IT業界のすみっこ暮らし

ふと気がついたときの記録

【Deep Learning Lab コミュニティ イベント 第2回】に参加してきました。

Deep Learning Lab コミュニティ イベント 第2回」に参加してきました。
先月6/19に参加したイベントに続いて2回目のイベントです。 dllab.connpass.com

pie001.hatenablog.com

f:id:papamau:20170725143451j:plain:w400

タイムテーブル

時間 セッションテーマ 登壇者
15:05 オープニング 日本マイクロソフト株式会社
15:05-15:25 PFN 深層学習事例紹介、PFN/MSアライアンス テクノロジーアップデート
株式会社Preferred Networks エンジニア 渡部創史
15:25-15:45 機械学習・深層学習 コンサルティング事例セッション 日本マイクロソフト株式会社 アーキテクト 早川武志
15:45-15:55 NVIDIA Guest Session エヌビディア合同会社 エンタープライズマーケティング 佐々木邦
15:55-16:15 実用としての深層学習 ~深層学習の利用事例と展望~ 株式会社UEI 代表取締役社長兼CEO 清水亮
16:15-16:35 深層学習の導入で抱える課題とユースケース実例 株式会社Ridge-i 代表取締役社長 柳原尚史
16:35-16:50 トレーニング展開アップデート、学生インターンシッププログラムのご紹介 日本マイクロソフト株式会社 深層学習 事業開発マネージャー 廣野淳平
16:50-18:00 懇親会

個人的な感想としては前回のキックオフと一部の内容が重複していたのは残念だと思いましたが、今回の参加が初めての方も多かったので仕方ないと思いました。内容全般では株式会社UEIと株式会社Ridge-iのプレゼンがかなり興味深かったです。特にビックデータあるあるには笑いました。

今回は前回に比べてNVIDIA社も参加して、インフラ環境に関しても軽いですが触れたのはとても良かったです。必要なときのみクラウド環境のGPUを使う等の発想も新鮮でした。

dllab.connpass.com

Deep Learning Lab コミュニティ イベント 第3回」は9/4(月)に開かれるらしいですが、同じ週のPyCon JP 2017 - connpassに参加するため、今回は見送ることにしました(PyCon JP 2017と同じ週なのを知らずに申し込みしてしまい、止むを得ずキャンセル…)。第4回ももちろんあると思うので、そのときは参加したいと思います。


最後に

f:id:papamau:20170725212418j:plain:w300

今回は思い切って懇親会に参加したら…なんとジャンケンに勝って人数限定のイベントTシャツをもらいました!やったー!?みんなとペアルックだ!?おかげでちょっとテンションが上がりましたw主催の方々ありがとうございます(*´∀人)

追記 20170802

発表のうち、印象深かったプレゼン内容をまとめてみたので、追記。

『深層学習の導入で抱える課題とユースケース実例』

1、AI導入の流れと課題
  • AI導入の流れとボトルネック
     現在は人材不足が AI導入を阻む最大のボトルネック。導入完了までの道のりが長い。

  • 「AI」という言葉の曖昧さ
     「自然言語解析」、「機械学習」、「統計解析」どれでもAIである。

  • ディープラーニングのパターン
     万能モデルは存在しない!目的に応じて選ぶ必要がある。

  • ニーズとシーズのギャップ

    • 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
2、AI導入ケースと課題
  • 某社が進めている案件と相談例
    • 自社製造の運搬機器を映像で検出して動線解析を行いたい
    • 白黒映像の彩色作業の手間が多く、AIで何かできないか
    • 焼却炉の運転をAIで自動化したい
    • 損害保険会社での事故査定にAIを活かしたい
    • 徘徊老人をAIで探したい
      相談内容は玉石混合!きちんとしたヒアリングとコンサルで見極めが重要!
      効果が見込めない案件は早めの見切りも重要!
3、損害額 査定AI「ビックデータあるある」
  • ビックデータ活用あるある

    • 車の損害状況・損害額を画像から見積りたい
    • 「いまあるビッグデータを使ってほしい」
  • ビックデータあるある その1

    • データがそもそも不整形(画像の縦横比率もバラバラ)
    • 対象物体が映っているアングルが揃っていない
    • 対象物体以外に色々映りすぎ
    • 顧客データのマスキング、セキュリティ確保
      データはそのまま使えない!教師データを抜き出すだけで一つのプロジェクトになる。
  • ビックデータあるある その2

    • 正解ラベルに大きな偏り
    • 画像と正解ラベルが一致していない
    • 同じ画像でも、作業者、画像外要因で結果が違うことも
      入力データにモデル構築するのに十分な情報が入っていない場合が多い。
      現状の誤った出力に、モデルをあわせる、という本末転倒なケースもある。
  • まとめ

    • いまあるデータに拘らない柔軟な姿勢
    • 機械学習ディープラーニングを活用しやすいデータを貯めよう
    • 将来の競争優位のために早めのデータマネージメント戦略が重要
4、「シーズよりニーズ」
  • いい技術でも、ニーズ側の活用イメージがわかないと意味がない!
  • ニーズの絞り込み と 機能特化は サービスの基本
  • 100%の精度を求められる案件より、プラスアルファの効果が評価されるニーズがよし
  • 教えてみせ、モデルとUIまで用意してみせ、POCやってみせ、初めてユーザーはAIをわかってくれます。「山本五十六
5、最後に
『きちんとテーラーメードしていきましょう』
  • 適切なニーズで光るシーズ
  • いまあるデータ+これからためるデータ
  • 目的に沿ったカスタマイズと評価
     この辺りをスキップできる、汎用AI はありません!

以上