dll講演資料 2017616

45
ディープラーニング技術 最新動向と導入の課題 2017/6/16 Deep Learning Labキックオフ ©2017 Ridge-i All Rights Reserved.

Upload: takashi-yanagihara

Post on 21-Jan-2018

768 views

Category:

Technology


0 download

TRANSCRIPT

Page 1: Dll講演資料 2017616

ディープラーニング技術最新動向と導入の課題

2017/6/16Deep Learning Labキックオフ

©2017 Ridge-i All Rights Reserved.

Page 2: Dll講演資料 2017616

Preferred NetworksとRidge-iについて

©2017 Ridge-i All Rights Reserved.

Page 3: Dll講演資料 2017616

Ridge-i & Preferred Networks

パートナーシップ

©2017 Ridge-i All Rights Reserved.

Page 4: Dll講演資料 2017616

DIMoの全体像

4

強化学習深層強化学習

異常検知

マルチモーダル

・センサー

フュージョン

アルゴリズム

ストリーミングデータ解析

©2016 Ridge-I All Rights Reserved.

ディープラーニング開発・実行環境

学習データ作成アノテーション

GUIカメラ管理

映像解析検出・分類再照合

外観検査

Deep Intelligence in Motion(DIMo、ダイモ)PFNの研究成果が詰まったプラットフォーム

ツール

フロアマップ連携

Page 5: Dll講演資料 2017616

AI導入の流れと課題

©2017 Ridge-i All Rights Reserved.

Page 6: Dll講演資料 2017616

AI導入の流れとボトルネック

©2017 Ridge-i All Rights Reserved.

相談

検討開始

活用

戦略

技術

詳細検討

開発実証実験

周辺開発商品化

販売サポート

多多

中 中少

Value

Chain

人的

リソース

業界全体で人材不足

導入を阻む最大のボトルネック

AIで何かしたい

課題と方向性省力化・新商品・新ビジネス・データ

どの技術とデータの組合せで解決

実装・学習・検証チューニング AI導入

できた!

Page 7: Dll講演資料 2017616

「AI」という言葉の曖昧さ

階層ベイズ

MCMC, GLMM

最尤法主成分分析、GLM

ベイズ理論

検定相関、共分散

確率、正規分布、分散

機械学習 統計解析

機械翻訳

トピックモデル

文章生成ディープラーニング(RNN, Skip-gram)

BWT, Wavelet Tree

TF-IDF, Word2Vec検索、N-Gram

形態素解析

自然言語解析

難易度:高人材:希少

どれでもAI

分散協調

深層強化学習強化学習

ディープラーニング

LSTM, DBM, CNN, RNN

協調フィルタリングSVM, K-Means, 近傍法

探索木ロジスティック回帰

最小二乗法

©2017 Ridge-i All Rights Reserved.

+ ナップザック問題、動的計画法、最適化問題なども

Page 8: Dll講演資料 2017616

ディープラーニングのパターン(2016年10月時点)

©2017 Ridge-i All Rights Reserved.

万能モデルは存在せず、目的に応じて選ぶ必要

講演時のみ

配布資料からは削除しております。

Page 9: Dll講演資料 2017616

©2017 Ridge-i All Rights Reserved.

●ユーザーがAI活用を企画するための知識・理解の不足

●「AI」技術が日進月歩で急激な変化。

●一つの「AI」で解決できるほど汎用的ではない。

ニーズとシーズのギャップ

相談

検討開始

活用

戦略

技術

詳細検討

開発実証実験

周辺開発商品化

販売サポート

どんな技術がどう効くのかわからない

目的がわからないと作れない

Page 10: Dll講演資料 2017616

相談

検討開始

活用

戦略

技術

詳細検討

開発実証実験

周辺開発商品化

販売サポート

Ridge-iの役割:パートナーと共に検討から導入までサポート

導入支援、カスタマイズ

Ridge-iが自社・共同開発AIベンダー紹介

コンサルテーションフェーズ ソリューション開発フェーズ

課題と効果

最適な技術構成

複数のAIと他技術をどう組み合わせるか

AIの導入価値の判定

PFN - DIMo活用

他AI活用

©2017 Ridge-i All Rights Reserved.

戦略コンサル

Page 11: Dll講演資料 2017616

柳原尚史

証券アナリスト検定会員、ネットワークスペシャリスト

● ブラックロックなど外資金融でリスク分析、アルゴリズム、電子取引の開発に従事

● 機械学習、ディープラーニング、強化学習の研究開発に集中

● NHK サイエンスゼロの人工知能特集を監修

Ridge-i 担当について

数式に眠くならないタフさ

趣味はトレイルランニング

● 富士山1日3往復

● UTMB(モンブラン170Km)を44時間寝ずに走破

©2017 Ridge-i All Rights Reserved.

Page 12: Dll講演資料 2017616

ディープラーニングの動向

©2017 Ridge-i All Rights Reserved.

