深度学习(人工智能的设计)

DEEPLEARNING
注重业务利用的深度学习服务
为了满足市场需求,我们开发了“人工智能设计服务”。在人工智能技术中,“深度学习(Deep Learning:深层学习)”对于实现较复杂的图像识别越来越重要,因此三荣高科技也致力于大力发展深度学习。若要将深层学习应用于业务中,则需解决一些现实性的障碍。例如,“设计恰当的神经网络”、“设计恰当的机器学习流程”、“为机器学习构建机器环境”、“添加大量的正确数据”等。本公司涵盖以上所有要素,并提供一站式的深度学习服务。

对应“大量正确数据的添加工作”

神经网络和机器学习流程的设计案例

在开始提到的四个现实障碍中,最困难的一个就是“大量正确数据的添加工作(数据标注工作)”。
深度学习在机器学习中被分类为“有监督的学习(Supervised Learning)”,需要有用于学习的训练数据。
例如,您想利用深度学习,用在工厂内拍摄的图像制作确定纸箱位置的图像识别程序。在这种情况下,则需要准备大量的纸箱图像,用人工标注的方式在纸箱的位置上做标记。此时,添加在图像上的记号就是“正确数据(Ground Truth)”。而将图像和正确数据信息组合起来的就是“训练数据”。

一般来说,为了确保实用的精度,添加了正确数据信息的图像数据至少需要10万个以上。根据用途的不同,也可能需要更多的数据。虽然数据的数量惊人,但是必须要手工制作。确保这个数据资源是实现深度学习的一个很大的障碍。因此,为了满足这样的需求,本公司在“三荣越南”(SANEI HYTECHS VIETNAM co.,ltd.)设立了数据标注中心。三荣越南拥有着大量为多家大型企业服务的实绩。

开发实绩

神经网络和机器学习流程的设计事例

这是一个创建神经网络的案例,该神经网络通过深度学习来检测一般道路的中心线。
下图是设计的神经网络的构成图。
下图是设计的神经网络的构成图。
它采用便于图像识别的CNN(Convolutional Neural Network:卷积神经网络)的形式,由第3层卷积层和第2层的全连接层构成。在一般的CNN中的池化层是被夹在中间,但是我们采用的设计策略是不加入池化层,优先考虑尽可能多地保留位置信息。
下图是将实际道路图像通过神经网络来检测道路中心线的结果。 

道路中心线的检测结果(红线表示)

在这个案例中,我们使用Preferred Networks公司(PFN公司)作为开放源代码被公开的深度学习用的平台Chainer,进行机器学习。

构建灵活快速的机器学习用机器的环境

我们在Amazon的云服务AWS上,使用GPU机器进行机器学习的大规模运算。由于通过具有高安全级别的VPN连接与AWS上的机器进行通信,因此您可以在如同把机器放置在我们公司内部一样的环境中进行设计。本公司也有IT服务业务,并擅长构建这样的环境。
根据设计的内容,您可以不使用云服务,而是购买物理机器安装于我们公司。我们拥有连续运行数十个工作站(主要用于半导体设计)的实绩,也可以使用我们购买的硬件来构建环境。
我们的优势在于能够灵活快速地构建用于机器学习的机器环境。