Home

Self-improving アマルガメーションAI

アマルガメーションAIは『AIエンジニア』として、カスタム画像/映像認識システムを自動的に構築し、高精度が要求されるタスクにおいてコスト、時間、専門知識を削減します。

概要

様々な業界の法人顧客は、カスタム可能な高精度な画像/映像認識ソリューションを求めています。 Self-improvingアマルガメーションAIは、この課題に対処し、特に、ラベル付けされたデータが限られるケース、幅広く変化する画像/映像認識のニーズに効果を発揮します。

技術課題

複雑なAIソリューション・アーキテクチャの自動化の困難さ
- 正しいツールとツールの実行順序を見つけることは、AIの専門知識を必要とする。
- 現実世界の問題は、単一の既製AIモデルで解決されることは稀である。多くの場合、複数のモデルからなる複雑なパイプライン（例えば、1.物体を検出し、2.その物体のテキストを読み取り、3.その状態を分類する）を必要とする。このパイプラインの設計には、現状では手作業で職人芸のようなプロセスを要し、設計とコーディングには高度に熟練し、単価が高いAIエンジニアを必要とする。
効率的な数ショット学習とデータ収集システムの困難さ
- 一般的な教師あり学習は、ラベル付きデータを大量に要する。ほんの一握りの例から高性能のモデルを構築できる成熟した統合されたシステムは存在しない。さらに、データのラベル付けにおいて、効率的で自動化された方法はない。このため、企業は何千枚もの画像にラベルを付けるという総当り的なアプローチを余儀なくされるが、多くの場合、コストに見合った精度向上の実現が難しい。
ロバストなモデル最適化とエッジへの展開の困難さ
- 最先端のAIモデルは巨大で、強力で高価なGPUクラスタを必要とする。このような大規模なモデルを、精度を大きく損なわずに、低消費電力でオンプレミスのハードウェアで効率的に実行できる、より小さく高速なAIモデルに体系的かつ確実に縮小するには、大きな技術的障壁がある。
画像/映像認識のための統合されたエンドツーエンドのAIプラットフォームが存在しない
- 上述のステップ（データ収集、モデル構築、トレーニング、最適化、デプロイメント）は、多くの場合、別々の、バラバラのツールによって処理されている。タスクの説明から最適化されたモデルのデプロイまで、このサイクル全体をシームレスに管理する単一の統合プラットフォームが不足している。

Amalgamation AIがもたらす価値

GoogleやAWS、Microsoftといった競合他社は、優れた優れたツール群を提供するが、それらを使いこなすには、お客様自身が熟練の「職人」である必要がある。一方、富士通のアマルガメーションAIは、自動化された「職人」そのものである。自らソリューションを評価し、磨きをかける自己改善システムであり、この強力なフィードバックループによって、お客様固有の領域に関する深い専門知識を短期間で獲得する。ビジネスの展開において、以下の特長に集約される。

全体的なコスト削減	開発から導入、保守に至るまで、あらゆる段階の費用を削減する
迅速な価値創出	ビジネスアイデアがソリューションとして形になるまでの時間を短縮し、ROI（投資対効果）の向上と競争優位性の確立を加速させる。
ニッチな課題の解決	汎用的なAIモデルでは対応が難しい、お客様固有の専門的な課題にも応える。
現場主導のAI活用	AIの専門家でなくても強力なソリューションを構築できるため、希少な専門人材への依存から脱却できる。

デモ
アプリデモアプリのお試しはこちら

利用シーン

既製のソリューションでは精度が不十分、かといって従来のAI開発では時間もコストもかかりすぎる—— Self-improving アマルガメーションAIは、このような特殊で重要度の高い画像/映像系タスクを自動化する必要がある場面で有効である。以下の３つのシナリオを用意した。

製造業における品質管理
- ある医療機器メーカーで、既存の画像認識システムでは検知できない微細な新型の欠陥が発見された。品質管理マネージャーがわずか5枚のサンプル画像をもとにアマルガメーションAIにタスクを指示したところ、数時間でプロトタイプが完成。その後、数日間の迅速なフィードバックループを通じてシステムは改善され、本番環境へ導入された。
- 導入効果: 極めて重要な検査タスクを2週間未満で自動化。最小限のエンジニアリング工数で、生産ラインの停止や多額の費用を要するリコールを回避した。
インフラ点検の自動化
- ある電力会社では、広大な地域にまたがる5万本の電柱を点検する必要がある。人による従来の点検は時間がかかり、単一のAIモデルでは多様な不具合に対応できない。アマルガメーションAIは、少数のサンプルと簡単なタスク説明だけで、最適なパイプラインを自動で構築。ドローンが収集した新しいデータをもとに、システムは継続的に学習・適応した。
- 導入効果: 時間のかかる手作業だったインフラ点検を、高速でデータ駆動型のオペレーションに変革した。コストを削減しつつ、安全性を向上させた。

事例・ユースケース

Self-improvingアマルガメーションAIは以下のような例で高い性能を発揮する

産業用途の異常検知
- わずか1〜3枚の参照画像のみで、水の異常（変色、泡など）、原料に含まれる不純物、部品の異常を高い精度で検知。
文書の有効性検証
- 参照データを使わず、プロンプトのみで印章、署名を高い精度で検出。
金属上のOCR（文字認識）
- 軽量なモデルとプロンプトのみで、金属上のシリアルナンバーを高精度に読み取り。
インフラ監視
- 事前の学習画像なしで、アナログメーターのある程度の読み取りと火災検知を高精度な検知を実現。
野生動物のリアルタイム検出
- コンパクトなモデルでリアルタイム検出に成功。
製造業の欠陥検出
- 高精度な欠陥のリアルタイム検出と通知を実現。
インシデント検知
- 工場内の異常事態（警報、落下物など）の検知に成功。

技術お試し

デモアプリ：Webアプリのお試し

有償PoCの実施も可能です