どのような業務上の課題を解決してくれますか？

• 大量に採取した画像の分布などの全体像を簡単に理解する方法が無く、一枚ずつ表示して目視確認するしかない
• 大量の画像データの中から学習用にラベリングする画像を選択するのに工数がかかりすぎる
• 学習用の画像は冗長性や偏りが無く多様性があるものが望ましいが、目視と手作業ではミスやばらつきが多くてやりきれない
• 学習用画像データを整理し、自社のラベリングツールに入力したり、ラベリング外注先にデータ転送したりするだけでも手間と時間がかかる

自己教師あり学習によるエンベッディングで
画像データを2D表示

画像AIの機械学習に用いるデータは、画像やビデオ映像などのいわゆる非構造化データです。機械学習モデルの性能を確保するには高品質のデータが大量に必要であり、学習の前にそのデータの質をよく理解しておく必要があります。しかし、それらは一つずつ開いて見てみないとその内容を理解することはできません。Lightlyは、自己教師あり学習技術を用いてベクトル化した画像データをエンベッディングし、2D散布図上に類似画像どうしは近くに、異なる画像は遠くに配置してプロット表示します。これにより、いかに大量の画像データセットでもラベリングをおこなう事なく、画像の偏り具合やクラスタの配置などを一目で理解することができます。

独自手法により学習に有用な画像データを自動サンプリング

機械学習モデルの完成度を高めるには、モデルの性能向上に寄与するデータを過不足なく用意する必要があります。データ量は多ければ良いというものではなく、特性に偏りがなく、多様性があり、できればまだ不確実でそれを学習することでモデル精度が改善され易いデータであることが望ましいのです。Lightlyは、エンベッディング空間でのサンプル間の距離をもとにした多様性サンプリング手法や、能動学習結果情報にもとづく不確実性を考慮したサンプリング手法によって、機械学習のモデル精度向上に有用なデータを自動的に選定することができます。

Dockerクライアントで動作
～充実のAPIで既存システムに容易に統合可能〜
膨大な数の画像データセットによる学習プロセスでの
オーバーフィッティングを大幅に削減

機械学習モデルの開発環境は劇的に拡大し進化を続け、高度に専門化したプレーヤーやツールがより多く関係するようになってきたために、その間を繋ぐデータパイプラインは複雑化する一方です。収集した学習用画像データを整理して、自社のラベリングツールに入力したり、ラベリング外注先にそのデータ転送したりするだけでも大変な手間と時間がかかります。LightlyはAPIを豊富に備え、主要ラベリングツール用入力ファイルの自動生成も出来ると共に、Dockerクライアントで動作させられるため、既存のシステムに容易に統合できます。
画像認識AIの精度向上には、データセントリックのアプローチの重要度がますます高まって来ています。Lightlyのソリューションは、これからの機械学習ライフサイクル全体を通じ、データを中心としたMLOpsを加速します。

担当者の声

良いラベルを持つことが重要なのか、多様な画像を持つことが重要なのか、システムを学習させるためにラベル付けされた多様な画像を持つことが重要なのか？また、どれだけのデータが必要なのかは難しい点です。そして、現在のAI開発においてどれだけのラベル付けが必要なのかの判断も難しく、多くの場合ではデータの1％未満しかラベル付けされていないという現状が有ります。ラベル付けとモデルの改良のために、必要なデータのサブセットを選択しフィードバック・ループを実現することで、ラベル付けのデータ品質を画期的に高め、コストを抑えることが実現出来ます。この画期的な技術を日本のAI開発の方々に今後ご活用いただきたいです。