Page 13: Dll講演資料 2017616

AI(人工知能)研究の歴史

出典:『人工知能は人間を超えるか ディープラーニングの先にあるもの』松尾豊

Webやビッグデータなどから豊富な学習素材の獲得

ディープラーニング・強化学習の手法成熟

GPUによる高速並列計算

©2017 Ridge-i All Rights Reserved.

第3次AIブームのビッグウェーブ

「推論・探索」

「知識」

「分類」

Page 14: Dll講演資料 2017616

ディープラーニング(深層学習)と強化学習の融合

● ゲームチェンジャーとなるAI事例の中心技術

ディープラーニング

学習に必要な特徴を自動で見つける

強化学習

成功・失敗の結果から学習し手続きの成功確率を高める

深層強化学習

最適な動作を自動的に学習・判断・行動する

©2017 Ridge-i All Rights Reserved.

画像は講演時のみ

配布資料からは削除しております。

Page 15: Dll講演資料 2017616

これらはすべて2016年の出来事

ディープラーニングで機械が(一部)人間を超え始めた

囲碁

トップレベル棋士にAlphaGoが4勝1敗

英語音声認識

エラー率5.9%(人間と同水準)

物体識別コンテスト

エラー率3.5%(人間は5%)

ディープラーニング

Deep Q NetworkLong Short-Term

Memory

Convolutional Neural

Network

©2017 Ridge-i All Rights Reserved.

画像は講演時のみ

配布資料からは削除しております。

Page 16: Dll講演資料 2017616

膨大な要件

アプリケーション

実装・テスト

©2016 Ridge-I All Rights Reserved.

トレーニングデータ

(過去データ)

アプリケーション

機械学習ロジック

学習

従来のシステム設計 機械学習を用いたシステム設計

適切なデータとロジックがあれば短期間で実現

システム設計方法の変化

Page 17: Dll講演資料 2017616

ニューラルネットワークによる機械学習の一種

人間が思いつく特徴量を設計

「特徴抽出の壁」

ディープラーニングとは

ニューラルネットワーク/ディープラーニング

従来の機械学習

大量のデータを元に、見分け方を自動で習得

©2017 Ridge-i All Rights Reserved.

人間がルールベースで解けなかった課題を解ける!

画像は講演時のみ

配布資料からは削除しております。

Page 18: Dll講演資料 2017616

ファナックのピッキング作業の自動化例

©2017 Ridge-i All Rights Reserved.

Page 19: Dll講演資料 2017616

駐車場の空きスペースの検出(パナソニックとの共同研究)

©2017 Ridge-i All Rights Reserved.

Page 20: Dll講演資料 2017616

人物・車の認識 最先端技術のデモ

DIMo映像解析パッケージに搭載されている一般物体検出・分類機能

©2017 Ridge-i All Rights Reserved.

Page 21: Dll講演資料 2017616

人物・車の認識 最先端技術のデモ

DIMo映像解析パッケージに搭載されている一般物体検出・分類機能

赤い車の陰に隠れている、赤い服を着た人も検出できています。

©2017 Ridge-i All Rights Reserved.

Page 22: Dll講演資料 2017616

最新のセグメンテーション技術

©2017 Ridge-i All Rights Reserved.

講演時のみ

配布資料からは削除しております。

Page 23: Dll講演資料 2017616

NTT Com 2016年3月30日プレスリリース: DIMoの再照合機能を活用中

人工知能(AI)を活用した映像解析技術により複数カメラを跨いだ不審者検出・追跡を高い精度で実現

~ALSOKと連携した実証実験に成功~

同じ人物の特徴を検出:監視カメラで再照合

©2017 Ridge-i All Rights Reserved.

画像は講演時のみ

配布資料からは削除しております。

Page 24: Dll講演資料 2017616

複数のカメラから同一人物を発見(再照合機能)

発見したい特定人物の画像

角度・画質によらず

背中でも同一人物を

発見できた

人物の同一性を判断できる特徴を学習済みのニューラルネットワーク

©2017 Ridge-i All Rights Reserved.

Page 25: Dll講演資料 2017616

● 複数のセンサーデータ(温度・モータ回転数など)から正常と異常の特徴を発見

● 人間の目では区別が付かない微細な違いに反応

センサー時系列データにも応用。異常検知(ファナック)

©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

©2017 Ridge-i All Rights Reserved.

Page 26: Dll講演資料 2017616

事前の故障検出による保守の大幅改善

©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

©2017 Ridge-i All Rights Reserved.

Page 27: Dll講演資料 2017616

● ロック、中国語POP、コードなどの特徴で楽曲を自動分類

● コンテンツベースでのレコメンドが可能

波形データによる楽曲の自動分類が実用段階 (Spotify)

©2017 Ridge-i All Rights Reserved.

講演時のみ

配布資料からは削除しております。

Page 28: Dll講演資料 2017616

ディープラーニングは 認識から生成・行動へ進化中

28

認識検出・分類・異常検知

行動生成

深層強化学習

©2017 Ridge-i All Rights Reserved.

Page 29: Dll講演資料 2017616

生成の事例

©2017 Ridge-i All Rights Reserved.

