SlideShare a Scribd company logo
1 of 44
Download to read offline
Mobility Technologies Co., Ltd.
DRIVE CHARTを支えるAI技術
株式会社Mobility Technologies
内田 祐介
Mobility Technologies Co., Ltd.
内田 祐介 / Mobility Technologies AI技術開発部 副部長
• -2017年 :通信キャリアの研究所で画像認識・検索の研究に従事
• -2016年 :社会人学生として博士号を取得(情報理工学)
• 2017年- :DeNA中途入社、深層学習を中心とした
コンピュータビジョン技術の研究開発に従事
• 2020年- :Mobility Technologiesへ移籍
AI技術開発部の組織運営と、DRIVE CHARTのAI技術の統括
自己紹介
2
Twitter: https://twitter.com/yu4u
GitHub: https://github.com/yu4u
Qiita: https://qiita.com/yu4u
SlideShare: https://www.slideshare.net/ren4yu/
Kaggle: https://www.kaggle.com/ren4yu
Mobility Technologies Co., Ltd.
「移動で人を幸せに。」
DeNAオートモーティブ事業を会社分割、JapanTaxiと統合 (2020/4/1)
Mobility Technologies
3
https://mo-t.com/
Mobility Technologies Co., Ltd.
「移動で人を幸せに。」
DeNAオートモーティブ事業を会社分割、JapanTaxiと統合 (2020/4/1)
Mobility Technologies
4
本日の
お話
https://mo-t.com/
Mobility Technologies Co., Ltd.
DRIVE CHART
5
https://drive-chart.com/
Mobility Technologies Co., Ltd.
危険シーンを自動検出し、運転行動の改善指導を行うことで
事故削減を実現
DRIVE CHART
6
Mobility Technologies Co., Ltd.
危険シーンを自動検出し、運転行動の改善指導を行うことで
事故削減を実現
DRIVE CHART
7
Mobility Technologies Co., Ltd.
スマートドライビング事業部
• サーバシステムチーム
• インフラ構築からWEB API・WEBアプリケーション開発
• エッジシステムチーム
• 車載カメラの制御ソフトウェア開発及びエッジソフトウェア開発
AI技術開発部
• AIチーム
• 危険シーン(イベント)を検出する各種AI技術開発
プロダクト開発体制
8
本日の
お話
Mobility Technologies Co., Ltd.
外向きカメラ
DRIVE CHARTのAI処理の流れ
9
エッジAIライブラリ
深層学習モデル
3軸加速度
センサ
3軸角速度
センサ
GPS
内向きカメラ
レポートシステム
レポートサーバ
レポート
アルゴリズム
地図
Mobility Technologies Co., Ltd.
全体像はこんな感じ
10
CloudWatch CloudTrail
Aurora
Trusted
Advisor
CloudFront
Route 53
ALB
Secret
Manager
KMS
WEB
DynamoDB
SNS
OPE
OPS
CAR
UPL
S3
Glue
SQS
BigQuery
User
Device
Firehose
Internet
gateway
VPC
WEB
CAR
BATCH
JOB
OUT
DNA
OUT
DAEMON
MapMatch
AI
Scoring
FaceRecog.
DB
CDN
MONITORING ANALYTICS
KMS
S3
Queue
Medjed
Argus(BI)
AI
AI
DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜
https://www2.slideshare.net/dena_tech/drive-chart-ai-iot-231151928
Mobility Technologies Co., Ltd.
「AI技術」と同じ、あるいはそれ以上に「AIを支える技術」が重要
AI技術
• コンピュータビジョンチーム
• データサイエンスチーム
AIを支える技術
• エッジAIチーム
• MLOpsチーム
DRIVE CHARTを支えるAI技術
11
Mobility Technologies Co., Ltd.
外向きカメラ
DRIVE CHARTのAI処理の流れ
12
エッジAIライブラリ
深層学習モデル
3軸加速度
センサ
3軸角速度
センサ
GPS
内向きカメラ
レポートシステム
レポートサーバ
レポート
アルゴリズム
地図
Mobility Technologies Co., Ltd.
外向きカメラ
DRIVE CHARTのAI処理の流れ
13
エッジAIライブラリ
深層学習モデル
3軸加速度
センサ
3軸角速度
センサ
GPS
内向きカメラ
レポートシステム
レポートサーバ
レポート
アルゴリズム
地図
コンピュータ
ビジョン エッジAI
データ
サイエンス
MLOps
Mobility Technologies Co., Ltd.
コンピュータビジョン
14
Mobility Technologies Co., Ltd.
内向きカメラ・外向きカメラの映像を認識する
深層学習モデル・コンピュータビジョンアルゴリズムの研究開発
上記アルゴリズムを開発する上で必要な
アノテーションの設計、データセット構築
コンピュータビジョンチーム
15
外向きカメラ
エッジAIライブラリ
深層学習モデル
内向きカメラ
コンピュータ
ビジョン
Mobility Technologies Co., Ltd.
内向きカメラ
• 顔認識モデル
• 顔検出、ランドマーク検出、オクルージョン推定、
サングラスやマスクの属性認識を同時に行う
• 顔認証モデル
• 正面以外の方向、マスクやサングラス着用状態
での顔認証を実現
外向きカメラ
• 物体検出モデル
• 車両や歩行者など複数のオブジェクトを検出
• レーン認識モデル
• 人物ポーズ推定の手法を応用したレーン検出
• 映像からの車速推定モデル
深層学習モデル
16
Mobility Technologies Co., Ltd.
脇見
• 運転中に一定時間以上正面を注視していない危険な状態
危険イベント専用のモデル・アルゴリズム開発 – 脇見
17
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜
https://www.slideshare.net/dena_tech/drive-chart
Mobility Technologies Co., Ltd.
脇見
• 運転中に一定時間以上正面を注視していない危険な状態
• 時系列データとして考えCNN+RNNで脇見確率を推定
