ディープラーニング活用事例

業種や会社名・フリーワードで探す

 

全46件

自動車等に使われる部品の不良品検知をディープラーニングで実現。
・判断基準の明文化が難しい外観検査の工程に、ディープラーニングによる画像認識技術を活用。「ベベルギヤ」「溶接ギヤ」という部品の不良品検知から始まり、今では多種多様な自動車部品の検査に適用している。
・開発した不良品検知技術、及びその技術を搭載した検査設備は、武蔵精密工業向けだけ
ではなく、他社への提供も行っている。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・「読者からの新聞販売店の連絡先に関する電話問い合わせ」に対して、音声対話エンジンによる自動応答機能を提供(注)。
(注)「BEDORE Voice Conversation」を採用。BEDOREが持つディープラーニングと日本語固有の自然言語処理技術を組み合わせたアルゴリズムを電話による音声対話に活用。
・特定要件の対応のみ、入電数をコントロールしながら小規模に検証を開始し、 徐々に範囲を拡大する方法を採用。約2 ヶ月間の検証の結果、自動応答完結率が70% 以上を安定的に記録することを確認。
・上記結果を受け、自動応答の対応範囲を広め、本格的な運用を開始。定型的な問い合わせを自動応答することで、電話による問い合わせ全体の2 割程度を自動応答で完結できる見込み(これにより、オペレーターが本来専念すべき問い合わせに対して、より集中できる環境を創出)。
・自動応答では対応しきれなかった問い合わせについては、オペレーターに連携し、有人対応できる仕組みを持つ。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・ディープラーニングを活用した「体外受精治療成功率」向上に向けた取り組み。
・Virtus Health(生殖補助サービスの世界的なプロバイダー)にて採用済み。
・“どの胚候補を移植すれば成功率が高くなるか”という評価支援の用途で活用。
・1万以上のヒトの胚から得られたデータセットを使い、ディープラーニングモデルへのトレーニングを実施。
・“どの胚が心拍を持つように発育するのか”を93%の精度で予測(注)。医師間での 評価の不一致を減らすことにより、胚の選択を標準化できるようになることを目指す。
(注)参照:https://academic.oup.com/humrep/article/34/6/1011/5491340

