Computer Vision API(OCR) 画像編集 ソフト 斜体文字の部分を切り抜き 切り抜いた画像の斜体の傾き を修正 処理フロー Cognitive Servicesの利用検討-斜体文字のOCR 斜体文字の読取り精度向上を目指した取組み。市販ソリューションでは読取り精度10%前後であったが、 本取組みで90%に向上した。今後、深層学習を利用し更なる精度向上を目指す。
5.
2017/12/1 目次 ・自部署の紹介 ・画像認識の取り組み ・まとめ・今後の課題 ・ChainerMN with Azure
の環境構築で苦労したこと
6.
2017/12/1 評価業務の概要 検討したテストプランを実行部隊が実現 企画した製品評価を実行部隊が実現 ベンチ評価 ・顧客ニーズを満たした評価戦略の策定 ・評価技術の開発 ・顧客別技術基準への適合評価 実車評価 ・車両搭載状態での試験評価 ・新規試作車での車両データ収集 ・自動運転車両での実車試験
7.
2017/12/1 ソフトウェア評価環境 ナビテストエリア オートメーションテスト環境 テストベンチ 評価環境の開発では、車両情報・インフラ情報の模擬に力をいれています 評価技術の開発では、自動操作・自動判定に力をいれています 実走シミュレータ 社外で走行しているような環境を再現できます
8.
2017/12/1 実走シミュレータにより信頼性コースを周回させ、試験記録を残す (定時後~翌朝出勤まで約15時間) 信頼性試験の詳細 ~実走シミュレータ自動試験機と検出方法~ 動画のビデオチェックで画像・音声の良否を判定 挙動撮影 試験記録 属人的な検出方法となっており、自動判定技術を確立できていない”描画異常”を自動化したい 発生し得る異常 (検出したい異常) 異常例 要求機能が動作しない アイコン押下しても動作しない レスポンス時間を満たさない
アイコン押下した後、次の画面への遷移が遅い 映像系 リセット 不意の再起動 黒画 ロック フリーズ 描画異常 不要な文字・矩形,砂嵐,何本も案内ルートが描画される 音声系 無音 爆音 音切れ 音色 イントネーション ナビ画面 ナビ画面 現在地マーク
9.
2017/12/1 試験記録の品質を向上 事前に、試験記録の撮像バラツキが良否判定に悪影響を及ぼすリスクを排除した 実走シミュレータにより信頼性コースを周回させ、試験記録を残す (定時後~翌朝出勤まで約15時間) 挙動撮影 試験記録 ・画角のバラツキ ・焦点距離のバラツキ ・モアレの影響 車載ディスプレイ パソコン+キャプチャソフト ナビECU 映像ライン 映像ライン ハードウェア・ソフトウェア特性を変えない様に評価環境を改造 ⇒ 一定周期でクリアな静止画の自動収集が可能となった キャプチャーボード USB接続 様々な撮像バラツキがある ナビ画面
10.
2017/12/1 問題設定 深層学習を利活用し、正常画像の回帰問題(AutoEncoder)とした 当初、静止画パターンマッチングによる自動判定も考えた ⇒ 煩雑になりそうなので、一旦保留 ・マッチングさせたい正常画像が無い区間(撮影間隔)がある ・マッチングさせたい正常画像を探し出すのに時間がかかる 12,000枚×?周回分 マッチング 画像無し区間画像無し区間 ボトルネック 汎化性能に期待して、 深層学習を選択 判定速度に期待して、 深層学習を選択 ナビ画面
ナビ画面 ナビ画面 ナビ画面A ナビ画面A’
11.