危険イベント専用のモデル・アルゴリズム開発 – 脇見
18
特徴ベクトル
0.1
0.9
0.8
脇見確率
動画入力ネットワーク
フレーム画像
CNN RNN
時系列の相関を
考慮した
特徴ベクトル
Mobility Technologies Co., Ltd.
車間距離不足イベントの検知
• 前方車両との「車間時間」が過度に短い状態
• 車間時間:前方車両の現在の位置まで到達する時間
= 車間距離 ÷ 自車両の速度
• 消失点と車両検出結果から車間距離を算出
• 道路のオプティカルフローから自車両の速度を算出
危険イベント専用のモデル・アルゴリズム開発 – 車間距離不足
19
自分
相手
自分
相手
自分
車間
距離
0 秒 0.8 秒
到達
車間時間
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜
https://www.slideshare.net/dena_tech/drive-chart
Mobility Technologies Co., Ltd.
消失点と車両検出結果から車間距離を算出
20
カメラ
消失点
実際の距離
消失点
画像上の
y座標
消失点との
距離
画像中y座標の消失点との距離 と 実際の距離 は反比例する関係性
物体検出
レーン
検出
Mobility Technologies Co., Ltd.
道路のオプティカルフローから自車両の速度を算出
21
車両車両
道路上のみ抽出
同スケールに統一
(≒上から見た座標への変換)
移動量
レーン・消失点検出
対象車両検出
ドラレコ動画 オプティカル
フロー
道路
車両
道路情報形成
代表値取得
道路・消失点の幾何的性質
Mobility Technologies Co., Ltd.
エッジデバイスで利用可能な処理量が限られる
• 発熱との戦い
処理負荷と精度のトレードオフを改善する必要がある
• 許容される処理負荷内で精度を最大化
各モデルについて様々な選択肢の組み合わせを試行錯誤
• 物体検出フレームワーク
• Faster R-CNN系、YOLO系、CenterNet, …
• バックボーンモデル
• ResNet, MobileNet, EfficientNet, …
• モデル軽量化
• Pruning, distillation, 量子化, …
モデルの最適化(精度と速度のトレードオフ改善)
22
画像認識と深層学習
https://www2.slideshare.net/ren4yu/ss-234439652
Mobility Technologies Co., Ltd.
エッジAI
23
Mobility Technologies Co., Ltd.
外向きカメラ
DRIVE CHARTのAI処理の流れ
24
エッジAIライブラリ
深層学習モデル
3軸加速度
センサ
3軸角速度
センサ
GPS
内向きカメラ
レポートシステム
レポートサーバ
レポート
アルゴリズム
地図
エッジAI
Mobility Technologies Co., Ltd.
エッジデバイス(ドラレコ)でAI(深層学習を含むアルゴリズム)
を動作させるエッジAIライブラリを開発
• C++からRustへ移行
• ビルドシステムやテストフレームワークがネイティブサポートされており
またメモリ関係のバグがコンパイル時に発見できる等により
品質と生産性のトレードオフが改善
エッジAIライブラリの役割
• 深層学習モデル、CVアルゴリズム、前処理・後処理の高速実行
• 適当にやると前処理・後処理のほうが遅いというケースも
• 開発環境とエッジデバイスでの一貫した動作の担保
エッジAIチーム
25
エッジAIライブラリ
深層学習モデル
Mobility Technologies Co., Ltd.
様々な選択肢を検証し、技術選定を行う
• プロセッサ:CPU, GPU, DSP
• 推論エンジン:TensorFlow Lite, TorchScript, TVM, Arm NN, ...
• モデル量子化:Post quantization, quantization-aware training
研究開発が完了したモデルをデプロイ用に変換
深層学習モデルの高速実行のために
26
深層学習ライブラリと量子化
https://lab.mo-t.com/blog/quantization-frameworks
DRIVE CHARTにおける AI技術の事業応用 ーモデル開発からサービスデプロイまでー Part2
https://engineer.dena.com/posts/2020.03/drive-chart-ai-development-part2/
Mobility Technologies Co., Ltd.
開発環境とエッジデバイスでの一貫した動作の担保
27
Edge AI Library
(Rust)
Cloud
Edge AI Library
(Rust)
Cloud
Edge AI Library
(Rust)
New
Feature
(Python)
Drive Recorder
• 研究開発時点では新規機能や
機能改善はPythonで実装
• 後述のテスト環境で実験
• FIXした機能からRustに
移植し、最終評価
• 実デバイスへ
組み込み
エッジとクラウドでRustを使いこなす 〜AI/IoTでの事例〜
https://docs.google.com/presentation/d/1KdyhiigwmWRDzVvTi71Toajd0-YgwrkbmkpgmQmvx2o/edit?usp=sharing
Mobility Technologies Co., Ltd.
データサイエンス
28
Mobility Technologies Co., Ltd.
外向きカメラ
DRIVE CHARTのAI処理の流れ
29
エッジAIライブラリ
深層学習モデル
3軸加速度
センサ
3軸角速度
センサ
GPS
内向きカメラ
レポートシステム
レポートサーバ
レポート
アルゴリズム
地図
データ
サイエンス
Mobility Technologies Co., Ltd.
一時不停止や速度超過を検出するためには地図の情報が不可欠
GPS情報と地図の情報から実際の走行経路を推測する
「マップマッチ」処理が必要
内製のマップマッチエンジンを開発
• 全国規模の道路ネットワークのデータ構造を最適化
マップマッチ
30
GPS
情報
走行
経路
オートモーティブの大規模データ処理を支える技術 / 後編: 大規模地図データ構造の最適化
https://engineer.dena.com/posts/2020.03/automotive-big-data-structure/
Mobility Technologies Co., Ltd.
Kaggle Masterが多数在籍
• Kaggleコンペを「作る能力」と「解く能力」が求められる
作る能力
• 評価指標、precisionが最重要
• 検出すべきものの精緻化
• 開発・評価データセットの設計・構築
解く能力
• モデリング:タスクとデータから最適な手法を選択
• ルールベース、アルゴリズム、信号処理、機械学習(e.g. GBDT)、深層
学習(e.g. LSTM)、あるいはそれらの組み合わせ
• ルールでできればそれが一番
