東工大発AIベンチャーであるSOINN株式会社は、エネルギー需要予測AI「E-1F」と超軽量・高精度な画像認識・外観検査AI「Switch Vision®️Light」のインターネット販売を開始した。
SOINN株式会社は、今後販売するAIの種類や機能を拡充し、当社事業の第2の柱に育てる計画としており、Eコマースの強みを活かし、海外展開も視野に入れている。
「E-1F」は、予測対象のエネルギー需要に関する実績データと、予測対象が位置する地域の気象データの双方から自動で学習し、以下の機能を発揮する超軽量AI。大規模エネルギー管理システム向けAIとして商用実績のある「E-1」の、エネルギー需要予測機能を
上記の2点において、コンパクトにまとめた。
「E-1F」はインターネットに接続された市販PCで初期学習から自動での運用が可能（CPU使用、GPU不使用）。学習や予測に用いる気象データも、ネットから自動でダウンロードする。
エネルギー需要予測の実行画面例
電力実績データの変動に対する追従性の評価結果
Switch Vision®️ Lightは、膨大な学習データや演算を必要としない現場で「使える」画像認識・外観検査AI。
上記、3つの学習・推論方式から選択可能となっている。
最も工数のかかる最初期の学習・調整は、SOINNがユーザーのデータを使って無償で行うことが可能。SOINNにデータの開示が困難な場合、最初期からユーザーが調整することもできる。ユーザーは、手持ちのデータに対してSwitch Vision®️Lightがどの程度有効か、機能・性能・使い勝手を無償で確認した後、有償ライセンスへの移行可否を判断できる。Switch Vision®️Lightの無償トライアル運用も可能。
Switch Vision®️ Lightの利用に、AIの専門知識は不要。このため、例えばパート検査員が現場設置の市販PCでSwitch Vision®️ Lightを直接調整して学習させ、運用するといったことも可能となっている。
Deep Learningとの比較では、超軽量教師あり学習によって同等レベルの精度を得る場合、学習画像の枚数、ハードウエアのコスト、学習時間のいずれも1/50～1/100が期待できる。
学習時間を比較すると、
となっている。
以下の動画は、超軽量教師あり学習時の「Switch Vision®️Light」インタフェースの運用例である。
動画のように、Switch Vision®️LightではAIが何をどう学習したのか確認しつつ、「1. 初期学習」、「2. ラベル調整と再学習」、「3. 追加学習」などが可能。
一般にOK／NGの識別では、OK／NGの境界付近のデータが最も重要になる。
Switch Vision®️Lightでは「AIの頭の中身」を透かして見ることができ、OK／NGの境界がどこにあり、その近辺にどのような画像が来ているかが一目瞭然。そこで境界付近の画像を集中的に追加することで、非常に効率的に精度の向上が図れる。
上記の学習過程の確認、ピンポイントでのデータの追加、OK／NGのラベル調整、再学習などの一連のプロセスは、原則全て、ユーザー自身が持っている市販PC（GPUなし）で実行可能。調整のたびにSOINNに発注。コストや時間を要することはない。
超軽量教師あり学習
良品学習
半教師あり能動学習
SV-L 実行画面例
プレスリリース
https://www.atpress.ne.jp/news/292509
SOINN株式会社は、今後販売するAIの種類や機能を拡充し、当社事業の第2の柱に育てる計画としており、Eコマースの強みを活かし、海外展開も視野に入れている。
エネルギー需要予測AI「E-1F」
「E-1F」は、予測対象のエネルギー需要に関する実績データと、予測対象が位置する地域の気象データの双方から自動で学習し、以下の機能を発揮する超軽量AI。大規模エネルギー管理システム向けAIとして商用実績のある「E-1」の、エネルギー需要予測機能を
- 気象予報に基づく将来のエネルギー需要の予測
- 予測値と実績値のズレに基づく異常や異常の兆候の検知
上記の2点において、コンパクトにまとめた。
「E-1F」はインターネットに接続された市販PCで初期学習から自動での運用が可能（CPU使用、GPU不使用）。学習や予測に用いる気象データも、ネットから自動でダウンロードする。
E-1F デモ動画
