skip to Main Content

スパースモデリング技術と応用分野

ハカルスはAI(人工知能)を専門に手掛けています。少量データから特徴抽出を行う主な手法としてスパースモデリングを採用しています。

素早く、効率的に結果を出すことが求められる場合において、効果を発揮します。

最も一般的なAIのアプローチであるディープラーニングと比較して、スパースモデリングは幾つかの点で優位性を持ちます:

ハカルスのスパースモデリング技術

少量の学習データ

スパースモデリングは重要な部分のみ焦点を当て、少量の情報でも動作します。

説明可能なAI

スパースモデリングは、人間による考察と検証が可能な透過的なモデルを維持します。従って、結果は人間にとって解釈かつ説明可能なものになります。

最小の計算資源

スパースモデリングは最小限の消費電力しか必要としないため、安価な機器やFPGAに容易に組み込むことが可能です。

一般的なディープラーニング技術

大量の学習データ

ディープラーニングは、モデルの構築に非常に大量の学習データを必要とします。

ブラックボックスAI

ディープラーニングで作成されたモデルは、ブラックボックスとして動作します。結果や決定に至る経緯が人間には解釈ができません。

大規模な計算資源が必要

大量のデータを処理するための高価な計算機器が必要です。

ディープラーニングが抱える課題

ディープラーニングに対するコストが高すぎる分野にAIを導入するため、最新の研究成果を適用します。

ソリューションの詳細はこちら

大量の学習データ収集

大量の学習データ収集

多くのシナリオでは、大量の学習データを収集するのは困難またはコストがかかります。 例えばドローンで撮影した画像が挙げられます。バッテリーとメモリの制限のため、ドローンは短時間しか飛行できません。その結果、収集可能な画像データの量は非常に限られます。

ドローン画像に対するスパースモデリング適用事例はこちら

ブラックボックス化問題

ブラックボックス化問題

ディープラーニングは、結果に至る経緯が分からないため、生成された結果を人間が解釈・説明することができません。一方で、特に医療分野では意思決定プロセスの透明化が必要とされています。

医療分野向けソリューションについては、お問い合わせください

計算コスト

計算コスト

ディープラーニングの稼働には高価なコンピューターが必要で、そのようなマシンは15,000ドル以上のコストがかかります。 スパースモデリングは低消費電力のFPGAチップでも動作し、さまざまなタイプの機器の拡張として容易に展開できます。

ハカルスの組み込みおよびFPGAテクノロジーの詳細については、デモをご用意しています

実績に裏付けされたスパースモデリング技術

当社のテクノロジーは、情報の最も重要な要素にのみ焦点を当てるスパースモデリングに基づいています。このアプローチにより、データ分析の複雑さが軽減されます。結果、少量の入力データから意味のある情報を導き出すことができます。

動作の仕組み

多種多様な特徴を持つ少量のサンプルデータだけが手元にある場合、AIアルゴリズムを妥当な性能で適用することは一般的には不可能と言われています。しかし、出力に対して本当に重要な特性に焦点を当てることで、この問題を解決することができます。スパースモデリングには、このような重要な特性を自動的に識別する特性が備わっています。

スパースモデリング技術のもう1つの特徴は、異なるデータ間の因果関係を明らかにできることです。ディープラーニングでは実現が難しい「正しいデータそのもの」を導き出すために使用することができます。

スパースモデリングの制約

ユースケースによっては、当社のテクノロジーを直接適用できない場合もあります。自立運転や自然言語処理などの一部のAIシナリオでは、ディープラーニングが必要になります。

このようなシナリオでは、当社のテクノロジーをディープラーニングと組み合わせて、両方のアプローチの利点を組み合わせることができます。

お客様のユースケースに、どのようにして当社のテクノロジーを適用できるかについては、お問い合わせください

お問い合わせ

Applied Science

2016年以来、当社は最新の研究成果を適用して、様々なユースケースに対してスパースモデリング技術を開発し、発展させてきました。その結果、ハカルスはスパースモデリングによる機械学習のパイオニアとなりました。

チーフ科学アドバイザー
大関 真之

東北大学大学院情報科学研究科応用情報科学専攻の准教授。 量子アニーリングと呼ばれる計算技術を駆使した新規計算基盤のデザイン、いわゆるディープラーニングをはじめとした機械学習の理論、応用の研究に従事する。東京工業大学で学部、修士課程、博士課程と長くに渡り、儲けとは無縁な基礎的な学問である理論物理学の研究を進める一方で、駿台予備学校非常勤講師として活躍。その後、京都大学大学院情報学研究科システム科学専攻助教、ローマ大学物理学科研究員を経て現職。

著書:
量子コンピュータが人工知能を加速する(日経BP社)
機械学習入門 ボルツマン機械学習から深層学習まで(オーム社)

滋賀大学データサイエンス学部教授。大阪ガス ビジネスアナリシスセンター所長として、データ分析を企業の意思決定に活かす組織づくりに尽力、日経情報ストラテジーが選ぶ初代データサイエンス・オブ・ザ・イヤーを受賞。多くの講演やメディア出演を行うなど、我が国におけるデータサイエンスの発展に寄与。2018年度より滋賀大学データサイエンス学部教授に着任し、ビジネスの現場で培った生きたノウハウを伝承し、大学教授の立場から産学連携を推進。

著書:
会社を変える分析の力(講談社現代新書)
最強のデータ分析組織(日経BP)

Kaoru Kawamoto

アドバイザー
河本 薫