• EDA:(誤検出等の)実データを徹底的に確認し、”magic” の発見・活用
データサイエンスチーム
31
Mobility Technologies Co., Ltd.
MLOps
32
Mobility Technologies Co., Ltd.
AIアルゴリズムを実サービスにデプロイするための環境構築、
幅広いエンジニアリング
複雑なレポートシステムのための開発・テスト環境
(AIテスト環境)の構築
• 最近リニューアルしたのでこちらを紹介
MLOpsチーム
33
大規模・複雑な機械学習プロダクトの継続的な改善を支える実験プラットフォーム
https://speakerdeck.com/ohke/da-gui-mo-fu-za-naji-jie-xue-xi-purodakutofalseji-sok-de-nagai-shan-wozhi-erushi-yan-puratutohuomu
Mobility Technologies Co., Ltd.
AIテスト環境とは
• 大量の実走行データを収集し、レポートアルゴリズムの開発・改善を行うた
めのデータセットに整形する
• 実際の処理パイプラインに流し最終的な「イベント検出」の精度を検証する
コンピュータビジョンのモデルの精度≠ 「イベント検出」の精度
• 複雑なパイプライン処理のため、上流の処理の変更のユーザ影響を確実に検
証しなければならない
AIテスト環境
34
Mobility Technologies Co., Ltd.
エッジとレポートで一貫させた試験ができない
• 新しいエッジモデルに追随したレポートの変更でバグを埋め込む可能性
単一の環境のため、複数のテストの同時実行できない
• スピーディに改善サイクルを回せない
テスト環境へのデプロイオペレーションが人力
• Dockerビルドからデータサイエンティストに委譲されていた
ロジック開発に必要なデータの収集・管理が困難
• サービス環境から分離されているため
従来のAIテスト環境の課題
35
Mobility Technologies Co., Ltd.
エッジとレポートで一貫させた試験ができない
• 新しいエッジモデルに追随したレポートの変更でバグを埋め込む可能性
単一の環境のため、複数のテストの同時実行できない
• スピーディに改善サイクルを回せない
テスト環境へのデプロイオペレーションが人力
• Dockerビルドからデータサイエンティストに委譲されていた
ロジック開発に必要なデータの収集・管理が困難
• サービス環境から分離されているため
従来のAIテスト環境の課題
36
Kubeflow Pipelines を導入
Feature storeとETL system を内製
Mobility Technologies Co., Ltd.
Kubeflow: Kubernetes上に構築される機械学習プラットフォーム
Kubeflow Pipelines: Kubeflowのワークフロー管理機能
特徴
• 実験管理に特化したパイプラインを構築できる
• 各runを誰が回したかなどが明確にトラッキングされる
• リッチなWebインタフェースが提供される
• Kubernetesインフラの恩恵を受けられる
• スケーラビリティ
• AWS環境でも構築可能
Kubeflow Pipelines
37
Mobility Technologies Co., Ltd.
テストの実行をWeb UIで完結できる
• パラメータの入力も可能
• 深層学習モデルの切り替えも簡単に
Kubeflow Pipelines
38
各処理はDocker imageを
指定して起動
Mobility Technologies Co., Ltd.
Feature store
• 中央集約的な特徴量管理システム
最近の機械学習システムの多くが大規模、複雑化
• データソース、特徴量、モデルの組み合わせが複数存在
• これらを解消する手段としてFeature Storeと
呼ばれるものを用意するケースが増えてきている
本件で必要な機能が限定的なため内製
• テストで抽出した特徴量をFeature storeに保存
• 前処理済みの特徴量を使って効率的にモデル開発できる
• 適切なバージョニングによりテスト間での特徴のキャッシュ
• Pandas DataFrameをそのまま入出力できるインタフェースを提供
Feature store
39
Feature Store in DRIVE CHART
https://www2.slideshare.net/emakryo/feature-store-in-drive-chart
Mobility Technologies Co., Ltd.
ETL system
• データの抽出、変換・加工、加工済みのデータをロード等を行うシステム
本テスト環境では、サービス環境に散在する生データをコピーして
データセットを生成
特徴
• AWS Lambda+AWS ECS の実行基盤を API+CLI でラップしたエコシステム
• データサイエンティストが集めたデータを使った一貫テストが実施可能
• エッジへの入力となる動画の収集も行う
• パージされるデータの保全
• サービス環境のストレージコストの圧縮
• 機械学習のためのデータを必要なものだけ抽出して保存
ETL system
40
Mobility Technologies Co., Ltd.
テスト環境全体像
41
Test Y
Test X
データセット
ETLシステム
Feature store
Edge
Report
推論
前処理
出力
検出
前処理
出力
可視化
集計
動画
ロジック開発
サービス環境 AIテスト環境
エッジコード
レポートコード
カメラファイル
カメラファイル
センサファイル
テーブル
デプロイ
デプロイ
S3
(ファイルストレージ)
Aurora
(RDB)
SageMaker
(≒ Jupyter Notebook)
ECS
(コンテナ実行環境)
Lambda
(コンテナ実行環境)
Mobility Technologies Co., Ltd.
テスト環境全体像
42
Test Y
Test X
データセット
ETLシステム
Feature store
Edge
Report
推論
前処理
出力
検出
前処理
出力
可視化
集計
動画
ロジック開発
サービス環境 AIテスト環境
エッジコード
レポートコード
カメラファイル
カメラファイル
センサファイル
テーブル
デプロイ
デプロイ
S3
(ファイルストレージ)
Aurora
(RDB)
SageMaker
(≒ Jupyter Notebook)
ECS
(コンテナ実行環境)
Lambda
(コンテナ実行環境)
①
データ
収集
②
特徴抽出
③
FSを介した
ロジック開発
④
開発ロジック
のE2E評価
Mobility Technologies Co., Ltd.
「AI技術」と同じ、あるいはそれ以上に「AIを支える技術」が重要
AI技術
• コンピュータビジョンチーム
• データサイエンスチーム
AIを支える技術
• エッジAIチーム
• MLOpsチーム
まとめ
43
文章·画像等の内容の無断転載及び複製等の行為はご遠慮ください。
Mobility Technologies Co., Ltd.
44