出典:「G検定公式テキスト第2版」読者WEB特典(翔泳社・2021年)より
・予防ヘルスケア観点において、栄養は非常に大事な要素。
・しかし、栄養管理のためにユーザーが食事内容を手で入力するのは非常に大変。
・そこで、ユーザーが食事内容の記録にかかる時間を短縮できるように、ヘルスケアプラットフォームアプリ上で、ディープラーニング学習を利用した食事画像認識機能を提供(1 枚の画像で複数品数を認識することが可能)。
・機能リリース後、食事画像投稿率が上昇し、結果、1 日数万件の投稿が行われる状態に。
・「食事カロリー推定」への取り組みも実施。管理栄養士が計算した結果と比較し、平均± 3% の誤差で推定可能に。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・皮脂RNAモニタリング技術(注)の実用化に向けたプロジェクト。
(注)皮脂RNAモニタリング技術:日々変動する体内状態を反映するRNAを皮脂から単離し、分 析する技術。あぶらとりフィルムで皮脂を採取するという非侵襲性の(体に負担の少ない) 試験で約13,000種類のRNA発現量を得ることができる。
・これまでの肌測定・解析技術では把握できなかった肌内部の状態を知ることや、 将来の肌ダメージのリスク評価や、さらに遺伝情報をもとにパーソナライズされ た美容アドバイスやスキンケアを提供することで、肌状態の改善・予防への道が 拓けることが期待される。
・皮脂RNAモニタリング技術で、1人あたり約13,000種類のRNAを抽出し、RNA 発現量を測定。あわせて肌や健康状態のデータを取得。
・機械学習・深層学習技術によって皮脂RNA発現データ等を学習し、肌、皮膚、体 内の因子状態を推定する予測モデルの構築を目指す。
出典:「G検定公式テキスト第2版」読者WEB特典(翔泳社・2021年)より
・ストリーミング動画に表示される字幕を、ディープラーニング技術を用いて、最大35 言語に自動翻訳するシステム。
・楽天グループでアジア系テレビドラマ・映画を中心にストリーミング動画の配信を行うサービス「楽天Viki」に導入済み。
・視聴者一人あたりのコンテンツ平均視聴時間が約2.5 倍に増えるなど、顧客満足度の向上につながっている。
・また、本システムを活用し、「楽天Viki」のコンテンツを観ながら韓国語や中国語、日本語を学習できる言語学習機能「Viki Learn」も開発。同機能はシンガポール大学(NUS)において韓国語の学習ツールとしても採用済み。
・中核となるディープラーニングのモデルとしては複数の技術を複合したもの。自然言語処理で用いられるリカレントニューラルネットワーク(RNN)、時系列データに対応したRNN の拡張であるLSTM(Long Short-Term Memory)と開発を進め、現在はトランスフォーマー(transformer)モデルを採用。
・日経クロストレンドと日経xTECH が共同で開催した「ディープラーニングビジネス活用アワード」において、優秀賞を受賞。
出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・世界有数のMRI 保有国である日本では(注)、比較的安価にMRI 検査を受診できることから「脳ドック」が普及しており、「未破裂脳動脈瘤」が発見されるケースが増加している。
(注)OECD(経済協力開発機構)による2017 年の調査では、日本における人口100 万人あたりのMRI保有数は51.7 台。G7 の平均25.8 台、OECD関連国の平均15.2 台を大きく上回る。
・「脳動脈瘤」は破裂することで「くも膜下出血」の要因となる。
・MRIなどのモダリティの進化とともに画像情報が膨大化することで、読影診断を担う放射線科医/脳神経外科医の作業量は増え、医療現場では「医師の働き方改革」の推進が急務となっている。
・医師の負担軽減を目指し、脳MRI画像を、ディープラーニングを活用した技術によって解析することにより、脳動脈瘤の疑いがある部分を検出する医用画像解析ソフトウェアを提供開始。
・本ソフトウェアは、「医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律(医薬品医療機器等法)」に基づき、独立行政法人 医薬品医療機器総合機構(PMDA)による審査を経て管理医療機器としての承認を取得※。
※ディープラーニングを活用した脳MRI 分野のプログラム医療機器として、日本国内で初めての
薬事承認例。
・脳MRI 画像より2mm 以上の嚢状動脈瘤に類似した候補点を検出しマークを表示することで、医師による読影をサポート。
・国際的な医用画像規格「DICOM」に準拠。既存の医用画像管理システム(PACS) やモダリティと接続可能。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・ディープラーニングを活用した物体認識機能を搭載したピッキングロボット。
・商品の大きさや形状に適したハンドリングツールを使用して商品をケースからピッキングした後に、折り畳みコンテナなどの出荷容器に投入。
・これまで人手に依存していたピッキング作業の自動化に加え、夜間などの時間帯
での活用により生産性向上を目指す。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・没後30 年を迎え、歌謡界のトップを走り続けたエンターテイナーである美空ひばりさんの新曲ライブを現代のAI(人工知能)技術を用いて実現するという取り組み。
・4K・3D の等身大のホログラム映像でステージ上に本人を出現させ、秋元康さんがプロデュースした新曲を、美空ひばりさんの歌声で再現するというプロジェクト。
・AI 技術を用いたヤマハの歌声合成技術『VOCALOID:AI』を用いて、美空ひばりさん本人の歌声や歌い方、話し声の特徴を忠実に反映したボーカルパートとセリフパートの双方を作成。
・ボーカルパートとセリフパート双方の作成に必要となる学習データには、美空ひばりさん本人の生前の歌や話し声を収録した音源を使用。
・歌声音源の背景には伴奏音が含まれていたが「伴奏音除去技術」を用いて歌声部分のみを抽出することで質の高い学習データを生成し、高品質な合成を実現。
・今回使用したいずれの技術にも、昨今急速に進化を遂げているディープラーニングが使用されており、これらの最新技術によって、昭和歌謡界を代表する歌手をよみがえらせるという挑戦的な取り組みとなっている。
出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・一般的な生活環境の中でロボットが自ら学習し、様々なタスクを遂行できるレベルのサービスロボット開発を目指す取り組み。
・CEATEC JAPAN 2018 にて、深層学習技術を応用した「全自動お片付けロボットシステム」を展示(注)。
(注)・従来の物体認識・ロボット制御技術では困難だった「散らかった部屋の全自動お片付け」のデモンストレーションを実施。
・当該システムは、CEATEC JAPAN 2018 に展示される、イノベーション性が高く優れている技術・製品・サービス等を表彰する「CEATEC AWARD 2018」において、インダストリ/ マーケット部門 準グランプリを受賞。
・ディープラーニングを用いた画像認識エンジンを開発し、部屋に乱雑に散らかされた数百種類の物体の位置と種類を識別。
・当該エンジンをもとに、どの物体をどのようにつかんでどのように片付けるかといった計画を立てることが可能(様々な形状や素材の物体も安定してつかみ、所定の場所に置くことが可能)。
→例えばペンを片付ける際は、カメラでペン立ての位置を探す、ペンの向きを認識して向きを揃える、ペン立てに入れるといったことが可能。
→衣服や靴下のような形の変わる物体も安定してつかむことが可能。
・人の声による指示と指差しによるジェスチャーを理解。
・また、拡張現実(AR)の技術を使って、ロボットが考えていることを人間に提示することが可能。
・当該AR 画面を用いて、直感的にロボットの状態を把握し、より適切な指示を出すことも可能

