ディープラーニング、必要な画像データ数と種類の真実：分かったつもり？ AI画像認識

ディープラーニングを画像認識に活用するためには、学習の段階でどのようなステップを踏む必要があるのしょうか。必要な画像データ数や、画像の種類は？　具体例で説明します。

[中尾雅俊, 矢嶋 博，パナソニック ソリューションテクノロジー]

監修：中尾雅俊

パナソニック ソリューションテクノロジー AI・アナリティクス部ソリューション推進課 主事

2017年にNVIDIAとの協業を担当したことを皮切りに、AI・データ分析中心の業務を推進。初期投資や導入リスクが大きい、「人工知能の現場導入で失敗させない」活動としてセミナー講演など多数実施。受講者からは、「AIがよく理解できた」「そんなノウハウを話しても良いの」と心配されるほど。最近の趣味は実用を兼ねたDIYや果樹菜園など。

監修：矢嶋 博

パナソニック ソリューションテクノロジー　産業IoTSI部ソリューション推進課 係長

製造業向け「AI画像認識ソリューション」のSEとして、営業支援やPoC推進を担当。ソフトウェア開発からITインフラ構築まで、これまでの幅広い経験を生かし、AI画像認識システムの提案から導入、AI学習トレーニングまでを手掛けている。趣味の風景や家族写真撮影に加え、学習用画像収集をライフワークにしている。

　ディープラーニング（深層学習）は、AI画像認識のコア技術の1つです。ディープラーニングによって、AIによる画像認識の精度が飛躍的に高まったといえるでしょう。ただし、ディープラーニングに対しては、正しい認識があまり広がっておらず、過度の期待がある一方で、過小評価する論調も聞かれています。こうした傾向は、優れた技術の健全な普及と活用を阻害するもので、あまりよいこととはいえません。大切なのは、ディープラーニングで「できること」「できないこと」を正しく理解した上で、この技術を業務の生産性向上や変革にどう役立てるべきかを考えることです。

　そこで本連載では、3回に分けて、ディープラーニングの「真実」をありのままにお伝えしています。明らかにしているディープラーニングの真実は下記の3点です。

	3つの真実
真実その1	課題によっては、ディープラーニングを使わないほうがよい領域がある
真実その2	ディープラーニングの頭脳を育てるには相当の労力がいる
真実その3	画像認識だけでは、製造ラインの完全自動化は難しい

　前回は、ディープラーニングの基礎的な理解を深めていただくとともに、「課題によっては、ディープラーニングを使わないほうがよい領域がある」という真実について解説しました。今回は、「ディープラーニングの頭脳を育てるには相当の労力がいる」ついて解説します。