More Related Content

What's hot

【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...Deep Learning JP
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量についてla_flance
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心Shota Imai
 
「世界モデル」と関連研究について
「世界モデル」と関連研究について「世界モデル」と関連研究について
「世界モデル」と関連研究についてMasahiro Suzuki
 
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習cvpaper. challenge
 
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)cvpaper. challenge
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Modelscvpaper. challenge
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)Shota Imai
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII
 
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法Deep Learning JP
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!TransformerArithmer Inc.
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Yusuke Uchida
 
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイDeep Learning JP
 
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文cvpaper. challenge
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Yamato OKAMOTO
 
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?Fumihiko Takahashi
 
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセットToru Tamaki
 
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language ModelsDeep Learning JP
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選Yusuke Uchida
 

What's hot (20)

【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量について
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心
 
「世界モデル」と関連研究について
「世界モデル」と関連研究について「世界モデル」と関連研究について
「世界モデル」と関連研究について
 
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
 
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
 
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!Transformer
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
 
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
 
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文
High-impact Papers in Computer Vision: 歴史を変えた/トレンドを創る論文
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
 
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
 
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
 
MLOpsはバズワード
MLOpsはバズワードMLOpsはバズワード
MLOpsはバズワード
 
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選
 

Similar to DRIVE CHARTを支えるAI技術

Iot algyan jhirono 20190111
Iot algyan jhirono 20190111Iot algyan jhirono 20190111
Iot algyan jhirono 20190111Hirono Jumpei
 
Qiita x Microsoft - 機械学習セミナー Microsoft AI Platform
Qiita x Microsoft - 機械学習セミナー Microsoft AI PlatformQiita x Microsoft - 機械学習セミナー Microsoft AI Platform
Qiita x Microsoft - 機械学習セミナー Microsoft AI PlatformDaiyu Hatakeyama
 
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~Daiyu Hatakeyama
 
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Recruit Technologies
 
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しようMicrosoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しようHideo Takagi
 
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用日本マイクロソフト株式会社
 
Azure Antenna AI 概要
Azure Antenna AI 概要Azure Antenna AI 概要
Azure Antenna AI 概要Miho Yamamoto
 
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術Recruit Technologies
 
JISAAwards2013講演会資料(hifive)
JISAAwards2013講演会資料(hifive)JISAAwards2013講演会資料(hifive)
JISAAwards2013講演会資料(hifive)Osamu Shimoda
 
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略Takanori Kawahara
 
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and ArchitectureMachine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and ArchitectureTakuya Minagawa
 
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -Hironori Washizaki
 
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出Tetsutaro Watanabe
 
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けてHironori Washizaki
 
2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network ConsoleSony Network Communications Inc.
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- Koichi Hamada
 
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...日本マイクロソフト株式会社
 
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方Fixstars Corporation
 
Final present
Final presentFinal present
Final presentLoc Huynh
 

Similar to DRIVE CHARTを支えるAI技術 (20)

Iot algyan jhirono 20190111
Iot algyan jhirono 20190111Iot algyan jhirono 20190111
Iot algyan jhirono 20190111
 
Qiita x Microsoft - 機械学習セミナー Microsoft AI Platform
Qiita x Microsoft - 機械学習セミナー Microsoft AI PlatformQiita x Microsoft - 機械学習セミナー Microsoft AI Platform
Qiita x Microsoft - 機械学習セミナー Microsoft AI Platform
 
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
 
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.
 
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.
 
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しようMicrosoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
 
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
 
Azure Antenna AI 概要
Azure Antenna AI 概要Azure Antenna AI 概要
Azure Antenna AI 概要
 
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
 
JISAAwards2013講演会資料(hifive)
JISAAwards2013講演会資料(hifive)JISAAwards2013講演会資料(hifive)
JISAAwards2013講演会資料(hifive)
 
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略
Developers Summit 2022 プロダクト開発速度とデータの組織的価値をセットで飛躍的に高める開発戦略
 
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and ArchitectureMachine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
 
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -
SQuBOK v3にみる不確実なDX時代の確実な品質技術に向けて- AI&機械学習、アジャイル&DevOps&オープンソース開発を中心に -
 
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
 
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
 
2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...
A16_VB でクラサバシステムの開発をしていた平凡なチームが、どのようにクラウドネイティブプロダクト開発にシフトしアジャイル開発を進めることができたのか...
 