Page 30: Dll講演資料 2017616

線画着色Webサービス Paints Chainer

http://paintschainer.preferred.tech/

©2017 Ridge-i All Rights Reserved.

http://www.pixiv.net/member_illust.php?mode=medium&illust_id=40487409

Page 31: Dll講演資料 2017616

音楽生成 DL Shimons(ロボットはおまけ)

https://www.technologyreview.jp/s/44661/this-marimba-

playing-robot-invents-surprisingly-nice-tunes/#_=_

講演時のみ

配布資料からは削除しております。

Page 32: Dll講演資料 2017616

ドワンゴ+早稲田 アニメ中割り作成

©2017 Ridge-i All Rights Reserved.

画像は講演時のみ

配布資料からは削除しております。

Page 33: Dll講演資料 2017616

自動彩色:白黒映画をカラー化。同じ白黒値の肌と空も判別

33

©2017 Ridge-i All Rights Reserved.

Page 34: Dll講演資料 2017616

白黒彩色:弊社 実験画像(1フレームのみから学習)

34 ©2016 Ridge-I All Rights Reserved.

Page 35: Dll講演資料 2017616

35 ©2016 Ridge-I All Rights Reserved.

数百倍の省力化効果 + 人は絵作りに専念できる

あえて汎用化ではなく、過学習させることでビジネスニーズを満たす工夫

自動彩色:昔の大相撲をカラー化して 5/21 NHKで放送。

講演時のみ

配布資料からは削除しております。

Page 36: Dll講演資料 2017616

行動の事例(深層強化学習)

©2017 Ridge-i All Rights Reserved.

Page 37: Dll講演資料 2017616

強化学習 フィードバックからの学習

行動と未来のデータ(報酬フィードバック)の時系列から学習

アプリケーション

強化学習ロジック

行動1と結果1

…..

行動2と結果2 行動3と

結果3

学習

正しい行動がすぐにわからない(教師データがない)実世界に適応できる

T+1T+2

T+3行動 T+3の結果が

いつの行動による影響か解析

将来最もよい状況になる、今とるべき行動

行動0と結果0

→結果

改良

©2017 Ridge-i All Rights Reserved.

Page 38: Dll講演資料 2017616

自動運転のシミュレーター

38

©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

©2017 Ridge-i All Rights Reserved.

Page 39: Dll講演資料 2017616

なぜ自動運転に人工知能が必要なのか。

39

©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

©2017 Ridge-i All Rights Reserved.

Page 40: Dll講演資料 2017616

CES2016でのプリウスのデモ。赤い車をよけているのが特徴

40

©2016 Preferred Networks, Inc. and Asian Frontier All Rights Reserved.

©2017 Ridge-i All Rights Reserved.

Page 41: Dll講演資料 2017616

実際の活用に向けて

©2017 Ridge-i All Rights Reserved.

Page 42: Dll講演資料 2017616

実際の導入は複数のAI技術の組み合わせ

42

©2017 Ridge-i All Rights Reserved.

講演時のみ

配布資料からは削除しております。

Page 43: Dll講演資料 2017616

レイヤーに応じた適切なAIの選択も重要

エッジ

クラウド

• 渋滞管理• 最適化問題

フォグ

• 衝突判断• 回避• 自動操舵

• 交差点時間調整• 緊急車両対応

クラウドコンピューティング

エッジコンピューティング

認知 判断(クラウドと通信) 行動

認知 判断 行動 事故

データ量・種類処理時間

多い・長い

少ない・短い

©2017 Ridge-i All Rights Reserved.

Page 44: Dll講演資料 2017616

NTT、LiDARでリアルタイム人物監視の検知精度を向上

44

http://techon.nikkeibp.co.jp/atcl/news/16/021706348/?n_cid=nbptec_twbn&rt=nocnt

2017/2/20 日経BP

顔認識にはパナソニック、全身像認識にはPreferred

Networksの技術(深層学習基盤「DIMo」)を活用した。両技術を利用しつつ、NTTの高速処理基盤技術で人物検知した後に人物照合や軌跡推定などを行うという。不審者の追跡監視や迷子の探索、要支援者の見守りなどに向ける。会場では、3カ所を撮影している監視カメラの映像から、対象となる人物(会場を移動している説明員)を特定し、いったん撮像範囲から外れても追跡し続けるデモを見せた。

顔認識 パナソニック

全身像認識 PFN DIMo

3次元測定 NTT LiDAR

©2017 Ridge-i All Rights Reserved.

画像は講演時のみ

配布資料からは削除しております。

Page 45: Dll講演資料 2017616

どのビジネス課題を解きたいか、そのための最適なアプローチと技術を提案します。お気軽にご連絡ください。

©2017 Ridge-i All Rights Reserved.

問い合わせ[email protected]

相談

検討開始

活用

戦略

技術

詳細検討

開発実証実験

周辺開発商品化

販売サポート

ディープラーニングの活用を提案できる人が圧倒的に不足しています!(We’re hiring!)