2017/12/1 問題設定 犬 人 猫 車 顔 分類の概念 判定結果 正常:96% 異常: 4% ・正常画像を学習させた ・異常画像は学習させない 次に、正常画像と異常画像を使った分類問題を解くことも考えた ⇒
異常を正常と判断するので、失敗 (一旦保留) 分類問題 ⇒ あるデータを確率的にクラスに分ける ・出力値(確率値)の高いクラス(正常,異常)がそのまま答え(判定結果)となる ・各クラスのデータ(正常画像,異常画像)が同程度あった方が良い [結果] 信頼性の確保フェーズでは、基本的に正常であることの確認のため、 正常画像:多い,異常画像:少ない データセットとなるが、実験してみた 深層学習を利活用し、正常画像の回帰問題(AutoEncoder)とした ナビ画面 異常 (不要な矩形)
12.
2017/12/1 問題設定 考え方 信頼性コース1周目を“いつもの正常状態”として定義し、2周目以降はその差を自動判定する 進め方 Step0.1周目の画像に異常がなく、全て正常画像であることを目視確認する Step1.正常画像を学習データとして深層学習し、正常画像を出力する生成器を作る (入力画像と出力画像の差が小さくしたいので、Loss関数:F.mean_squared_eorror を使っています) Step2.学習データ(正常画像)を正しく正常と判定するかを確認する Step3.未学習データ(正常・異常画像)を正しく良否判定するかを確認する 深層学習を利活用し、正常画像の回帰問題(AutoEncoder)とした 実走シミュレータにより信頼性コースを周回させ、試験記録を残す (定時後~翌朝出勤まで約15時間) 挙動撮影 試験記録 着目 ナビ画面
13.
2017/12/1 ナビ画面ナビ画面 画像の良否判定 F分布の確率密度 閾値 正常 異常 前処理 F検定AutoEncoder 画像収集
学習 予測 良否判定リサイズ F検定 正常 or 異常 の分散 V1 (入力) と、正常の分散 V0 (出力) から、 検定統計量 F値=V1/V0 を計算し、有意水準 α=0.01 の閾値と比較して、 小さければ、正常,大きければ、異常 と判定する F 値 分散 V1 分散 V0 正常正常 or 異常 𝐹 = 𝑉1 𝑉0 F < 閾値なら、 閾値 ≦ F なら、 検定統計量 正常画像のみを学習させた
14.
2017/12/1 データセット データセット1 データセット2 画面の種類 7種類 (地図,目的地設定など) 2種類 (地図,高速略図) 画像枚数 10,000枚
12,490枚 画像サイズ 800×480 1,280×480 画像リサイズ 256×256 256×96 (縦横比を保持)
15.
2017/12/1 Step1.正常画像を出力する生成器を作る 学習モデル モデルの概念図 パラメータのパターン数 MLPモデル ・AutoEncoderの初歩的モデル ・全層MPLによるモデル ・ノイズ除去などに使われています 5パターン ・構造:9層,11層 ・パラメータ:素子数
25~210 個 AlexNetモデル ・分類問題を解く著名なモデル ・Encoder部分(モデルの前半)を 畳込み層化。画像の空間的情 報を特徴化し、判定性能UP 1パターン FCNモデル ・Seg-Net,U-NETを参考 ・Decoder部分(モデルの後半)を 逆畳込み層化。空間的情報を 復元し、性能UP 4パターン ・構造:畳込み層・逆畳込み層 9層,11層,13層 ・パラメータ:特徴マップ数 24~ 211 枚 入 力 : :: 出 力: 畳込み層 逆畳込み層 入 力 出 力 入 力 出 力 : 畳込み層 画像生成器のモデル構造
16.
2017/12/1 Step1.正常画像を出力する生成器を作る ~データセット1~ 学習回数20,000回の学習誤差カーブ ⇒
徐々に下がることで、モデルの成熟度を確認 学習モデル 学習誤差カーブ(代表) MLPモデル ・GPU:4基 ・バッチサイズ:500枚/GPU AlexNetモデル ・GPU:2基 ・バッチサイズ:100枚/GPU FCNモデル ・GPU:4基 ・バッチサイズ:75枚/GPU epoch 平均二乗誤差 epoch 平均二乗誤差 epoch 平均二乗誤差
17.