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方
ソフト高速化の専門家が教える!AI・IoTエッジデバイスの選び方
 
Final present
Final presentFinal present
Final present
 

More from Yusuke Uchida

You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話Yusuke Uchida
 
SIGNATE オフロードコンペ 精度認識部門 3rd Place Solution
SIGNATE オフロードコンペ 精度認識部門 3rd Place SolutionSIGNATE オフロードコンペ 精度認識部門 3rd Place Solution
SIGNATE オフロードコンペ 精度認識部門 3rd Place SolutionYusuke Uchida
 
SIGNATE 鰹節コンペ2nd Place Solution
SIGNATE 鰹節コンペ2nd Place SolutionSIGNATE 鰹節コンペ2nd Place Solution
SIGNATE 鰹節コンペ2nd Place SolutionYusuke Uchida
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)Yusuke Uchida
 
画像認識と深層学習
画像認識と深層学習画像認識と深層学習
画像認識と深層学習Yusuke Uchida
 
Semi supervised, weakly-supervised, unsupervised, and active learning
Semi supervised, weakly-supervised, unsupervised, and active learningSemi supervised, weakly-supervised, unsupervised, and active learning
Semi supervised, weakly-supervised, unsupervised, and active learningYusuke Uchida
 
Deep Fakes Detection
Deep Fakes DetectionDeep Fakes Detection
Deep Fakes DetectionYusuke Uchida
 
モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019Yusuke Uchida
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida
 
Humpback whale identification challenge反省会
Humpback whale identification challenge反省会Humpback whale identification challenge反省会
Humpback whale identification challenge反省会Yusuke Uchida
 
DeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジDeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジYusuke Uchida
 
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスコンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスYusuke Uchida
 
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...Yusuke Uchida
 
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用Yusuke Uchida
 
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向Yusuke Uchida
 
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)Yusuke Uchida
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化Yusuke Uchida
 
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめYusuke Uchida
 
Embedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural NetworksEmbedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural NetworksYusuke Uchida
 
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説Yusuke Uchida
 

More from Yusuke Uchida (20)

You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
 
SIGNATE オフロードコンペ 精度認識部門 3rd Place Solution
SIGNATE オフロードコンペ 精度認識部門 3rd Place SolutionSIGNATE オフロードコンペ 精度認識部門 3rd Place Solution
SIGNATE オフロードコンペ 精度認識部門 3rd Place Solution
 
SIGNATE 鰹節コンペ2nd Place Solution
SIGNATE 鰹節コンペ2nd Place SolutionSIGNATE 鰹節コンペ2nd Place Solution
SIGNATE 鰹節コンペ2nd Place Solution
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
 
画像認識と深層学習
画像認識と深層学習画像認識と深層学習
画像認識と深層学習
 
Semi supervised, weakly-supervised, unsupervised, and active learning
Semi supervised, weakly-supervised, unsupervised, and active learningSemi supervised, weakly-supervised, unsupervised, and active learning
Semi supervised, weakly-supervised, unsupervised, and active learning
 
Deep Fakes Detection
Deep Fakes DetectionDeep Fakes Detection
Deep Fakes Detection
 
モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
 
Humpback whale identification challenge反省会
Humpback whale identification challenge反省会Humpback whale identification challenge反省会
Humpback whale identification challenge反省会
 
DeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジDeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジ
 
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスコンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
 
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
 
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
 
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
 
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)
PRMU研究会の今後のあり方について(NLP分野での取り組み紹介)
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
 
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ
 
Embedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural NetworksEmbedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural Networks
 
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説
"Scale Aware Face Detection"と"Finding Tiny Faces" (CVPR'17) の解説
 

Recently uploaded

持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見Shumpei Kishi
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfMatsushita Laboratory
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor arts yokohama
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdfAyachika Kitazaki
 
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)ssuser539845
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-LoopへTetsuya Nihonmatsu
 
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~arts yokohama
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法ssuser370dd7
 
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦Sadao Tokuyama
 

Recently uploaded (12)

持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
 
2024 04 minnanoito
2024 04 minnanoito2024 04 minnanoito
2024 04 minnanoito
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
 
What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf
 
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
 
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
 
2024 03 CTEA
2024 03 CTEA2024 03 CTEA
2024 03 CTEA
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
 
