・1 科目につき約20 問、「○」「×」「わからない」の3 択の設問に答えていくだけで、学力（得意分野、苦手分野など）の診断が可能となるサービスを開始。
・従来の学力診断では、1 科目につき200 問もの設問に解答してもらう必要があった。そこで蓄積した試験結果にディープラーニングを適用し、学力診断に必要な最小限の設問を割り出す仕組みを開発した。
・サービスのユーザが増え、データが集まることにより、モデルも更に最適化されていく。
・診断結果に応じたカリキュラムの提供により、受講者の成績向上につながっている。
・日経xTECH EXPO AWARD 2019 において、教育AI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
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
・いちょう切りに加工されたニンジンの目視検査をディープラーニングを用いた異 常検知手法により自動化。
・「良品」を学習させる逆転の発想で精度が飛躍的に向上した。シンプルな操作性 とスペースを必要としないコンパクトさも特徴的。
・欧州製の検査装置に比べて一桁安い低価格での実用化を実現。同じ課題を抱え る他の原料・食品メーカーへの導入、外販も進めている。
・「良品」を学習させる逆転の発想で精度が飛躍的に向上した。シンプルな操作性 とスペースを必要としないコンパクトさも特徴的。
・欧州製の検査装置に比べて一桁安い低価格での実用化を実現。同じ課題を抱え る他の原料・食品メーカーへの導入、外販も進めている。
・ドローンまたは専用アプリケーションで送電鉄塔を撮影し、ディープラーニングにより腐食劣化の度合いを判定。
・GPSによる位置情報などもあわせて収集し、統合的な送電鉄塔の保守管理システムを実現。補修工事計画の策定も省力化され、社員5 人で25 時間かかっていた計画策定作業が社員2 人・4 時間で実施できるようになった。
・国土交通省主催「第４回インフラメンテナンス大賞」において、経済産業大臣賞を受賞。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・GPSによる位置情報などもあわせて収集し、統合的な送電鉄塔の保守管理システムを実現。補修工事計画の策定も省力化され、社員5 人で25 時間かかっていた計画策定作業が社員2 人・4 時間で実施できるようになった。
・国土交通省主催「第４回インフラメンテナンス大賞」において、経済産業大臣賞を受賞。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・ゲームリリース前におけるゲームバランス（キャラクターバランス）評価を目的とした取り組み。
・オセロとトレーディングカードゲームの要素を組み合わせた対戦ゲームアプリ
「逆転オセロニア」に実装。
・複数のアプローチによるゲームバランス調整を実施。
・上記の一環としてキャラクター特徴を自動獲得する仕組みを開発。
- 従前の方法では、例えば4,000 種類のキャラクターが存在する場合、その情報を表現するために4,000 次元のone-hot ベクトルが必要であった。（キャラクターの増加に応じて、取り扱う次元が増大してしまう問題があった。）
- そこで「キャラクターの挙動などから、計算機自身がキャラクターの特徴表現を自律的に獲得」する表現学習フェーズを採用。
→「膨大な種類のキャラクター要素の特徴ベクトル」を自然言語処理由来の機械学習手法で表現学習するとともに、深層教師あり学習や強化学習に転用することによりゲームプレイ戦術を学習する手法を提案。
- この手法を適用することにより、キャラクターが増えていっても固定された
次元のまま取り扱うことが可能に。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・オセロとトレーディングカードゲームの要素を組み合わせた対戦ゲームアプリ
「逆転オセロニア」に実装。
・複数のアプローチによるゲームバランス調整を実施。
・上記の一環としてキャラクター特徴を自動獲得する仕組みを開発。
- 従前の方法では、例えば4,000 種類のキャラクターが存在する場合、その情報を表現するために4,000 次元のone-hot ベクトルが必要であった。（キャラクターの増加に応じて、取り扱う次元が増大してしまう問題があった。）
- そこで「キャラクターの挙動などから、計算機自身がキャラクターの特徴表現を自律的に獲得」する表現学習フェーズを採用。
→「膨大な種類のキャラクター要素の特徴ベクトル」を自然言語処理由来の機械学習手法で表現学習するとともに、深層教師あり学習や強化学習に転用することによりゲームプレイ戦術を学習する手法を提案。
- この手法を適用することにより、キャラクターが増えていっても固定された
