コンピュータビジョン技術の実応用とビジネス
•Download as PPTX, PDF•
11 likes•6,233 views
画像センシングシンポジウム（SSII'18）のオーガナイズドセッション「コンピュータビジョン技術の実応用とビジネス」におけるイントロ資料です
Recommended
More Related Content
What's hot
What's hot (20)
Similar to コンピュータビジョン技術の実応用とビジネス
Similar to コンピュータビジョン技術の実応用とビジネス (20)
More from Yusuke Uchida
More from Yusuke Uchida (20)
コンピュータビジョン技術の実応用とビジネス
- 2. アウトライン 1 • イントロダクション – 内田 祐介（株式会社ディー・エヌ・エー） • 顔認証から自動運転へ – 勞 世竑 氏（センスタイムジャパン） • Scaling Your Machine Learning Business – 緒方 貴紀 氏（ABEJA） • 映像解析のビジネス活用における展望と課題 – 金田 卓士 氏（フューチャースタンダード） • 総合討論
- 5. 深層学習による認識精度の向上 4 • 画像認識コンペILSVRCにおける クラス分類タスクのエラー率（top5 error）推移 – エラー率が1/10に AlexNet ZFNet SENetResNet GooLeNet Ensemble http://image-net.org/challenges/talks_2017/ILSVRC2017_overview.pdf 深層学習ベースのモデル
- 6. 深層学習によるタスクの広がり 5[Liu+, ECCV'16] [He+, ICCV’17] [Viola+, CVPR'01] 顔検出 [Lazebnik+, CVPR'06] マルチクラス物体検出 クラス分類 セグメンテーション ポーズ推定
- 7. つまり 6 • 市場規模はうなぎのぼり • 精度もどんどん高まっている • 様々なタスクが現実的に解かれ始めた →AIブーム
- 8. AIを研究しよう！ 7 227x227x3 55x55x96 27x27x9627x27x25613x13x25613x13x38413x13x38413x13x2566x6x256 9216 4096 4096 1000 conv11x11,96 stride (4, 4) maxpool3x3 stride (2, 2) conv5x5, 256 stride (1, 1) maxpool3x3 stride (2, 2) conv3x3, 384 stride (1, 1) conv3x3, 384 stride (1, 1) conv3x3, 256 stride (1, 1) maxpool3x3 stride (2, 2) flattenflattendensedense densedensedensedense 訓練データ モデルの改良 精度UP!!
- 9. 要件定義からビジネス化まで 8 • 要件定義 – 解くべき問題の明確化 – コンピュータビジョン技術で解決すべき問題か – ビジネスインパクトはどの程度か – どのような運用フロー・システムが考えられるか • 研究開発 – データ収集、ラベル付け – モデル構築、学習、改良 – 精度検証 • 簡易的な業務組み込み (Proof of Concept; PoC) – 運用フロー・システムが成り立つか – 見落としていた問題（要件）の発見 • 本格運用検討 • 本番システム開発 • 本番システム運用
- 10. 要件定義からビジネス化まで 9 • 要件定義 – 解くべき問題の明確化 – コンピュータビジョン技術で解決すべき問題か – ビジネスインパクトはどの程度か – どのような運用フロー・システムが考えられるか • 研究開発 – データ収集、ラベル付け – モデル構築、学習、改良 – 精度検証 • 簡易的な業務組み込み (Proof of Concept; PoC) – 運用フロー・システムが成り立つか – 見落としていた問題（要件）の発見 • 本格運用検討 • 本番システム開発 • 本番システム運用
- 11. 要件定義からビジネス化まで 10 • 要件定義 – 解くべき問題の明確化 – コンピュータビジョン技術で解決すべき問題か – ビジネスインパクトはどの程度か – どのような運用フロー・システムが考えられるか • 研究開発 – データ収集、ラベル付け – モデル構築、学習、改良 – 精度検証 • 簡易的な業務組み込み (Proof of Concept; PoC) – 運用フロー・システムが成り立つか – 見落としていた問題（要件）の発見 • 本格運用検討 • 本番システム開発 • 本番システム運用 PoC
- 12. 実応用上の機械学習システム 11 D. Sculley, et al., “Hidden Technical Debt in Machine Learning Systems,” NIPS’15.
- 13. 実応用上の機械学習システム 12 D. Sculley, et al., “Hidden Technical Debt in Machine Learning Systems,” NIPS’15.