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
 

DRIVE CHARTを支えるAI技術

  • 1. Mobility Technologies Co., Ltd. DRIVE CHARTを支えるAI技術 株式会社Mobility Technologies 内田 祐介
  • 2. Mobility Technologies Co., Ltd. 内田 祐介 / Mobility Technologies AI技術開発部 副部長 • -2017年 :通信キャリアの研究所で画像認識・検索の研究に従事 • -2016年 :社会人学生として博士号を取得(情報理工学) • 2017年- :DeNA中途入社、深層学習を中心とした コンピュータビジョン技術の研究開発に従事 • 2020年- :Mobility Technologiesへ移籍 AI技術開発部の組織運営と、DRIVE CHARTのAI技術の統括 自己紹介 2 Twitter: https://twitter.com/yu4u GitHub: https://github.com/yu4u Qiita: https://qiita.com/yu4u SlideShare: https://www.slideshare.net/ren4yu/ Kaggle: https://www.kaggle.com/ren4yu
  • 3. Mobility Technologies Co., Ltd. 「移動で人を幸せに。」 DeNAオートモーティブ事業を会社分割、JapanTaxiと統合 (2020/4/1) Mobility Technologies 3 https://mo-t.com/
  • 4. Mobility Technologies Co., Ltd. 「移動で人を幸せに。」 DeNAオートモーティブ事業を会社分割、JapanTaxiと統合 (2020/4/1) Mobility Technologies 4 本日の お話 https://mo-t.com/
  • 5. Mobility Technologies Co., Ltd. DRIVE CHART 5 https://drive-chart.com/
  • 6. Mobility Technologies Co., Ltd. 危険シーンを自動検出し、運転行動の改善指導を行うことで 事故削減を実現 DRIVE CHART 6
  • 7. Mobility Technologies Co., Ltd. 危険シーンを自動検出し、運転行動の改善指導を行うことで 事故削減を実現 DRIVE CHART 7
  • 8. Mobility Technologies Co., Ltd. スマートドライビング事業部 • サーバシステムチーム • インフラ構築からWEB API・WEBアプリケーション開発 • エッジシステムチーム • 車載カメラの制御ソフトウェア開発及びエッジソフトウェア開発 AI技術開発部 • AIチーム • 危険シーン(イベント)を検出する各種AI技術開発 プロダクト開発体制 8 本日の お話
  • 9. Mobility Technologies Co., Ltd. 外向きカメラ DRIVE CHARTのAI処理の流れ 9 エッジAIライブラリ 深層学習モデル 3軸加速度 センサ 3軸角速度 センサ GPS 内向きカメラ レポートシステム レポートサーバ レポート アルゴリズム 地図
  • 10. Mobility Technologies Co., Ltd. 全体像はこんな感じ 10 CloudWatch CloudTrail Aurora Trusted Advisor CloudFront Route 53 ALB Secret Manager KMS WEB DynamoDB SNS OPE OPS CAR UPL S3 Glue SQS BigQuery User Device Firehose Internet gateway VPC WEB CAR BATCH JOB OUT DNA OUT DAEMON MapMatch AI Scoring FaceRecog. DB CDN MONITORING ANALYTICS KMS S3 Queue Medjed Argus(BI) AI AI DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜 https://www2.slideshare.net/dena_tech/drive-chart-ai-iot-231151928
  • 11. Mobility Technologies Co., Ltd. 「AI技術」と同じ、あるいはそれ以上に「AIを支える技術」が重要 AI技術 • コンピュータビジョンチーム • データサイエンスチーム AIを支える技術 • エッジAIチーム • MLOpsチーム DRIVE CHARTを支えるAI技術 11
  • 12. Mobility Technologies Co., Ltd. 外向きカメラ DRIVE CHARTのAI処理の流れ 12 エッジAIライブラリ 深層学習モデル 3軸加速度 センサ 3軸角速度 センサ GPS 内向きカメラ レポートシステム レポートサーバ レポート アルゴリズム 地図
  • 13. Mobility Technologies Co., Ltd. 外向きカメラ DRIVE CHARTのAI処理の流れ 13 エッジAIライブラリ 深層学習モデル 3軸加速度 センサ 3軸角速度 センサ GPS 内向きカメラ レポートシステム レポートサーバ レポート アルゴリズム 地図 コンピュータ ビジョン エッジAI データ サイエンス MLOps
  • 14. Mobility Technologies Co., Ltd. コンピュータビジョン 14
  • 15. Mobility Technologies Co., Ltd. 内向きカメラ・外向きカメラの映像を認識する 深層学習モデル・コンピュータビジョンアルゴリズムの研究開発 上記アルゴリズムを開発する上で必要な アノテーションの設計、データセット構築 コンピュータビジョンチーム 15 外向きカメラ エッジAIライブラリ 深層学習モデル 内向きカメラ コンピュータ ビジョン
  • 16. Mobility Technologies Co., Ltd. 内向きカメラ • 顔認識モデル • 顔検出、ランドマーク検出、オクルージョン推定、 サングラスやマスクの属性認識を同時に行う • 顔認証モデル • 正面以外の方向、マスクやサングラス着用状態 での顔認証を実現 外向きカメラ • 物体検出モデル • 車両や歩行者など複数のオブジェクトを検出 • レーン認識モデル • 人物ポーズ推定の手法を応用したレーン検出 • 映像からの車速推定モデル 深層学習モデル 16
  • 17. Mobility Technologies Co., Ltd. 脇見 • 運転中に一定時間以上正面を注視していない危険な状態 危険イベント専用のモデル・アルゴリズム開発 – 脇見 17 コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜 https://www.slideshare.net/dena_tech/drive-chart
