AI for Media 2018 - 放送/映像にまつわる AI 徹底解説 -
•Transferir como PPTX, PDF•
1 gostou•1,199 visualizações
市場の変化は年々早くなり、これまでの放送だけでは情報が届けられないケースも増えています。また、映像制作の肝となる人の確保については、映像業界に限らず大きな課題です。それらの解決方法は幾つも考えられますが、特にAIに注目が集まっています。なぜなら、映像はこれまでコンピューターが扱う事が難しかったデータでした。 AI の技術である深層学習によって、それがかなり活用しやすくなりました。 InterBEE 2018 では、その最新の利用例によって映像制作業務の生産性を上げたり、AI作成のメタデータによって新しいサービスに挑戦している事例をご紹介しました。 このセミナーでは、特にAIに焦点をあてます。 幾つものエンドユーザーとのディスカッションによって考え抜かれた パートナーのソリューションを紹介します。 また、それら技術としてのAIの活用のための考え方・向き合い方もご紹介します。AIをメディア業界で活用するための知識を得て、今すぐ相談できる人に、ここで会う事で、早期にAIを自分の道具とするきっかけの場に出来ればと思います。
Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a AI for Media 2018 - 放送/映像にまつわる AI 徹底解説 -
Semelhante a AI for Media 2018 - 放送/映像にまつわる AI 徹底解説 - (20)
Mais de Daiyu Hatakeyama
Mais de Daiyu Hatakeyama (20)
AI for Media 2018 - 放送/映像にまつわる AI 徹底解説 -
- 1. 畠山 大有 | Daiyu Hatakeyama | dahatake 日本マイクロソフト株式会社 Cloud Solution Architect AI for Media - 放送・映像にまつわる AI 徹底解説 -
- 2. 1950 1960 1970 1980 1990 2000 2010
- 3. 機械学習 深層学習 深層強化学習 画像解析 音声解析 データ分類 異常検知, 顧客グルーピング 数値予測 売上予測, 需要予測, 品質管理 ラベル分類 不良品分析, 故障予測, チャーン分析 機械学習より強力な分析 自律学習型ロボット 自動運転車 テキストや画像等の自動生成 例 主に多層のニューラルネットワーク を用いた手法での分析 分析のためには、莫大なデータ量、 計算量、知識・スキルを要する 統計に基づいた手法での分析 そのため、比較的少ないデータ量と 計算量で分析を行うことができる 定義したあるべき姿に従い試行錯誤 をして自ら学習を行うための分析手 法である 強化学習と、深層学習を組み合わせ た 分析 機械学習の世界
- 4. 機械 学習 教師あり 学習 教師なし 学習 強化学習 決定木 線形回帰 SVM ロジスティック回帰 ニューラルネットワー ク クラスタリン グ 次元削減 K-mean法 主成分分析 正準相関分析 ディープ ニュー ラル ネットワーク 畳みこみニュー ラルネットワー ク 再帰的ニューラ ルネットワーク 回帰結合ニュー ラルネットワー ク Q学習 深層学習 画像解析, 音声認識, 自動生成 深層強化学習 自立学習型ロボット 自動運転車
- 7. Goal: 分類を予測する ゴールの例: 不正 か Class 1 Class 2 2つ以上も
- 11. メディアデータ メタデータ
- 13. 絞り込 み
- 14. 絞り込み Id Color Manufacturer Description 1 White Adventure Works Adventure Works 謹製のこ の新型バイクは… 2 White Contoso Contro 社がついにハイ パーロード対応の新型機 を発売… 3 Yellow Fabrikam この冬。雪道オフロード も気にしない最強バイク が登場… Named Entity Extraction
- 16. 行動履歴
- 18. Text (OCR) “(1) Validate enrichment pipeline”
- 19. Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”
- 20. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.”
