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

1. 1. コンピュータビジョン技術の 実応用とビジネス 株式会社ディー・エヌ・エー 内田 祐介
2. 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
3. 3. コンピュータビジョン領域の市場規模 2https://www.dri.co.jp/auto/report/tractica/traccv.html
4. 4. コンピュータビジョン領域の市場規模 3https://www.dri.co.jp/auto/report/tractica/traccv.html
5. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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！