2017/12/1 Step2.学習データを正しく正常と判定するかを確認する ~データセット1~ 学習モデル 判定性能 結論 参考 (代表) 目標
結果 F値グラフ MLPモデル 90% 以上 74% × AlexNetモデル 90% 以上 79% × FCNモデル 90% 以上 94% ○ 時系列に取得される画像番号 時系列に取得される画像番号 時系列に取得される画像番号 正常 異常 FCNモデルのみ、判定性能目標をクリア
18.
2017/12/1 学習モデル 判定性能 結論 参考 (代表) 目標 結果
F値グラフ FCNモデル 90% 以上 62% × Step3.未学習データを正しく良否判定するかを確認する ~データセット1~ 時系列に取得される画像番号 学習データにないパターンの画像について、良品判定できていない 考察 同じ走行させ、同じ操作をしても、微妙な処理タイミングの差で、良品と判定できない (例) ・画面遷移 ・POI描画 (画面遷移に伴いアニメーション表示される) ・地図スクロール (スクロール途中に更にスクロールさせる) ・縮尺変更時 ・リルート 仮説 もし、左記が無ければ、判定性能が上がるのか? ⇒ もっと単純なデータセット2で実験してみる 正常 異常
19.
2017/12/1 実験結果 ~データセット2~ 回帰問題(AutoEncoder)を解くことで、解決する目途が立った epoch 平均二乗誤差 時系列に取得される画像番号時系列に取得される画像番号 データセット2 画面の種類 2種類
(地図,高速略図) 画像枚数 12,490枚 画像サイズ 1,280×480 画像リサイズ 256×96 (縦横比を保持) 学習モデル FCNモデル ミニバッチサイズ 45枚/GPU 学習回数 20,000回 Step1.正常画像を出力する生成器を作る Step2.学習データを正しく正常と判定するかを確認する ⇒ ○ 目標 90% 結果 100% Step3.未学習データを正しく良否判定するかを確認する ⇒ ○ 目標 90% 結果 99%
20.
2017/12/1 実験結果 ~データセット2~ 過剰判定気味ではあるが、人工的に作った描画異常の検出もできた 時系列に取得される画像番号 Step3.未学習データを正しく良否判定するかを確認する (詳細) ⇒
○ 目標 90% 結果 99% 実走シミュレータ走行S G 正常 異常 異常 (青い矩形) 正常を異常 と過剰判定
21.
2017/12/1 学習時間 方策 ・開発環境の積極的なVerUp ⇒ Chainer,CUDA,cuDNNのVerUp
実施済 ・ChainerのTrainerの利用 ⇒ データ読み込みの並列化など高速化のための工夫が入っている 実施済 ・GPUを増やす ⇒ ChainerMN with Azure を使う 実施中 ・画像の前処理を工夫する ⇒ 画面の種類毎に判定器を作れれば、問題の難易度は下がる 検討中 Step1.生成器作りにおける問題 ~学習時間の短縮化~ データセット 学習モデル 学習時間 データセット1 ・256×256 ・10,000枚 MLPモデル 7日 AlexNetモデル 14日 FCNモデル 33日 データセット2 ・256×96 ・12,490枚 FCNモデル 19日 評価運用を鑑みると可能な限り学習時間を短縮したいので解決策を調査 ⇒ MS様×PFN様と意見交換 (’17/8/25)
22.
2017/12/1 ChainerMN with Azure
を使う Step1 Step2 (https://github.com/azmigproject/ChainerMN/tree/master) Step3 ChainerMNによるMNIST学習の確認 ChainerMN with Azure の環境構築は簡単です cmn4 Infini Band K80×4基 K80×4基 K80×4基 K80×4基 jumpbox cmn1 cmn2 cmn3 VPN+SSH接続
23.