次元のまま取り扱うことが可能に。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・六甲バター神戸工場におけるプロセスチーズの包装の検品作業を一部自動化。
・ラインにカメラを設置して撮影し、製品の状態を判定する。また、特殊な照明を設置し、より正確に異常を検出できるように工夫している。
・需要が堅調な中、人手がネックで設備を増やせないことが課題となっており、2017 年から検査自動化の検討を開始。
・表面に反射や影が生じるアルミ包材で覆われた製品に対し、数mm の微小な差を異常として自動判定できるようになった。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・ラインにカメラを設置して撮影し、製品の状態を判定する。また、特殊な照明を設置し、より正確に異常を検出できるように工夫している。
・需要が堅調な中、人手がネックで設備を増やせないことが課題となっており、2017 年から検査自動化の検討を開始。
・表面に反射や影が生じるアルミ包材で覆われた製品に対し、数mm の微小な差を異常として自動判定できるようになった。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・タンパク質結晶の試料をX線で解析する際に、ディープラーニングによって試料の位置を検出することで、試料の位置合わせを自動化。
・モデル開発にはTensorFlow のObject Detection APIを採用。
・実際のデータ6000 件と、多角形の図形データ400 件とを学習データに使用。
・これまでは目視か、出力を弱めたX線の照射で試料の位置検出を行っていた。今回の取り組みにより、作業の自動化と位置合わせ時のX線による試料の損傷回避を実現した。
・従来の画像処理を用いた手法ではコントラストの変化などに対応できなかったが、ディープラーニングにより解決できた。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・モデル開発にはTensorFlow のObject Detection APIを採用。
・実際のデータ6000 件と、多角形の図形データ400 件とを学習データに使用。
・これまでは目視か、出力を弱めたX線の照射で試料の位置検出を行っていた。今回の取り組みにより、作業の自動化と位置合わせ時のX線による試料の損傷回避を実現した。
・従来の画像処理を用いた手法ではコントラストの変化などに対応できなかったが、ディープラーニングにより解決できた。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・ネットオークション・フリマサービスにおいて、1,000 万件以上の膨大な取引データとディープラーニング特化型スパコン「kukai」（注）を活用し、「偽物出品検知AI」 を開発。
（注）「kukai」とはヤフー株式会社が開発した、ディープラーニング活用に特化した省エネ性能の高いスーパーコンピュータ。スパコンの省エネ性能ランキング「GREEN500」において世界第2 位を獲得（2017 年6 月発表）。
・出品完了後数秒以内に、その出品物が偽物である確率を判定。偽物である確率が高いと判定した場合、優先的に人手による削除検討に移行。
・実際の出品情報50 万件を用いて「偽物出品検知AI」による判定を行ったところ、従来の機械学習を用いた不正出品検知システムと比較して、検知精度が約3.1 倍に向上
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
（注）「kukai」とはヤフー株式会社が開発した、ディープラーニング活用に特化した省エネ性能の高いスーパーコンピュータ。スパコンの省エネ性能ランキング「GREEN500」において世界第2 位を獲得（2017 年6 月発表）。
・出品完了後数秒以内に、その出品物が偽物である確率を判定。偽物である確率が高いと判定した場合、優先的に人手による削除検討に移行。
・実際の出品情報50 万件を用いて「偽物出品検知AI」による判定を行ったところ、従来の機械学習を用いた不正出品検知システムと比較して、検知精度が約3.1 倍に向上
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・スーパー店舗内に約700 台のカメラを設置。解析映像をマーケティング領域に応用。ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・カメラの映像からは来店客の人数、属性（性別や年齢層）、移動経路などを把握することが可能。
→顧客がどの通路を通り、どこの棚に立ち止まったのか、どの商品を手に取 り、どれを棚に戻したのか、結果的にどの商品をカートに入れたのか等を、属性別に分析することができる。
・ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・少ないデータ量から「最適な棚割り・棚位置の指定」などを学習可能とするために、あわせて「敵対的生成ネットワーク（GAN）」※を活用。