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・ゲノミクスデータなどの多くのデータは非画像形式であり、隣り合う変数同士では明確な関係性が見られない場合が多くある。
・データ同士の関連を適切に考慮しつつ非画像データを画像データに変換できれば、畳み込みニューラルネットワーク(CNN)を使って特徴抽出・学習を行うことも可能となり、典型的な機械学習と比べた分類性能向上が期待できる。
・そこで上記を踏まえ、以下の3 ステップを持つ「DeepInsight(ディープインサイト)法」を開発。具体的には、以下のステップ1 で画素としての変数の配置をうまく行うための独自手法を適用している。
< DeepInsight(ディープインサイト)法>
- ステップ1:適切な変数(画素)の配置
- ステップ2:特徴抽出
- ステップ3:適切な分類モデルの構築
・この手法を、がん遺伝子発現などの実データに適用した結果、既存のランダムフォレスト法などの機械学習手法と比べて、高精度で分類できていることが確認された。
・遺伝子データなどさまざまな非画像データをディープラーニングで扱うことにより、背後にある複雑な特徴や構造を抽出し、医療での診断や医学・生命科学など広範囲の応用分野に貢献していくことが期待される。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より
・ラベルなしデータ学習により影を検出。具体的には以下のとおり。
 1. 元画像に(専門家の知見に基づいてランダムに作成した)人工影を合成したものを入力画像とする。
 2. 影のみを含んだ画像(影のみ画像)とそれ以外の構造物のみを含んだ画像
 (構造物のみ画像)に一旦分離した後に、それらを合成することで入力画像を再構成する自己符号化器(Autoencoder)」を構成する。
 3. 人工影を合成した入力画像と再構成画像との誤差と、人工影と分離した影のみ画像との人工影が存在する領域での誤差が、同時に小さくなるように学習させる。
・学習後に影を検出する際には、入力画像を超音波検査画像とし、影のみ画像を検出結果とする。影のみ画像の画素値の合計の比較などにより、影あり/ 影なしを自動的に判定。
・本技術を、昭和大学病院産婦人科での通常の妊婦健診において取得した胎児心臓の超音波検査動画に適用して評価。
・動画93 本(約16 分)から作成した画像37,378 枚を学習用データとして学習。
・7 本(約1 分)から抜き出して臨床医が影の部分をラベル付けした画像52 枚
(評価用データ)を使用して、影画像の検知精度(IoU とDICE)を評価。
・伝統的な画像処理手法(単純な2 値化)、および従来型のディープラーニング手法(SegNet)と比較して、IoU,DICE ともに、提案手法が最も高いことが確認された。
・「検出した影が胎児心臓の異常検知に悪影響を及ぼす可能性を見いだす」ことで「検査者に対して再走査の指示を出し、誤った判断を防ぐ」ことが可能に。

出典:「G検定公式テキスト第2版」(翔泳社・2021年)より

ディープラーニングの活用事例を募集しています

JDLAでは、ディープラーニングを活用した事例の情報を募集しております。
申請いただいた情報は、内容を確認後、JDLAの公式サイトにて掲載させていただく予定です。
以下のリンク先のフォームに必要事項をご記入の上、申請お願いいたします。