エネルギー需要予測の実行画面例電力実績データの変動に対する追従性の評価結果Switch Vision®️ Light「SV-L」
Switch Vision®️ Lightは、膨大な学習データや演算を必要としない現場で「使える」画像認識・外観検査AI。
- 超軽量教師あり学習
- 良品学習
- 半教師あり能動学習
上記、3つの学習・推論方式から選択可能となっている。
最も工数のかかる最初期の学習・調整は、SOINNがユーザーのデータを使って無償で行うことが可能。SOINNにデータの開示が困難な場合、最初期からユーザーが調整することもできる。ユーザーは、手持ちのデータに対してSwitch Vision®️Lightがどの程度有効か、機能・性能・使い勝手を無償で確認した後、有償ライセンスへの移行可否を判断できる。Switch Vision®️Lightの無償トライアル運用も可能。
Switch Vision®️ Lightの利用に、AIの専門知識は不要。このため、例えばパート検査員が現場設置の市販PCでSwitch Vision®️ Lightを直接調整して学習させ、運用するといったことも可能となっている。
Deep Learningとの比較では、超軽量教師あり学習によって同等レベルの精度を得る場合、学習画像の枚数、ハードウエアのコスト、学習時間のいずれも1/50～1/100が期待できる。
学習時間を比較すると、
- Deep Learning：GPU使用で約10時間
- Switch Vision®️ Light：市販PCのCPUで数分
となっている。
AIの可視化・編集インタフェースで圧倒的な使いやすさ
以下の動画は、超軽量教師あり学習時の「Switch Vision®️Light」インタフェースの運用例である。
動画のように、Switch Vision®️LightではAIが何をどう学習したのか確認しつつ、「1. 初期学習」、「2. ラベル調整と再学習」、「3. 追加学習」などが可能。
一般にOK／NGの識別では、OK／NGの境界付近のデータが最も重要になる。
Switch Vision®️Lightでは「AIの頭の中身」を透かして見ることができ、OK／NGの境界がどこにあり、その近辺にどのような画像が来ているかが一目瞭然。そこで境界付近の画像を集中的に追加することで、非常に効率的に精度の向上が図れる。
上記の学習過程の確認、ピンポイントでのデータの追加、OK／NGのラベル調整、再学習などの一連のプロセスは、原則全て、ユーザー自身が持っている市販PC（GPUなし）で実行可能。調整のたびにSOINNに発注。コストや時間を要することはない。
Switch Vision®️Lightの適用例
超軽量教師あり学習
- 食品パック工場の不良品外観検査
- これまでは現場作業員が数万枚の学習画像をラベル付けしていた
- 高性能マシンを使いDeep Learningで10時間以上をかけてモデル作成
- 現在は数百枚のOK／NG画像を現場のノートPCで直接調整・学習させ同等性能に到達
良品学習
- ペットボトル製品の不良品外観検査
- Deep Learning系の企業で対応できないと言われたタスク
- 無償トライアルでOK／NG識別、不良個所ヒートマップ機能を確認
- 円筒状の製品でも全方向を一括学習
- ボトルの形状や色、ラベルデザインの変更にも良品を与えるだけで対応可
- 学習は市販ノートPCのCPUで数十秒程度
- 学習後は直ちに検査業務に投入可
半教師あり能動学習
- ベルトコンベア上のカット食品の不良品外観検査
- OK／NGが混ざった状態の映像をSwitch Vision(R) Lightに投入
- 自動解析によりOK／NGの候補をインタフェース上に提示
- 提示された20個程度の候補にラベル付けするだけで教師あり学習を実施、速やかに高精度に到達
- 未知対象を検出・通知し、新規ラベルの付与を促すことが可能
- 学習は市販ノートPCのCPUで数十秒程度
SV-L 実行画面例プレスリリース
https://www.atpress.ne.jp/news/292509
WRITTEN by
-
AI Start Lab 編集部
-
AI Start Lab 編集部
-
AI Start Lab 編集部
-
AI Start Lab 編集部
-
AI Start Lab 編集部
-
PR 株式会社オプティム
-
PR 株式会社オプティム
AIのビジネス活用に関する
最新情報をお届け
