Weitere ähnliche Inhalte
Ähnlich wie JAWS FESTA 20191102 (20)
JAWS FESTA 20191102
- 1. A W S 大 好 き ♡ A I 企 業
HTB北海道テレビ放送 創成スクエアスタジオ6F 大会議室C 2019.11.2 来栖川電算 取締役 山口陽平
JAWS FESTA 2019 SAPPORO 道産子総クラウドエンジニア化計画 サポーターセッション #jft2019_c
- 4. 山 口 陽 平
@melleo1978
• 所属
– 有限会社 来栖川電算 取締役
– 名古屋工業大学大学院博士前期課程修了
• 実績
– IPA 未踏ソフトウェア創造事業採択
– Mashup Awards 9 優秀賞受賞
• 興味
– 機械学習,強化学習,UI/UX
– 高速化,省資源化,並列分散
※実物に髪の毛はありません
4
- 5. 山 口 陽 平
@melleo1978
• [実践]画像認識 を執筆 WEB+DB PRESS Vol.83
– これから画像認識をはじめる人におススメ
5
– OpenCV の使い
方や実装例
– SIFTなどの各種
アルゴリズムや
特定物体認識の
しくみ
– 精度改善への取
り組み方
- 6. 来栖川電算
設立 2003年(名古屋工業大学発ベンチャー) 従業員 66人
• SF 世界の技術を実現し、社会に役立てる
– AI 技術のライセンス販売・研究・SI
• 文字認識,物体認識,動作認識,行動認識
– スマホアプリの企画・制作・運営
スマートライフ技術
NTTドコモ様との共同研究
スマートドライブ技術
大手自動車メーカー様むけ
メイドさん
もふくめて
6
- 7. 技術者集団
様々なアルゴリズムや知識で課題解決
• 最先端の AI 技術
– 文字認識,物体認識,モーション認識
• 限界性能を引き出す優れた実装技術
– 機械学習・コンパイラ・データベースなどの
アルゴリズムやバイナリハックを駆使した高
精度化・高速化・省資源化・並列化・分散化
• 高品質なソフトウェアを実現する技術
– 言語・アーキテクチャ・プロセスに対する深
い理解に基づく設計と計画
7
- 10. 体制
AI 実現のための全業務をカバー
10
AI アプリ
SI インフラ
AI インフラ
データ モデル 研究者アノテータ
デザイナ 開発者
役職 研究者 開発者 デザイナ アノテータ その他 合計
役員・正社員 19.1 % 25.2 % 0.2 % 5.2 % 3.5 % 53.0 %
アルバイト/即戦力枠 4.5 % 4.5 % 1.5 % 21.2 % 3.0 % 34.8 %
アルバイト/育成枠 6.1 % 4.5 % 1.5 % 0.0 % 0.0 % 12.1 %
アルバイト/試用枠 0.0 % 0.0 % 0.0 % 0.0 % 0.0 % 0.0 %
合計 29.7 % 34.2 % 3.2 % 26.4 % 6.5 % 100.0 %
- 26. 進めるための体制
AI アプリを作るには、様々なスタッフが必要
26
AI アプリ
SI インフラ
AI インフラ
データ モデル 研究者アノテータ
デザイナ 開発者
役職 研究者 開発者 デザイナ アノテータ その他 合計
役員・正社員 19.1 % 25.2 % 0.2 % 5.2 % 3.5 % 53.0 %
アルバイト/即戦力枠 4.5 % 4.5 % 1.5 % 21.2 % 3.0 % 34.8 %
アルバイト/育成枠 6.1 % 4.5 % 1.5 % 0.0 % 0.0 % 12.1 %
アルバイト/試用枠 0.0 % 0.0 % 0.0 % 0.0 % 0.0 % 0.0 %
合計 29.7 % 34.2 % 3.2 % 26.4 % 6.5 % 100.0 %
- 30. DNN コンパイラ
DNNの推論を 10 ~ 1000 倍も高速化
重みや活性の量子化・スパース化、計算の共有などの
様々な手法で DNN を近似し、高速化・省資源化され
た実行形式(Linux・Android・iOS)へ変換。
30
- 42. 失敗例1
そもそもやるべきではない事例
• 状況
– 上司からとにかく AI・機械学習をやれと言わ
れ、ビジネスと無関係な画像認識の PoC をは
じめた。高精度な画像認識モデルを作れたが、
どうやったらマネタイズできるか分からない。
• 対策
– ビジネスにどのように貢献するかを検討して
から始める。
– AI・機械学習の技術教育であれば問題ない。
42
- 44. 失敗例3
機械学習で解決できない設定になっているパターン
• 状況
– 200m 先の車両の位置を誤差 10cm 以内で追
跡したいと言われたが、カメラの解像度が不
足していてできない。
– 顕微鏡写真を素材ごとに塗り分けたいと言わ
れたが、素人では素材を見分けられない。専
門家は忙しくて塗分けする時間がない。
• 対策
– 経験を記録・収集する過程を実施すると明ら
かにできる。大きな投資をする前にやるべき。
44
- 47. アノテーション駆動研究開発
AI を作る前に、人が AI になりきって、研究開発を進める
• 肝は、早く確認し、失敗すること
– 想定したデータを収集できるか?
– データが想定した分布になっているか?
– 人がデータだけを見て予測できるか?
• メリット
– 実現性の高さ・価値の大きさの順にやれる
– 人でも採算とれるならビジネスをやればいい
• 実際のデータが揃っている状況から始められる
• AI 化を進めれば利益率が改善する
47
- 66. DNN コンパイラ
DNNの推論を 10 ~ 1000 倍も高速化
重みや活性の量子化・スパース化、計算の共有などの
様々な手法で DNN を近似し、高速化・省資源化され
た実行形式(Linux・Android・iOS)へ変換。
66
- 71. 体制
AI 実現のための全業務をカバー
71
AI アプリ
SI インフラ
AI インフラ
データ モデル 研究者アノテータ
デザイナ 開発者
役職 研究者 開発者 デザイナ アノテータ その他 合計
役員・正社員 19.1 % 25.2 % 0.2 % 5.2 % 3.5 % 53.0 %
アルバイト/即戦力枠 4.5 % 4.5 % 1.5 % 21.2 % 3.0 % 34.8 %
アルバイト/育成枠 6.1 % 4.5 % 1.5 % 0.0 % 0.0 % 12.1 %
アルバイト/試用枠 0.0 % 0.0 % 0.0 % 0.0 % 0.0 % 0.0 %
合計 29.7 % 34.2 % 3.2 % 26.4 % 6.5 % 100.0 %