AWS Startup Meetup Dayにて発表させて頂いた資料です。

1. 株式会社
QuantumCore
Startup Meetup Day

2. 会社概要
社名 株式会社QuantumCore
本社 東京都品川区⻄五反⽥2-14-13
代表者 代表取締役 秋吉 信吾
業務内容 リザーバコンピューティングを活⽤した次世代時系列処理基盤技
術の開発・提供と導⼊⽀援。
サイト https://www.qcore.co.jp/
Qoreシリーズ
提供
エッジ
導⼊⽀援
(PoC)
コア技術
研究開発

3. 今の技術ではまだ⾃動化できない領域を訴求する
ビッグデータ
パーソナル/少数データ
処
理
学
習
データ分析系
Amazon
KINESISなど
深層学習
GAFAなど
旧来特化型
システム中⼼
少量データ
×
リアルタイム学習
個社ごとに
特化された
モデル

4. プラットフォームを選ばない
超⾼速・超⾼精度な時系列処理技術
複雑系⼒学分野で研究されてきたリザーバコンピューティングは、
複雑な時系列処理などの深層学習と同じタスクを
量⼦コンピュータなど、特殊なハードウェアをもちいることなく、
約1/100オーダーのわずかな学習データで、約100倍近く⾼速
に解くことができます。
パーソナルデバイス AIスピーカ
カーナビ・⾞載
組み込み

5. その秘訣は⼒学現象を活⽤した特徴抽出技術
猫の特徴は…
「⽿」はこう
「⽬」はこう
「⾊」はこう
猫画像10万データ
深層学習 リザーバコンピューティング
猫の特徴
覚えた︕
特徴抽出⾃体に
学習が不要
特徴抽出⾃体に
学習が必須
⽔⾯など複雑系⼒学を利⽤
⽝っぽい
猫っぽい
どちらも最後に
特徴で分類
特徴で分類
波紋などを
特徴に利⽤
従来は… リザーバコンピューティングでは…

6. 従来不可能だった個⼈データの活⽤
⼼電図で疾患判定が、
93%の精度で可能
⾳声での話者特定が、
99%の精度で可能
振動での姿勢特定を、
98%の精度で可能
医療ヘルスケア AIスピーカ/カーナビ 介護ベッド
プライバシーなどの観点からクラウドにアップロードすることは難しく
また、個⼈から取れるデータは少なすぎて⾼精度なモデルの作成は不可能だった。
※9⼈分の公開データによるテスト※公開データによる不整脈判定テスト ※弊社取組による24値分類テスト
従来の
課題

7. 環境に制約のある製造分野での活⽤
⾳での作業状態特定が、
94%の精度で可能
センサーでの作業特定が、
78%の精度で可能
センサーでの⼒学推定を、
⾼精度に予測可能(回帰)
異常検知 作業⼯程の可視化 ロボットアーム制御
製造現場は必ずしもインターネットが活⽤できるわけではない
また、異常値などのデータは少なすぎて⾼精度なモデルの作成は不可能だった。
※弊社取組によるテスト※弊社取組によるテスト ※弊社取組によるテスト
従来の
課題

8. 複雑すぎる時系列問題での活⽤
排泄タイミングの特定が、
80%の精度で可能
⾻格の動きで動作推定を、
91%の精度で可能
住宅価格の予想を、
⾼精度に予測可能(回帰)
ニオイ検知 モーション推定 住宅価格の予測
⾃然現象など複雑な問題に対して、限定的なセンサーや⼊⼒ソースで判別は困難
※弊社取組によるテスト※弊社取組によるテスト ※ボストンの住宅価格の
公開データによるテスト
従来の
課題

9. 弊社プロダクトでのAWS活⽤
QoreSDK
AWS Cloud
Availability Zone A Availability Zone B
Instance Instance Instance Instance
EC2 instance contents
Elastic Load Balancing Amazon Route 53
https://xxx.api.qcore.co.jp/{REST_API}
WebQore
EdgeQore
組み込みなど
マイコン動作のEdgeQoreとAWSを活⽤したWebQoreの２つのプロダクトを提供。
WebQoreでPoC実施後、EdgeQoreへ移⾏し製品組み込みの事例もあり。
またWebQoreは現在Lambdaを活⽤したサーバレスアーキテクチャ構成へリプレイス中
性能検証は
WebQoreが中⼼

10. 少量学習データ、超⾼速学習によるハイペースなPoC
従来の⼤量データ収集のタイムロスとと、
パラメータチューニング後の学習待ちのタイムロスがないため、
ハイペースなPoCを実現
要件定義
データ抽出
データ処理
プログラム開発
チューニング
性能評価
要件定義
データ抽出
データ処理
プログラム開発
チューニング
性能評価
深層学習など
弊社
要件定義
データ抽出
チューニング
性能評価短縮 短縮

11. 企業様との座組案
最先端の弊社Qoreテクノロジを⽤いて、早期に製品化を前提とした企業様とPoC(期間2〜3ヶ⽉)を実施しつつ、
広く公開しているMLaaS運営でのノウハウを活かし、PoCにフィードバック。
弊社企業様
PoC実施の
⼈件費及びデータ
MLaaSの提供
PoCの実施
(仮データ)
PoC期間を経て
より発展的な関係へ
成果の内製化
(実データ)
他社様
サービス
他社様
サービス
他社様
サービス
WebQore
API利⽤
知⾒のフィードバック
API利⽤や、
ライセンス提供など

12. メディア掲載実績
『⽇本のスタートアップ⼤図鑑 200社』 ⽇経産業新聞11⾯に掲載。
『注⽬のAI・ビッグデータ・モビリティ関
連スタートアップ22社』
Forbes
Forbes JAPAN 2019年1⽉号 ⽇経産業新聞 2018年12⽉4⽇発⾏
Forbes Japan Online
⽇経産業新聞

13. 技術顧問
池上⾼志
東京⼤学⼤学院情報学環 教授
1961年、⻑野県⽣まれ。
専⾨は、複雑系・⼈⼯⽣命研究。⼈⼯⽣命(ALIFE)に新た
な境地を切り拓き、研究を世界的に牽引。メディアアーティスト
としても知られ、Ars Electronicaやメディア芸術祭で受賞歴
がある。
著共書に『⼈間と機械のあいだ ⼼はどこにあるのか』『動きが⽣
命をつくる』『⽣命のサンドイッチ理論』など。
リザーバコンピューティングの世界的な第⼀⼈者の1⼈である
池上⾼志⽒（東京⼤学教授）が技術顧問就任

14. 是⾮お問合せください
https://www.qcore.co.jp/
info@qcore.co.jp