さまざまなデータ解析を可能にするAI

ReNom | Deep Learning

あらゆる場所でIoT化が進み、日々膨大な量のデータが収集・蓄積されています。AIは多様に存在するデータから特徴を認識し、人間が行う推論を機械に置き換え、人間では認識することができない高次元データや膨大な量のデータの中からでも解析ができます。画像や映像、センサーデータ、テキストデータなど、さまざまなデータの形にあわせ、異なる基礎技術を使い分け解析を行うことでそこから有益な情報を見出すことを可能にします。

 

画像認識

画像認識の分野では、Fast RCNNCNNSSDYOLO ・セグメンテーションなどのアルゴリズムを用いて、大量の映像データを学習させ、カメラ映像から人や交通の流れの捕捉、製造分野における画像解析を用いた部品の故障の予測、ドローンの空撮映像から物体検出、医療分野におけるレントゲンやCT画像から疾患の検出サポートなど、さまざまな分野で応用することが可能です。

 

時系列データ分析・自然言語処理

連続的な観測を経て得られた、ある現象の時間的な変化を表すデータを解析し、そのデータが持つ周期的なパターンを知ることができます。産業用機械の稼働データや、発電所の運転データなどのさまざまなデータから、時間を追って変化する現象を学習することで、確率的に次に何が起こるのかを予測し、予防保全の高度化、メンテナンスサイクルの 最適化などを実現することが可能です。また、自然言語処理分野に応用することで、過去の単語の頻出パターンなどを用いた自然言語文解析や顧客のフィードバック解析、テキストの自動生成を行うことができます。

 

ハイパーパラメーター

フレームワークを用いてDeep Neural Networkを構成する際には、中間層のユニット数や学習率などさまざまなパラメーターを決める必要がありデータサイエンティストが試行錯誤を繰り返します。ReNomでは、このハイパーパラメーターを自動探索することで、開発者の負担軽減や分析時間の短縮に貢献します。中間層のユニット数や学習率、活性化関数や勾配降下法などのさまざまなパラメーターを、グリッドサーチ、ランダムサーチ、ベイズサーチなど探索手法を指定して、ハイパーパラメーターを探索することが可能です。

 

生成モデル

機械学習や深層学習において、多くの教師データを用いた分類や回帰が多く行われていますが、生成モデルは、データの分布を学習する手法で、データ数や教師データが少ないケースでは、生成モデルが有効となります。生成モデルでは、ある特徴をもつクラスのデータが、どのような確率モデルから生成されたのかを学習します。そこからサンプリングを行うことで、元のデータの分布に従った教師データを生成することが可能です。

 

ユーティリティ

識別や予測で高い精度を実現するためには、収集した生データを分析に適した形へ加工、前処理を実施し、学習を行う必要があります。しかし、適切なデータに前処理を行うには、データサイエンティストがプログラムを個別に構築する為、多大な工数を要し分析の実施や精度向上に取り組むことが大きな課題のひとつです。ReNomには、サイエンティストの分析作業をサポートできるさまざまな前処理のユーティリティを多数実装しています。

 

アルゴリズムミックス

ReNomでは、ますます多様化、複雑化する課題に対して、単一の手法(アルゴリズム)だけでは問題を解決しきれないと考えており、課題に応じてアルゴリズムを組み合わせて使う、Algorithm Mixという概念を提唱しています。同一のフレームワーク上でさまざまなアルゴリズムを実装し、課題ごとに組み合わせることで、多様なビジネスの問題を解決できると考えています。ReNomでは、Deep Learningに加えReinforcement LearningTDATopological Data Analysis などAI開発に必要なアルゴリズムの実装を実現しています。

Page top