新世代人工知能SDL(Self-discipline Learning)とは

確率分布を取り込む

少ないデータで正確な解

小規模のハードウェアで処理可能

世界を変える、新世代人工知能

プロの眼力を持つ軽量AI

AI(人工知能)の現状:深層学習(Deep Learning)

2012
Hintonらは、ImageNetデータセットを利用したILSVRCコンペにて、「深層学習」ベースの手法で優勝して、世界中の注目を集めました。
2017
しかし、「深層学習」ベースの手法を活用するには、事前に人手によって大量なデータをラベル付けする作業が必要で、また膨大なGPUハードウェアのサポートが必要です。

Hinton本人は、以下の2つの理由でこのモデルの普及を諦めざるを得ないと発表しました。

  1. 世の中で皆に批判された深層学習のデータの組み合せ学習はNP問題により最適化ができないから。
  2. 救済策としたSGD手法(%)も局所最適化しか出来ない為ブラックボックスの問題を改善できないから。

深層学習の応用効果の分析

画像認識は、複数の特徴量(多次元空間)で表現されるデータベースの中から、対象物がどのデータに一番近いかを判断する技術です。

元の目的関数の複数の特徴ベクトル(多次元空間) との間での距離関係を示す図。

深層学習の中間層の数を増やすことにより元の目的関数の複数の特徴ベクトル(多次元空間) との間での距離が長くなります。

SDL(Self-discipline Learning)モデルの特徴

確率論を導入した簡略構成

3層構造の新しいニュートラルネット

完全なる機械学習

人手を必要としない機械学習を実現

少量データでも認識可能

確率論ならではの少量データでの稼働

深層学習(Deep Learning)とSDLの比較

比較内容 深層学習 SDLモデル
モデルの種類 目的関数の写像 目的関数の確率分布
訓練データ数 数百万以上 数十個以内
ラベル作業 必要なのでコスト高 不要
データ数 データ集合数は数千個以内 特徴値の数は数億個以上可能
深く処理する方法 中間層をたくさんに増やす ノートの数を横に増やす
システム計算複雑度 O(nn) o(n2)
ブラックボックス問題 避けられない なし
ハードウェア規模 大規模 小規模

SDLモデルの応用

自動運転制御への応用

自動運転に関する制御のNP問題を避けるため、SDLモデルを導入して人間の運転知識を機械に教えることは、唯一実現可能な方法であります。

自動運転の画像認識応用

車線認識への応用により、雨や雪が降る悪い天候でも正確的に認識ができます。

3Dの距離画像に対して、移動中の障害物を認識の対象として、従来のアルゴリズムより簡単に最適な判断を得ることができます。

車の自動運転で応用した画像認識や自動制御を用いてAGV (無人搬送車)に転用できます。
工場内のDXに有効です。

建築物壁面損傷の検出、良否判定

ヒビ割れや剥がれの特徴を人気視することで検出することができます。プロが判断する画像特徴量を画像処理にて抽出し、入力層に入れ、サンプル画像を自動学習して、中間層に確率分布データを蓄積します。これによって良否判定も可能です。

白線認識で走るバス

決められたコースに白線を施し、白線認識を主とした画像認識を使い、夜間や雨など見通しが悪いときも認識できる技術に特化します。決まったコースを遅いスピードで走行します。

高齢者やの足として鉄道や路線バスが撤退するような地域の交通網の役割が期待できます。また、電気バスでこの技術を採用することで、エコフレンドリーを実現し、将来電気自動車がガソリン車にとってかわることを見越して、電気バスとAIの組み合わせにより日本の基幹産業とすることをめざします。

SDLモデルの開発プロセス

1. プロの眼力の組み込み

  • プロの判断基準(特徴抽出)を全て言葉で記述する
  • 判断基準を画像処理及び算術式に置き換える
  • サンプル画像を用いて上記演算が妥当かを検証する

2. プログラムの作成

3. パラメータの設定

  • プログラムにサンプル画像を入力し、所望の出力が得られる様にパラメータを調整する

4. 稼動させながらのレベルアップ

  • 新しい画像を入力して所望の出力が得られない場合は新規特徴量の追加やパラメータの調整を検討して行く

開発者の研究履歴

岸上 蒼(きしがみ あおい)

日本国籍取得
旧名 顧 澤蒼(こ たくそう)

株式会社アポロジャパン (Apollo Japan Co. LTD.)
最高技術責任者 (CTO)
工学博士 (Ph.D.)

  • 大阪府立大学情報処理過程終了 工学博士
  • 日本人工知能学会(JSAI)正会員(JJSAI)
  • 南開大学教授
  • 中国科学院客員研究員
  • 中国新世代人工知能専門委員会主任

8歳のときにスピーカーなしの万年筆型のラジオを作る。

10歳でジャンク部品を集めトランジスタラジオを作り28元で販売 (当時の一月分の給与相当にあたり家族はこれで春節のご馳走を購入できた) 11歳で真空管テレビを作る。文化大革命のため、15歳で計測機器会社に 入社し工作機械などを製作する。

その後天津市新華大学(夜間)で学ぶ。 最終学歴:大阪府立大学博士課程終了 博士号取得

1991-1993年
大規模集積回路の多目的最適組合せ問題を解決するために「ファジィ事象確率理論」を提案。
1994-1999年
ニューラルネットワークに対抗して「確率尺度自己組織化」の機械学習理論を発明し、パターン認識の分野で多くのアプリケーションに利用した。文字認識や音声認識への応用。
2000-2014年
「二次元コードのステルス構造」を開発し、「画像から二次元コードへの直接変換」と「空間距離の確率の定義」のITCアルゴリズムを提案した。スクリーンコード開発。
2014-2019年
複数の『確率尺度自己組織化』を組み合わせた「超深層学習モデル」を提案した。自動運転 建物画像劣化に着手。

お問い合わせ

お電話でのお問い合わせ

TEL : 093-647-0081

〒808-0135
福岡県北九州市若松区ひびきの1−8
北九州学術研究都市 事業化支援センター305号
FAX 093-647-0082

メールでのお問い合わせ