- 14. 参考 13 • 日本ソフトウェア科学会機械学習工学研究会 https://sig-mlse.wixsite.com/kickoff – 機械学習工学研究会キックオフシンポジウムは 「業界あるある」と「共感」に満ちていた http://leapmind.io/blog/2018/06/12/mlsekickoff/ • ML Ops – https://ml-ops.connpass.com/
- 15. ビジネスモデル 14 • 自社技術をライブラリ/API等として販売 • 自社技術を利用して自社のプロダクト・ サービス・プラットフォームを展開 • 他社技術を活用して 自社サービス・プラットフォームを提供
- 16. アウトライン 15 • イントロダクション – 内田 祐介（株式会社ディー・エヌ・エー） • 顔認証から自動運転へ – 勞 世竑 氏（センスタイムジャパン） • Scaling Your Machine Learning Business – 緒方 貴紀 氏（ABEJA） • 映像解析のビジネス活用における展望と課題 – 金田 卓士 氏（フューチャースタンダード） • 総合討論
- 17. 総合討論 16 1. ビジネスにおける「精度」の考え方 2. データ（データセット） 3. AIのビジネス活用の課題 4. 企業の研究・開発 5. AIブームについて 会場からの質問も歓迎です！
Editor's Notes
- 本シンポジウムでは多くのエキサイティングな研究や技術チュートリアルが発表されている。ビジネスの中でも、これまでにないビジネス領域を切り開いているベンチャー企業の方々にそれぞれのビジネス展開についてご講演いただきます コンピュータビジョン技術を実ビジネスとして成功させるためには何が重要かを議論し、今後のビジネス検討に活かせるディスカッションができればと思っております。
- ビジネスと言うからにはまずは市場規模ですね。よく言うのが市場規模がXXでその何%を目指すので売上YYです 5兆円ビジネスで、今後数年間で数倍になると見込まれています 5000兆円にはとどかないですが非常に大きな額です こういうグラフは右肩上がりのグラフしか見たことないので、どこまでこの金額に入っているか分からないので雰囲気だけつかめれば良いと思います
- 分野的にはこれまでは製造業や医療系が多かった印象ですが、今後はAutomotiveやSurveillanceが特に伸びていきそうです
- 市場規模としては非常に期待が持てる領域であると言えました では技術に関してはどうか コンピュータビジョンに関して近年のブレークスルーといえば、深層学習の成功であるというのは異論はないかと思います （もはや近年ではない）
- 精度ではなく、応用範囲の広がりという点でも様々な発展があります その他にも、人物の行動推定や、属性推定、とりあえず教師を与えることができるタスクがどんどん解かれていっています。 毛色の違うところでは、画像の生成が注目されていますが、応用としてはそれにとどまらない、Generative Adversarial Networks (GAN) といった技術の発展にも非常に注目しています。 それらの技術については、他のオーガナイズドセッションでも非常にエキサイティングなご講演があると思います
- データ収集ラベル付け→お金かかる
- データ収集ラベル付け→お金かかる
- データ収集ラベル付け→お金かかる
- 次にシステム観点で機械学習を含んだ実応用上のシステムを見てみます これはGoogleの方のNIPSという機械学習系学会の論文
- コンピュータビジョンに限定した話ではなくいわゆる機械学習を含むシステムの開発や運用を工学的な観点でもっと改善ができないかという取り組みもあります ということで、コンピュータビジョン技術の実用化と一言に言っても様々な難しさがあります このあたりを実際に最先端の技術でビジネス展開している講師の方々にお話を
- ビジネスの中でも、これまでにないビジネス領域を切り開いているベンチャー企業の方々にそれぞれのビジネス展開についてご講演いただきます コンピュータビジョン技術を実ビジネスとして成功させるためには何が重要かを議論し、今後のビジネス検討に活かせるディスカッションができればと思っております。
- まずは折角なので会場から 1. ビジネスにおける「精度」の考え方 ビジネス上、精度がどう定義されるのか、ビジネスにどう影響するのか 2. データ（データセット） どう学習に必要なデータセットを集めている？コツとかある？ 3. AIのビジネス活用の課題 なにか課題と感じていることはあるか？ 4. 企業の研究・開発 大学における研究との違い、いわゆる「研究」以外の比重（泥臭いところとか） 5. AIブームについて これからどうなっていくか