2017/12/1 実験データ ・データセット:MNIST ニューラルネットワークを学ぶ上での手書き数字画像の画像データセットとして有名です ・画像サイズ:28×28 ・学習データ:60,000枚 ・テストデータ:10,000枚 ・ミニバッチサイズ:100枚 ・学習回数:20回 学習完了までの時間 Step3.ChainerMNによるMNIST学習の確認 学習時間(秒) GPUs GPU48基の時の様子 GPUを増やすと、学習完了までの時間が短くできる! ⇒ ナビへの適用を開始する
24.
2017/12/1 学習完了までの予測時間 ※ 利用料金 学習時間短縮の目途付け 学習時間(日) GPUを増やすことで、ナビ静止画でも学習完了までの時間短縮の目途が立った! GPUs GPUs ノード数
料金 8基 2ノード 約2万円/日 16基 4ノード 約4万円/日 32基 8ノード 約8万円/日 48基 12ノード 約12万円/日 データセット2 画面の種類 2種類 (地図,高速略図) 画像枚数 12,490枚 画像サイズ 1,280×480 画像リサイズ 256×96 (縦横比を保持) 学習モデル FCNモデル ミニバッチサイズ 45枚/GPU 学習回数 20,000回
25.
2017/12/1 実験結果 with Azure×ChainerMN 学習時間は速いが、モデルが未成熟で誤判定が多い
⇒ 今後、GPU数・バッチサイズのバランスを目指す epoch 平均二乗誤差 時系列に取得される画像番号 時系列に取得される画像番号 Step1.正常画像を出力する生成器を作る Step2.学習データを正しく正常と判定するかを確認する ⇒ 参考値 目標 90% 結果 80% Step3.未学習データを正しく良否判定するかを確認する ⇒ 参考値 目標 90% 結果 73% ・48GPUs(12ノード) ・バッチサイズ:45 ・48GPUs(12ノード) ・バッチサイズ:16 https://research.preferred.jp/2017/02/chainermn-benchmark-results/
26.
2017/12/1 まとめ・今後の課題 ・回帰問題(AutoEncoder)を解くことにより、正常画像のみで異常検知できる目途が立った ⇒ 複雑な画像データセット(信頼性試験)へのレベルアップを目指す ・FCNモデル以外のモデルを検討 ⇒ Variational
AutoEncoder にトライ ・ChainerMN with Azure を使うことで、学習時間の短縮の目途が立った ⇒ 判定性能との両立は、GPU数・バッチサイズのバランスを目指す ・画像の前処理を工夫 ⇒ RGBからグレースケールに変更することで、学習時間の更なる短縮化
27.
2017/12/1 ChainerMN with Azure
の環境構築で苦労したこと > export PATH=/opt/anaconda3/bin:${PATH} > export LD_LIBRARY_PATH=/usr/local/lib: ${LD_LIBRARY_PATH} > source /opt/intel/compilers_and_libraries/linux /mpi/intel64/bin/mpivars.sh intel64 > mpirun -hosts 10.0.0.5,10.0.0.6 -ppn 4 -n 8 -env I_MPI_DAPL_TRANSLATION_CACHE=0 -env I_MPI_FABRICS=shm:dapl -env I_MPI_DAPL_PROVIDER=ofa-v2-ib0 -env I_MPI_DYNAMIC_CONNECTION=0 -env I_MPI_FALLBACK_DEVICE=0 python train_mnist.py -g --communicator non_cuda_aware 実行コード 実行結果 ⇒ エラーが発生し、上手くいかない Azure×ChainerMNを使う際、今後も発生しそうなリスクを共有
28.
2017/12/1 ChainerMN with Azure
の環境構築で苦労したこと CUDAとCuPyの不整合 ⇒ CuPyの修正 Deploy Templateの修正 MS様、迅速かつ丁寧なサポート、ありがとうございます! Azure×ChainerMNを使う際、今後も発生しそうなリスクを共有
29.
2017/12/1 ご清聴、ありがとうございました
Download now