※敵対的生成ネットワーク（GAN：Generative Adversarial Network）：偽のデータを作成する贋作 AIとその真贋を判別するAIが競合、切磋琢磨することでAIを学習させていくトレーニング手法
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・カメラの映像からは来店客の人数、属性（性別や年齢層）、移動経路などを把握することが可能。
→顧客がどの通路を通り、どこの棚に立ち止まったのか、どの商品を手に取 り、どれを棚に戻したのか、結果的にどの商品をカートに入れたのか等を、属性別に分析することができる。
・ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・少ないデータ量から「最適な棚割り・棚位置の指定」などを学習可能とするために、あわせて「敵対的生成ネットワーク（GAN）」※を活用。
※敵対的生成ネットワーク（GAN：Generative Adversarial Network）：偽のデータを作成する贋作 AIとその真贋を判別するAIが競合、切磋琢磨することでAIを学習させていくトレーニング手法
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・（多くの期間と費用を要することが多い）「リード化合物の探索と最適化」の支援を目的とした取り組み。
・ディープラーニングを用いた学習モデル「Graph Convolutional Network（GCN）（注）」をベースとして以下を開発。
（注）化合物に代表されるような「つながりと関係性」を学習し、情報抽出する技術のこと。
1. 化合物とタンパク質の相互作用予測モデル
→化合物の構造からタンパク質への活性を学習し、予測することが可能に
（「創薬候補化合物」のスクリーニング効率化に寄与）。
→ DeepChem（注）と同等の精度をベンチマークテストにて記録。
（注）既存の創薬のためのPython ライブラリ（スタンフォード大学の研究者らが開発）。
2. 化合物デザインを支援する、化合物構造の可視化
→従来のディープラーニング技術では、化合物のタンパク質への活性予測理由を提示することが困難。
→当モデルを用いることで「化合物中の活性発現に効果的な部分／効果的ではない部分」を見える化することが可能に。
3. 新しい化合物を提案する化合物生成モデル
→既存の化合物から「創薬に適した化合物」を、多様かつ大量に提案することが可能に。
→従来、研究者が自身の経験に基づき実施していた化合物デザインの提案プロセスを代替／効率化。
上記事例は、LINC（Life Intelligence Consortium）※における活動の一貫として開発されたものです。
※ LINC：創薬AI を開発している産学連携プロジェクト。国内を中心に 129 の製薬やライフサイエンス、IT 関連企業、研究組織から 622 人の研究者らが参加し、2020 年 9 月までの 3 カ年プロジェクトとして取り組まれてきたもの。2021 年 4 月より組織を法人化した上で、引き続き各種活動を実施していくことが発表されている。
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用いた学習モデル「Graph Convolutional Network（GCN）（注）」をベースとして以下を開発。
（注）化合物に代表されるような「つながりと関係性」を学習し、情報抽出する技術のこと。
1. 化合物とタンパク質の相互作用予測モデル
→化合物の構造からタンパク質への活性を学習し、予測することが可能に
（「創薬候補化合物」のスクリーニング効率化に寄与）。
→ DeepChem（注）と同等の精度をベンチマークテストにて記録。
（注）既存の創薬のためのPython ライブラリ（スタンフォード大学の研究者らが開発）。
2. 化合物デザインを支援する、化合物構造の可視化
→従来のディープラーニング技術では、化合物のタンパク質への活性予測理由を提示することが困難。
→当モデルを用いることで「化合物中の活性発現に効果的な部分／効果的ではない部分」を見える化することが可能に。
3. 新しい化合物を提案する化合物生成モデル
→既存の化合物から「創薬に適した化合物」を、多様かつ大量に提案することが可能に。
→従来、研究者が自身の経験に基づき実施していた化合物デザインの提案プロセスを代替／効率化。
上記事例は、LINC（Life Intelligence Consortium）※における活動の一貫として開発されたものです。
