警備も農業も不良品検出も…画像認識の利用拡大が止まらない

AIベンチャー、新価値提案

 画像認識の応用が広がっている。画像は人工知能(AI)技術の中でも先行して実用化が進む。米グーグルやインテルなどの提供品に加えて、オープンソースを含めると有料無料の認識AIモジュールが広く提供されている。そのため認識機能だけでは差別化しにくく、データの収集や再学習の仕組みをビジネスモデルに深く組み込む必要がある。AIベンチャーなどの開発動向を追った。(取材・小寺貴之)  「データを大量に集めて大きなモデルに学習させればいいわけではない。精通した者が用意すれば少ないデータと小さなモデルで精度をだせる」とトリプルアイズ(東京都千代田区)の森里直博イノベーション部担当部長は強調する。データ量やモデルの大きさはAIの開発コストに直結する。同社は飲食店や小売店などで来店客を数える画像認識AIを提供する。来店客の顔を撮り、年齢や性別を推定する。表情から感情、来店頻度からリピター率を特定する。万引犯を登録すれば来店時にアラートを出せる。森里部長は「バーなどの暗い空間でも識別できた」と胸を張る。  店舗ではデータを顔の識別に使う特徴量データとして保管する。画像とは違い、人間が特徴量データを見ても何のデータかわからない。松本浩敬執行役員は「まず顧客属性を可視化する目的で導入する店が多い。その後、万引犯などのブラックリストを系列店で共有するなど機能を追加していく」と話す。開発コストを抑えて導入ハードルを下げ、その後の機能拡張に向けユーザーを囲い込む。  KB―eye(山梨県昭和町)は画像認識AIを使った警備の省人化を提案する。道路工事の交通誘導ではカメラで車両や通行人を検出して警備員に無線で状況を知らせる。警備員の死角をAIで補う。  警備会社にとっては人手不足の対応策になる。警備業務を発注する建設工事会社にとっては、工事を発注する自治体からの評価につながる。競争入札ではAI導入に加点されることがある。  駐車場や雑踏の警備では通行者や車両を数えて交通量調査を兼ねることも可能だ。同社の橘田孝一共同代表は「警備の効率化と新しい価値提案の両方ができる」と胸を張る。  同社は警備会社のタスクマスター(山梨県甲州市)とウェブ制作のホワイトボード(同昭和町)の共同出資会社だ。システムは建設器具レンタルなどからの引き合いが多いが、橘田代表は「建設会社が使うと警備のコスト削減の道具になってしまう。警備会社に提供し、警備会社の武器としたい」と話す。  AIの認識対象は人間には限らない。NTTデータCCS(東京都品川区)は稲穂の生育段階を識別するAIを開発した。開発者の岩沢紀生スタートアップ推進室課長代理はもともと農業・食品産業技術総合研究機構や県の農業試験場の研究者だった。実際に試験圃でコシヒカリを育てて、画像データと生育段階を結びつけた学習データを作成した。  農家が田んぼをスマートフォンで撮影すると、画像認識AIが幼穂分化期や減数分裂期などの生育段階を推定する。この生育段階での施肥が米の収量や風味を大きく左右する。約1週間以内に施肥をする必要があるが、AIの推定精度は前後1日。岩沢課長代理は「コシヒカリで要求精度は満たせた。次は地域や品種を広げるために全国からデータを集めたい」と話す。  農家は画像データだけ持っていても価値は生まない。そのためデータ提供に前向きな農家は少なくない。ただ一年を通した確かなデータを集める必要がある。育成推定サービスを無料で提供すると利用者も気軽に辞めてしまい、データの信頼性が落ちる可能性がある。データと引き換えにサービス料を割り引くなど、さまざまな連携モデルを描く。岩沢課長代理は「技術はある。ユーザーから確かなデータを集め、かつビジネスとして成立させる部分が一番難しい」と明かす。  一般に、学習用のデータを集めた時点から環境や条件が変わり、データが現状と合わなくなるとAIの識別精度は落ちる。そのため導入後も学習用データを集め続けて再学習する必要がある。継続的にユーザーの協力の元で更新するか、ユーザー自身に更新させる必要があった。  一方で優秀なAI技術者は数が限られるため、システムを手離れよく設計しないと業界に行き渡らない。そこでプリファードネットワークス(PFN、東京都千代田区)は少ないデータで工業製品の不良を見つける画像検査AIを開発した。良品100枚、不良品20枚程度の画像を学習させれば機能する。  少ないデータでも識別できるのは、事前に検査に向くモデルを構築してあるためだ。開発した斎藤真樹リサーチャーは「表面の傷など、微細な違いを判別できるように訓練した」と説明する。これに検査対象の良品と不良品の画像を追加で学習させると金属部品のひっかき傷や、カーペットの小さなシミなどを識別できる。  良・不良の判定に加え、不良と判定する根拠部分を画像に表示できる点が特徴だ。AIが傷やバリを不良と判定すれば、そこを赤く示す。この根拠表示機能があると、現場の「カイゼン活動」に使いやすい。改善の結果、目的の不良が減ったか確認できる。改善に加えて、材料や加工条件などを変更した際の不良の発生原理の変化を捉えやすくなる。  現行法は不良の発生原理ごとに評価ルールを決めて判定するが、新しい異常や一定の形にならない不良は難しかった。同社の河合圭悟ビジネス開発担当は「ルールベースの検査と組み合わせると、より理解が深まる」と説明する。外観検査はAIが識別したら終わりでなく、そこから原因究明とカイゼン活動が始まる。改善に資する機能は必須だった。  画像認識の機能単体はコモディティー化しつつある。そのためカメラ自体が苦手とする暗所での画像認識や、警備AIのような受発注の力関係、農家とのユーザーデータのシェア、識別後の改善への活用など、識別機能に何を加えるかがビジネスの成否を分ける。

続きを読む

関連する記事はこちら

特集