  • 18. Mobility Technologies Co., Ltd. 脇見 • 運転中に一定時間以上正面を注視していない危険な状態 • 時系列データとして考えCNN+RNNで脇見確率を推定 危険イベント専用のモデル・アルゴリズム開発 – 脇見 18 特徴ベクトル 0.1 0.9 0.8 脇見確率 動画入力ネットワーク フレーム画像 CNN RNN 時系列の相関を 考慮した 特徴ベクトル
  • 19. Mobility Technologies Co., Ltd. 車間距離不足イベントの検知 • 前方車両との「車間時間」が過度に短い状態 • 車間時間:前方車両の現在の位置まで到達する時間 = 車間距離 ÷ 自車両の速度 • 消失点と車両検出結果から車間距離を算出 • 道路のオプティカルフローから自車両の速度を算出 危険イベント専用のモデル・アルゴリズム開発 – 車間距離不足 19 自分 相手 自分 相手 自分 車間 距離 0 秒 0.8 秒 到達 車間時間 コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜 https://www.slideshare.net/dena_tech/drive-chart
  • 20. Mobility Technologies Co., Ltd. 消失点と車両検出結果から車間距離を算出 20 カメラ 消失点 実際の距離 消失点 画像上の y座標 消失点との 距離 画像中y座標の消失点との距離 と 実際の距離 は反比例する関係性 物体検出 レーン 検出
  • 21. Mobility Technologies Co., Ltd. 道路のオプティカルフローから自車両の速度を算出 21 車両車両 道路上のみ抽出 同スケールに統一 (≒上から見た座標への変換) 移動量 レーン・消失点検出 対象車両検出 ドラレコ動画 オプティカル フロー 道路 車両 道路情報形成 代表値取得 道路・消失点の幾何的性質
  • 22. Mobility Technologies Co., Ltd. エッジデバイスで利用可能な処理量が限られる • 発熱との戦い 処理負荷と精度のトレードオフを改善する必要がある • 許容される処理負荷内で精度を最大化 各モデルについて様々な選択肢の組み合わせを試行錯誤 • 物体検出フレームワーク • Faster R-CNN系、YOLO系、CenterNet, … • バックボーンモデル • ResNet, MobileNet, EfficientNet, … • モデル軽量化 • Pruning, distillation, 量子化, … モデルの最適化(精度と速度のトレードオフ改善) 22 画像認識と深層学習 https://www2.slideshare.net/ren4yu/ss-234439652
  • 23. Mobility Technologies Co., Ltd. エッジAI 23
  • 24. Mobility Technologies Co., Ltd. 外向きカメラ DRIVE CHARTのAI処理の流れ 24 エッジAIライブラリ 深層学習モデル 3軸加速度 センサ 3軸角速度 センサ GPS 内向きカメラ レポートシステム レポートサーバ レポート アルゴリズム 地図 エッジAI
  • 25. Mobility Technologies Co., Ltd. エッジデバイス(ドラレコ)でAI(深層学習を含むアルゴリズム) を動作させるエッジAIライブラリを開発 • C++からRustへ移行 • ビルドシステムやテストフレームワークがネイティブサポートされており またメモリ関係のバグがコンパイル時に発見できる等により 品質と生産性のトレードオフが改善 エッジAIライブラリの役割 • 深層学習モデル、CVアルゴリズム、前処理・後処理の高速実行 • 適当にやると前処理・後処理のほうが遅いというケースも • 開発環境とエッジデバイスでの一貫した動作の担保 エッジAIチーム 25 エッジAIライブラリ 深層学習モデル
  • 26. Mobility Technologies Co., Ltd. 様々な選択肢を検証し、技術選定を行う • プロセッサ:CPU, GPU, DSP • 推論エンジン:TensorFlow Lite, TorchScript, TVM, Arm NN, ... • モデル量子化:Post quantization, quantization-aware training 研究開発が完了したモデルをデプロイ用に変換 深層学習モデルの高速実行のために 26 深層学習ライブラリと量子化 https://lab.mo-t.com/blog/quantization-frameworks DRIVE CHARTにおける AI技術の事業応用 ーモデル開発からサービスデプロイまでー Part2 https://engineer.dena.com/posts/2020.03/drive-chart-ai-development-part2/
  • 27. Mobility Technologies Co., Ltd. 開発環境とエッジデバイスでの一貫した動作の担保 27 Edge AI Library (Rust) Cloud Edge AI Library (Rust) Cloud Edge AI Library (Rust) New Feature (Python) Drive Recorder • 研究開発時点では新規機能や 機能改善はPythonで実装 • 後述のテスト環境で実験 • FIXした機能からRustに 移植し、最終評価 • 実デバイスへ 組み込み エッジとクラウドでRustを使いこなす 〜AI/IoTでの事例〜 https://docs.google.com/presentation/d/1KdyhiigwmWRDzVvTi71Toajd0-YgwrkbmkpgmQmvx2o/edit?usp=sharing
  • 28. Mobility Technologies Co., Ltd. データサイエンス 28
  • 29. Mobility Technologies Co., Ltd. 外向きカメラ DRIVE CHARTのAI処理の流れ 29 エッジAIライブラリ 深層学習モデル 3軸加速度 センサ 3軸角速度 センサ GPS 内向きカメラ レポートシステム レポートサーバ レポート アルゴリズム 地図 データ サイエンス
  • 30. Mobility Technologies Co., Ltd. 一時不停止や速度超過を検出するためには地図の情報が不可欠 GPS情報と地図の情報から実際の走行経路を推測する 「マップマッチ」処理が必要 内製のマップマッチエンジンを開発 • 全国規模の道路ネットワークのデータ構造を最適化 マップマッチ 30 GPS 情報 走行 経路 オートモーティブの大規模データ処理を支える技術 / 後編: 大規模地図データ構造の最適化 https://engineer.dena.com/posts/2020.03/automotive-big-data-structure/
  • 31. Mobility Technologies Co., Ltd. Kaggle Masterが多数在籍 • Kaggleコンペを「作る能力」と「解く能力」が求められる 作る能力 • 評価指標、precisionが最重要 • 検出すべきものの精緻化 • 開発・評価データセットの設計・構築 解く能力 • モデリング:タスクとデータから最適な手法を選択 • ルールベース、アルゴリズム、信号処理、機械学習(e.g. GBDT)、深層 学習(e.g. LSTM)、あるいはそれらの組み合わせ • ルールでできればそれが一番 • EDA:(誤検出等の)実データを徹底的に確認し、”magic” の発見・活用 データサイエンスチーム 31