- 21. デー タ AI
- 23. Video and Audio Machine learning Azure A service and a platform
- 25. 字幕、タレント だけじゃない! 別サービ ス不要!Auto lang identification Detect spoken language & support multi language content Transcript Translation Convert speech to text in 10 languages and allow extensions Transcription/Captioning Create captions in three formats: vtt, ttml, srt Two channels processing Auto detect, balancing, separate transcript and merge to single timeline Noise reduction Clear up telephony audio or noisy recordings (based on Skype filters) Transcript customization Fit to Industry, market and domain specific terms Speaker enumeration Map and understand who spoke when Speaker statistics Statistics for speakers speech ratios in the audio Visual text/ OCR Extract and group text that appears in video as overlay, slides or background Keyword extraction Find out the keywords discussed in each segment Sentiment analysis Compare levels of positive vs negative spoken or written moments over the timeline Visual content moderation Detect explicit visuals such nudity and racy content Object identification Tag objects such as cat, table, car, ball etc. when they appear Brand detection Track brand mentions in speech or on screen overheads with option to customize Celebrity identification Identify celebrities and see their biography Keyframe extraction Auto detection of stable keyframes in a movie Shot detection Detect when a shot starts/ends based on visual analysis Black frame detection Identification of black frames in a movie Audio effects Identify audio effects such as clapping, silence, speech Thumbnail extraction Automatically extract best face selection image Artifacts Rich next level of details via artifact files Inline editing Make manual fixes for errors detected Sub-clipping Source video is stored once for multiple playlists of video segments Translation immediate translate of source to 54 languages Search Understand the context of search results Widgets Easily embed delightful widgets of the insights and player Recommendations Find more videos with similar people discussing similar topics Topic inferencing Identify main topics of the video Emotions identification Detect emotions expressed in speech, vocal signals and facial expressionsModels Services Coming soon Custom face identification Customize face identification model Face detection Detect and group faces in the video Rest API Easily integrate with your application with REST API Text content moderation Detect explicit text in audio
- 27. Feature 抽出 Surface は 品川で買えるみた い!XXX店は いつも混んでいて 嫌 Named Entity Extraction
- 28. 万能なものは無い
- 29. 決められた事しか出来ない
- 35. カスタマイ ズ
- 37. 従業員 管理者 ID: xxx 仮説の域を出にくい世界 ユーザー 情報 使いやすさ
- 38. ユーザー Data を集め(feedback) ・分析・予測 (仮説の立案) し、 それを迅速に 実行 (検証) する
- 41. feedback 2 3
- 42. Microsoft Azure セミナー / トレーニングへのご参加 https://azure.microsoft.com/ja-jp/community/events/ オンライン ラーニング活用で技術スキルやノウハウの習得 https://docs.microsoft.com/ja-jp/learn/ Azure の設計・ツールを含む技術ドキュメント https://docs.microsoft.com/ja-jp/azure/ Azure 無料アカウント https://azure.microsoft.com/ja-jp/free/
- 43. © 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。
- 44. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI
- 45. トレーニング済みのモデル ビジネスロジックにMLをアタッチ Azure Databricks VMs Deep Learning Framework Deep Learning モデルの作成 TensorFlow KerasPytorch Azure Machine Learning LanguageSpeech … SearchVision On-premises Cloud Edge 生産性の高いサービス データサイエンティストと開発チームの生産性を上げる パワフルな Compute Deep Learning の学習と推論の加速 柔軟な推論環境の選択肢 Cloud と Edge へのモデル展開と管理 Machine Learning on Azure Chainer
- 46. Automated Machine Learning Hyper parameter tuning Distributed Deep Learning New FPGA-powered models Python SDK Azure Notebook 連携
- 47. Source: http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html 今回は、どの アルゴリズム が効く?
- 48. Mileage Condition Car brand Year of make Regulations … Parameter 1 Parameter 2 Parameter 3 Parameter 4 … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Mileage Gradient Boosted Criterion Loss Min Samples Split Min Samples Leaf Others Model Which algorithm? Which parameters?Which features? Car brand Year of make モデルの開発には、多くの 試行錯誤 が必 要…
- 49. Criterion Loss Min Samples Split Min Samples Leaf Others N Neighbors Weights Metric P Others Which algorithm? Which parameters?Which features? Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Nearest Neighbors Model 繰り返し Gradient BoostedMileage Car brand Year of make Car brand Year of make Condition
- 50. Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Gradient Boosted SVM Bayesian Regression LGBM Nearest Neighbors Which algorithm? Which parameters?Which features? 繰り返し Regulations Condition Mileage Car brand Year of make
- 51. データセット 目標設定 学習の一貫性 出力入力 学習を並列処理 Compute リソース管理 ベストなモデルの選択 Optimized model Automated Machine Learning
- 52. データ発生場所の近くで Realtime 処理 入力 出力 参照データ Scale out clusters Device Run on the Edge Azure Machine Learning