AIサービス:ノーコード/ローコードツールでのクイックかつスケーラブルな機械学習ポック
目次
- はじめに 📝
- AIサービスとPOCの紹介 🤖
- POCとは
- KTMの事例
- AIサービス:Amazon Recognition
- POCの課題と対応策 💡
- AIサービスの利点と限界 ⚙️
- 低コードの利点
- データセットの制約
- サービスの費用
- POCの結果と展望 📊
- POC以外にも役立つリソース 📚
- マーケット調査結果
- ホワイトペーパー: 品質管理における機械学習
- ワークショップのご提案
🔍 AIサービスとPOCの紹介
はじめに
皆さん、こんにちは!
本日は、データAIサミットでステージに立たせて頂き、大変光栄です。
私は、AWSのプレミアムパートナーであるAll Cloudでプリセールスマネージャーをしており、皆さんにお話しすることができて嬉しいです。
POCとは
今日は、KTMという大手バイクメーカーと行ったPOCについてお話ししたいと思います。
このPOCは、主に彼らのバイクのフレームの品質管理に関するものです。
KTMの事例
バイクのフレームは溶接によって作られますが、溶接ミスによってフレームに溶接痕が残ってしまい、問題となります。
現在は、溶接後に手作業でこれらの痕跡を探し出していますが、この作業には多くの時間とコストがかかります。
AIサービス:Amazon Recognition
そこで、私たちはAWSのAIサービスであるAmazon Recognitionを利用して、これらの痕跡を自動検出することを試みました。
Amazon Recognitionは、画像内の特定のオブジェクトを検出するためのAIサービスです。
利用するには、まずフレームの画像をアップロードし、欠陥のある箇所をデータラベリングします。
その後、AWSがモデルをトレーニングし、一定の時間後にモデルの性能を表示します。
💡 POCの課題と対応策
ライティング条件の問題
POC中に遭遇した問題の一つは、ライティング条件の悪さです。
バイクのフレームは製造工場で作られるため、ライティング条件が常に一定ではありません。
また、フレームは金属製で反射性があり、良質な画像を取得することが困難でした。
データ拡張の必要性
また、POCの際には、フレームの画像が少なかったため、データ拡張が必要でした。
データ拡張とは、少ないデータセットを増やすための手法で、画像を回転させたり、拡大・縮小させるなど、各種変換を行います。
これにより、より多くの画像データを生成し、モデルのトレーニングに利用することができます。
⚙️ AIサービスの利点と限界
低コードの利点
Amazon Recognitionは低コードのAIサービスです。
これは、コードを一切書かずにコンソール上で全てを行うことができるということを意味します。
それにより、迅速かつ効率的にモデルのトレーニングと運用が行えます。
データセットの制約
しかしながら、POCの際には十分なデータセットが必要であるという制約もあります。
今回のPOCでは、十分なデータセットを持っていなかったため、データ拡張を行いデータセットのサイズを増やしました。
サービスの費用
また、AIサービスを利用する際には費用がかかることも留意する必要があります。
例えば、モデルのトレーニングにはインスタンスを実行する必要があり、1時間あたりの費用は約4ドルです。
そのため、サービスを長期間利用する場合は、コストの面も十分に考慮する必要があります。
📊 POCの結果と展望
モデルの精度向上
初めは約100枚の画像を用いてトレーニングを行いましたが、精度は70%程度でした。
しかし、データセットを1万枚にまで増やすことで、精度を93%まで向上させることができました。
今後さらに精度を高めるための取り組みを行っていきます。
新たな検出項目の追加
現在はウェルドスパターの検出に特化していますが、今後は穴や傷などの新たな欠陥検出にも挑戦していきます。
📚 POC以外にも役立つリソース
POC以外にも、役立つリソースがございます。
弊社が作成したマーケット調査結果や品質管理に関するホワイトペーパーなど、ぜひご参考になさってください。
また、ワークショップのご提案もございますので、機会がございましたら是非ご参加ください。
お時間がございましたら、質疑応答も行いますので、どうぞご遠慮なくご質問ください。
Yのあなたも、質問のある方も、是非この機会にお声をお聞かせください。
(終わり)