  • 32. Mobility Technologies Co., Ltd. MLOps 32
  • 33. Mobility Technologies Co., Ltd. AIアルゴリズムを実サービスにデプロイするための環境構築、 幅広いエンジニアリング 複雑なレポートシステムのための開発・テスト環境 (AIテスト環境)の構築 • 最近リニューアルしたのでこちらを紹介 MLOpsチーム 33 大規模・複雑な機械学習プロダクトの継続的な改善を支える実験プラットフォーム https://speakerdeck.com/ohke/da-gui-mo-fu-za-naji-jie-xue-xi-purodakutofalseji-sok-de-nagai-shan-wozhi-erushi-yan-puratutohuomu
  • 34. Mobility Technologies Co., Ltd. AIテスト環境とは • 大量の実走行データを収集し、レポートアルゴリズムの開発・改善を行うた めのデータセットに整形する • 実際の処理パイプラインに流し最終的な「イベント検出」の精度を検証する コンピュータビジョンのモデルの精度≠ 「イベント検出」の精度 • 複雑なパイプライン処理のため、上流の処理の変更のユーザ影響を確実に検 証しなければならない AIテスト環境 34
  • 35. Mobility Technologies Co., Ltd. エッジとレポートで一貫させた試験ができない • 新しいエッジモデルに追随したレポートの変更でバグを埋め込む可能性 単一の環境のため、複数のテストの同時実行できない • スピーディに改善サイクルを回せない テスト環境へのデプロイオペレーションが人力 • Dockerビルドからデータサイエンティストに委譲されていた ロジック開発に必要なデータの収集・管理が困難 • サービス環境から分離されているため 従来のAIテスト環境の課題 35
  • 36. Mobility Technologies Co., Ltd. エッジとレポートで一貫させた試験ができない • 新しいエッジモデルに追随したレポートの変更でバグを埋め込む可能性 単一の環境のため、複数のテストの同時実行できない • スピーディに改善サイクルを回せない テスト環境へのデプロイオペレーションが人力 • Dockerビルドからデータサイエンティストに委譲されていた ロジック開発に必要なデータの収集・管理が困難 • サービス環境から分離されているため 従来のAIテスト環境の課題 36 Kubeflow Pipelines を導入 Feature storeとETL system を内製
  • 37. Mobility Technologies Co., Ltd. Kubeflow: Kubernetes上に構築される機械学習プラットフォーム Kubeflow Pipelines: Kubeflowのワークフロー管理機能 特徴 • 実験管理に特化したパイプラインを構築できる • 各runを誰が回したかなどが明確にトラッキングされる • リッチなWebインタフェースが提供される • Kubernetesインフラの恩恵を受けられる • スケーラビリティ • AWS環境でも構築可能 Kubeflow Pipelines 37
  • 38. Mobility Technologies Co., Ltd. テストの実行をWeb UIで完結できる • パラメータの入力も可能 • 深層学習モデルの切り替えも簡単に Kubeflow Pipelines 38 各処理はDocker imageを 指定して起動
  • 39. Mobility Technologies Co., Ltd. Feature store • 中央集約的な特徴量管理システム 最近の機械学習システムの多くが大規模、複雑化 • データソース、特徴量、モデルの組み合わせが複数存在 • これらを解消する手段としてFeature Storeと 呼ばれるものを用意するケースが増えてきている 本件で必要な機能が限定的なため内製 • テストで抽出した特徴量をFeature storeに保存 • 前処理済みの特徴量を使って効率的にモデル開発できる • 適切なバージョニングによりテスト間での特徴のキャッシュ • Pandas DataFrameをそのまま入出力できるインタフェースを提供 Feature store 39 Feature Store in DRIVE CHART https://www2.slideshare.net/emakryo/feature-store-in-drive-chart
  • 40. Mobility Technologies Co., Ltd. ETL system • データの抽出、変換・加工、加工済みのデータをロード等を行うシステム 本テスト環境では、サービス環境に散在する生データをコピーして データセットを生成 特徴 • AWS Lambda+AWS ECS の実行基盤を API+CLI でラップしたエコシステム • データサイエンティストが集めたデータを使った一貫テストが実施可能 • エッジへの入力となる動画の収集も行う • パージされるデータの保全 • サービス環境のストレージコストの圧縮 • 機械学習のためのデータを必要なものだけ抽出して保存 ETL system 40
  • 41. Mobility Technologies Co., Ltd. テスト環境全体像 41 Test Y Test X データセット ETLシステム Feature store Edge Report 推論 前処理 出力 検出 前処理 出力 可視化 集計 動画 ロジック開発 サービス環境 AIテスト環境 エッジコード レポートコード カメラファイル カメラファイル センサファイル テーブル デプロイ デプロイ S3 (ファイルストレージ) Aurora (RDB) SageMaker (≒ Jupyter Notebook) ECS (コンテナ実行環境) Lambda (コンテナ実行環境)
  • 42. Mobility Technologies Co., Ltd. テスト環境全体像 42 Test Y Test X データセット ETLシステム Feature store Edge Report 推論 前処理 出力 検出 前処理 出力 可視化 集計 動画 ロジック開発 サービス環境 AIテスト環境 エッジコード レポートコード カメラファイル カメラファイル センサファイル テーブル デプロイ デプロイ S3 (ファイルストレージ) Aurora (RDB) SageMaker (≒ Jupyter Notebook) ECS (コンテナ実行環境) Lambda (コンテナ実行環境) ① データ 収集 ② 特徴抽出 ③ FSを介した ロジック開発 ④ 開発ロジック のE2E評価
  • 43. Mobility Technologies Co., Ltd. 「AI技術」と同じ、あるいはそれ以上に「AIを支える技術」が重要 AI技術 • コンピュータビジョンチーム • データサイエンスチーム AIを支える技術 • エッジAIチーム • MLOpsチーム まとめ 43