※ LINC：創薬AI を開発している産学連携プロジェクト。国内を中心に 129 の製薬やライフサイエンス、IT 関連企業、研究組織から 622 人の研究者らが参加し、2020 年 9 月までの 3 カ年プロジェクトとして取り組まれてきたもの。2021 年 4 月より組織を法人化した上で、引き続き各種活動を実施していくことが発表されている。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・100 万戸を超える賃貸物件の画像をWeb サイトに掲載する際に、従来は営業スタッフが手作業でリビングやキッチン、玄関、洗面所などのカテゴリに分類していた（1 部屋あたり約20 枚の外観・室内写真に対して、分類を実施）。
・膨大な作業時間の効率化が課題に（登録作業には物件1 件あたり5 〜10 分を要し、その登録総数は年間30 万件近くにのぼる）。
・「働き方改革」の一環として、ディープラーニングを活用した賃貸物件の画像分類システムを構築。
→ディープラーニングにより物件画像を21 種のカテゴリに分類し、Web サイトへの登録作業まで自動化することで作業時間を70％、月3,000 時間削減。
・画像分類モデルには畳み込みニューラルネットワーク（CNN）を採用。誤った分類結果に関する修正ログの蓄積を行うことで、今後のさらなる分類精度向上に活用していく方針。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・膨大な作業時間の効率化が課題に（登録作業には物件1 件あたり5 〜10 分を要し、その登録総数は年間30 万件近くにのぼる）。
・「働き方改革」の一環として、ディープラーニングを活用した賃貸物件の画像分類システムを構築。
→ディープラーニングにより物件画像を21 種のカテゴリに分類し、Web サイトへの登録作業まで自動化することで作業時間を70％、月3,000 時間削減。
・画像分類モデルには畳み込みニューラルネットワーク（CNN）を採用。誤った分類結果に関する修正ログの蓄積を行うことで、今後のさらなる分類精度向上に活用していく方針。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・EC販売業務の商品登録業務効率化に関する取り組み。
・画像及び自然言語を解析し、類似の商品画像から自動的に最適なタグを抽出/付 与。
・CNNのファッションアイテム抽出とアイテムと背景の境界線で切り出すアルゴリ ズムを用いてノイズカットしたデータから画像特徴量を算出することにより、一 般的な画像認識技術のノイズの多さによる問題を解消するアプローチ。
・ファッションEC販売業務の商品登録業務に適用することにより、年間2,583時 間（注）かけていた作業時間を約1,800時間に削減。
（注）1型の作業時間10分×年間型数15,500型=年間作業時間2,583時間
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
・画像及び自然言語を解析し、類似の商品画像から自動的に最適なタグを抽出/付 与。
・CNNのファッションアイテム抽出とアイテムと背景の境界線で切り出すアルゴリ ズムを用いてノイズカットしたデータから画像特徴量を算出することにより、一 般的な画像認識技術のノイズの多さによる問題を解消するアプローチ。
・ファッションEC販売業務の商品登録業務に適用することにより、年間2,583時 間（注）かけていた作業時間を約1,800時間に削減。
（注）1型の作業時間10分×年間型数15,500型=年間作業時間2,583時間
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
・畳み込みニューラルネットワーク（CNN）を活用し、内視鏡画像から胃がんを検出。
・6mm 以上の胃がんを熟練の内視鏡医レベルに匹敵する精度で発見。
・1 画像の診断にかかる時間は約0.02 秒であり、人間の解析速度を遥かに凌駕。
・本事例発表時においてAI を活用した胃がん内視鏡診断支援システムの報告はなく、本報告は世界初とのこと。
・2019 年11 月、米国食品医薬品局（FDA）よりブレイクスルーデバイス指定（注）（画期的医療機器/ デバイス指定）を受ける。
（注）米国内での医療機器承認取得の際、優先的に審査を受けることが可能に。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・6mm 以上の胃がんを熟練の内視鏡医レベルに匹敵する精度で発見。
・1 画像の診断にかかる時間は約0.02 秒であり、人間の解析速度を遥かに凌駕。
・本事例発表時においてAI を活用した胃がん内視鏡診断支援システムの報告はなく、本報告は世界初とのこと。
・2019 年11 月、米国食品医薬品局（FDA）よりブレイクスルーデバイス指定（注）（画期的医療機器/ デバイス指定）を受ける。
（注）米国内での医療機器承認取得の際、優先的に審査を受けることが可能に。
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。