AIの進歩が目覚ましい今日では、複雑な判断を要する処理がAIによって自動化・効率化されつつあります。
しかしながら、一口にAIと言っても得意とする処理や動作環境は様々です。
メタテクノは、AIが対象とする様々な分野の中でも特に高い性能を発揮しつつある
画像・映像を対象としたAI の開発に取り組んでいます。


また、近年はビッグデータ活用をはじめとして、収集した多種多様なデータをビジネスに利用する動きが活発になっています。
IoTサービスや各種クラウドサービスの充実によりデータ収集が容易になっている反面、
集めたデータを利用しきれていないというケースが見受けられます。
メタテクノは、時系列データを題材とした データ分析クラスタリング にも取り組んでいます。

AI

メタテクノのAI技術

メタテクノでは、以下を重視したAIの開発に取り組んでいます。

メタテクノの強み

画像を対象としたAI技術

メタテクノでは、開発実績でもご紹介する 信号機カメラ をはじめとして、画像や映像を対象としたAIの開発に取り組んでいます。
主に 画像分類 / 物体検出 / セグメンテーション を対象としています。

画像分類
画像分類

画像内の 物体の種類 を推定する技術です。
例に挙げたような犬種の判別や、手書きの文字の種類を判別する、人の顔画像から性別を判定するといった技術に応用されます。

物体検出
物体検出

画像内の 物体の位置と種類 を同時に推定する技術です。
画像分類と比較して、物体の位置を推定するというタスクが加わるため難易度が高くなります。

信号機カメラ では信号機の位置と信号機の色(青/赤/黄)の推定に物体検出の技術が応用されています。
他にも、人の顔の検出や工場検査における欠陥品/不良品の検出などにも応用されています。

セグメンテーション
セグメンテーション

画像内の 物体のピクセル単位の領域と種類 を同時に推定する技術です。
物体検出と比較して、ピクセル単位での位置を推定するため更に難易度が高くなります。
例に挙げたような人の部位の判別や、車載映像から道路/人/車などの判別、製品の傷の判別といった技術に応用されます。

技術要素

転移学習

転移学習は、学習済みのモデルを再利用してAIの開発を行う手法です。
例えば弊社で開発した犬種判別AIモデルを、猫種判別AIモデルに適用することができます。

転移学習

この手法を適用することで、1から学習を行う場合と比較して必要な教師データを減らすことができます。
開発対象AIの実現性を見極めるためのファーストステップとして採用しやすい手法です。

ネットワーク不要でセキュアなシステム

クラウドサービスの充実により、近年は既成のAIを各種デバイスに組み込むことが容易になりつつあります。
一方で、画像を対象としたAIにはカメラで撮影した画像や映像を入力する必要があり、
セキュリティやプライバシーの問題からクラウドサービスを活用できないケースがあります。

このようなケースでは、エッジデバイスやモバイル端末上ですべての処理が完結することが望ましく、
クラウドサービスに頼らないAIが重要となります。
メタテクノは上記のニーズを満たすAIの開発にも取り組んでいます。


セキュアなシステム

スマートフォン上でリアルタイム解析

AIに適用される技術の一つとして、ディープラーニングと呼ばれる手法があります。
弊社が開発するAIも基本的にディープラーニングをベースとしています。
ディープラーニングを活用したAIは、特に画像を対象とした分野で近年高い精度が得られていますが、
計算コストが高くエッジデバイスやモバイル端末上で動作させることが難しいケースがあります。

メタテクノが開発した信号機検出AIは iOSデバイス上でリアルタイムに信号機の位置と色を推定することができます。


リアルタイム解析

開発事例:信号機カメラ

概要

信号機検出に特化した物体検出AIが スマートフォンカメラで撮影した映像から
歩行者用および車両用信号機の位置と色を検出します


信号機カメラ

特徴


信号機カメラ特徴

データ分析

メタテクノのデータ分析

メタテクノは、時系列データを対象としたデータ分析に取り組んでいます。
時系列データは一定間隔で観測して得られたデータで、気温の推移や株式の価格推移、音声データなどが例として挙げられます。

弊社で実施した分析および予測モデル開発の実績概要をご紹介します。

開発事例: 来客者数予測

概要

日毎に集計した来客者数を時系列データとして分析します。
分析結果と様々なデータを組み合わせることにより、来客者数データを予測する機械学習モデルを開発しました。

来客者数予測

過去の来客者数データ(約2年分)を用いて作成した機械学習モデルの予測結果(緑実線)と、
実際に店舗を訪れた来客者数データ(赤実線)を比較した結果を上の折れ線グラフに示しました。
過去の来客者数データが持つ傾向を予測モデルに学習させることで、予測結果に反映されていることが分かります。

データ予測の流れ

  1. まずはデータを収集しましょう
  2. 「雨の日は来客者数が減少しそう」「祝日は来客者数が増加しそう」といった仮説や過去の経験則を踏まえて関連データを洗い出します。
    過去の一定期間の来客者数データと、洗い出した関連データを収集します。

    来客者数予測フロー

  3. 集めたデータから予測に使うデータを抽出します
  4. 来客者数データと関連データの相関を分析し、来客者数データに対して影響度が高いデータを抽出します。
    この分析によって、1. で立てた仮設の尤もらしさをある程度評価することができます。

    来客者数予測フロー

  5. 影響度の高いデータを組み合わせて時系列分析を行います
  6. 来客者数の予測を行うだけでなく、長期的なトレンドやデータの周期性の分析を行うことも可能です。

    来客者数予測フロー

上記の分析を行うことにより、経験則では把握できなかったデータの傾向が見えてくることがあります。
仮説をアップデートして、新たな関連データを加えて繰り返し分析を実施することによって、予測精度を向上を目指します。

クラスタリング

メタテクノのクラスタリング

メタテクノでは、K平均法を使用したクラスタリングも行っています。
弊社で実施したクラスタリングの実績として歩行姿勢改善サービスがあります。

AI/機械学習/データ分析/クラスタリングに関するお問い合わせ

弊社へのお問い合わせについてはこちらをご覧ください。