Mais conteúdo relacionado
Semelhante a Microsoft de:code 2019 AI05 session (20)
Microsoft de:code 2019 AI05 session
- 1. de:code 2019 AI05
Deep Learning は実用段階に。PoC を乗り越えて
ビジネスで使われるためのノウハウを、AI 搭載
自動ごみ処理クレーンなどの事例を中心に紹介
株式会社Ridge-i 代表取締役社長
柳原 尚史
- 8. 7
©2019Ridge-iAllRightsReserved.
0
20,000
40,000
60,000
80,000
100,000
120,000
202320202017 2018 20242019 20222021 2025
AI市場規模 日本のマーケット
155
2,015
4,520100
1,030
270
1,720
3,680
495 2,820
5,860
150
985
2,120
1,680
3,340
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
18,000
20,000
22,000 21,200
315
15
2015
500
300 650
2020予測 2030予測
1,500
10,020
製造
金融
流通・
サービス
情報通信
医療・ライフ
サイエンス
その他
公共・社会
インフラ
国内AI市場規模(億円)(USD, Mn)
AIを取り巻く環境: 市場規模
“AI” は世界的に最も成長が期待されている市場
日本も大きな成長が見込まれている
Source: Tractica “Artificial Intelligence Market Forecasts”
- 29. 28
©2019Ridge-iAllRightsReserved.
個々のフェーズで様々な課題
• アノテーション負担
が大きい
• データ数の不足
• ラベル条件が変わる
• 何の指標をどう満た
せば導入してよいの
か?
• 精度が上がらない
• 精度 vs 速度
• 目的と手段の行き違い
• ROIを無視したプロジェクト設計
• 解けないプロジェクト
• AI・ディープに偏った提案
• 実はルールで解決できる
• データの外の情報が実は重要
• 精度劣化
• 改善が難しい
• 誤認識による
障害
• 似たタスクで
もイチから
開発
Phase-1
AI導入効果アセスメント・
パイロット検証
Phase-2
本格開発・実証実験
システム連携
Phase-0
AIの正しい
共通理解
醸成
Phase-3
運用・改善
横展開
よく
ある
課題
各フェーズで、ディープラーニング特有の様々な課題が発生
- 30. 29
©2019Ridge-iAllRightsReserved.
Phase-1
• アノテーション負担
が大きい
• データ数の不足
• ラベル条件が変わる
• 何の指標をどう満た
せば導入してよいの
か?
• 精度が上がらない
• 精度 vs 速度
• 目的と手段の行き違い
• ROIを無視したプロジェクト
設計
• 解けないプロジェクト
• AI・ディープに偏った提案
• 実はルールで解決できる
• データの外の情報が実は
重要
• 精度劣化
• 改善が難しい
• 誤認識による
障害
• 似たタスクも
イチから開発
Phase-1
AI導入効果アセスメント・
パイロット検証
Phase-2
本格開発・実証実験
システム連携
Phase-0
AIの正しい
共通理解
醸成
Phase-3
運用・改善
横展開
開発判断 導入判断
よく
ある
課題
- 34. 33
©2019Ridge-iAllRightsReserved.
Phase-2
• アノテーション負担
が大きい
• データ数の不足
• ラベル条件が変わる
• 何の指標をどう満た
せば導入してよいの
か?
• 精度が上がらない
• 精度 vs 速度
• 精度劣化
• 改善が難しい
• 誤認識による
障害
• 似たタスクで
もイチから
開発
Phase-1
AI導入効果アセスメント・
パイロット検証
Phase-2
本格開発・実証実験
システム連携
Phase-0
AIの正しい
共通理解
醸成
Phase-3
運用・改善
横展開
開発判断 導入判断
• 目的と手段の行き違い
• ROIを無視したプロジェクト
設計
• 解けないプロジェクト
• AI・ディープに偏った提案
• 実はルールで解決できる
• データの外の情報が実は
重要
よく
ある
課題
- 42. 41
©2019Ridge-iAllRightsReserved.
(参考)異常検知の実用化に向けておきた課題
データ 求められる精度 処理速度
• 完全な「良品」の定義が難
しい
• 良品データ自体のばらつき
(取得時期・振動 etc)
• データ数の不足
(例: 初回検証が数百枚
程度)
不良データで精度も
あげる独自ロジック
(論文採択)
Anomaly Detection
GAN+
高解像度化の論文実装
推論環境を複数検証
JETSON、クラウド、
オンプレ
• 高解像度を維持する必要性
– 低解像度で消える微細な
傷
– 全体を見て判断する必要
• 異常箇所をピクセル単位で
表示
• 通常のGANだと、高解像度
の学習が収束しない
• PCサーバーでは学習に
数週間かかってしまう
• 高解像度NNがメモリに
乗り切らない
- 48. 47
©2019Ridge-iAllRightsReserved.
個々のフェーズで様々な課題
• アノテーション負担
が大きい
• データ数の不足
• ラベル条件が変わる
• 何の指標をどう満た
せば導入してよいの
か?
• 精度が上がらない
• 精度 vs 速度
• 目的と手段の行き違い
• ROIを無視したプロジェクト設計
• 解けないプロジェクト
• AI・ディープに偏った提案
• 実はルールで解決できる
• データの外の情報が実は重要
• 精度劣化
• 改善が難しい
• 誤認識による
障害
• 似たタスクで
もイチから
開発
Phase-1
AI導入効果アセスメント・
パイロット検証
Phase-2
本格開発・実証実験
システム連携
Phase-0
AIの正しい
共通理解
醸成
Phase-3
運用・改善
横展開
各フェーズで、ディープラーニング特有の様々な課題が発生
よく
ある
課題
- 51. © 2018 Microsoft Corporation. All rights reserved.
本情報の内容(添付文書、リンク先などを含む)は、作成日時点でのものであり、予告なく変更される場合があります。
© 2019 Ridge-I All Rights Reserved.
本情報の内容 (添付文書、リンク先などを含む) は、de:code 2019 開催日 (2019年5月29~30日) 時点のものであり、予告なく変更される場
合があります。
本コンテンツの著作権、および本コンテンツ中に出てくる商標権、団体名、ロゴ、製品、サービスなどはそれぞれ、各権利保有者に帰属し
ます。