Visual Artificial Intelligence (AI)の概要¶
DataRobotでの画像特徴量の操作は、画像以外の二値分類および多クラス分類プロジェクト(植物の種類は?)および連続値プロジェクト(最高の上場価格?)のワークフローと同じです。 DataRobotでは、バックグラウンドでさまざまなディープラーニングモデルの準備、選択、トレーニングが自動化され、最も正確あるいは最速のデプロイモデルが推奨されます。 Visual Artificial Intelligence (AI)では、単一のデータセット内で、サポートされる画像タイプを単一のクラスラベル、またはサポートされるその他のすべての特徴量と組み合わせることができます。 アップロードした画像はDataRobot内でプレビューできます。
次のサンプルユースケースは、視覚学習の有用性を示します。
- 製造: モデルで欠陥を識別できるようにすることで品質管理プロセスを自動化
- ヘルスケア: 自動化された病気の検出と診断
- エネルギー: ドローンからの画像分析によりエネルギー資産をより安全または効率的に活用
- 公安: 防犯カメラから侵入者を検出
- 保険: リスク分析と申請評価
画像の処理は集中的に多くのデータを使用するプロセスなので、Visual Artificial Intelligence (AI)では意思決定にディープラーニングモデルを使用する必要があります。 これらのモデルは高度な数学と大量のパラメーターを使用するので、自動化なしでは、ニューラルネットワークの専門知識が必要になり、結果として生成されるのはデプロイがためらわれる「ブラックボックスモデル」になる可能性があります。
Visual Artificial Intelligence (AI)の仕組み¶
DataRobotは、画像を数値化することで画像処理を可能にします。この処理は「特徴量化」と呼ばれます。画像は数値として後続のモデリングタスク(アルゴリズム)に渡すことができるので、他の特徴量タイプ(数値、カテゴリー、テキストなど)と組み合わせることができます。 Visual Artificial Intelligence (AI)は事前トレーニング済みのモデルを使用して画像を数値ベクトルに変換し、そのベクトルを他のすべての特徴量を含む最終的なモデラー(XGBoost、Elastic Netなど)にフィードします。 このテクノロジーによってモデルレベルに変更を加えたりモデルレベルから特徴量を抽出することができるので、事前トレーニング済みのモデルとフィーチャライザーの出力が拡張されます。 モデルパラメーターを微調整することにより、特徴量作成プロセスを制御して要件を満たすことができます。 詳細については、ディープダイブを参照してください。
ワークフローの概要¶
このセクションでは、Visual Artificial Intelligence (AI)のワークフローについて説明します。
-
画像処理可能データセットを作成します。
-
AIカタログからプロジェクトを作成するか、ローカルファイルのアップロードを介してプロジェクトを作成します。
-
画像をプレビューでの潜在的なデータ品質の問題を確認。
- 標準のDataRobotワークフローを使用したモデルの構築。
-
構築の後にデータをレビューする。
-
リーダーボードで以下を使用してモデルを評価します:
- ブループリント。
- アクティベーションマップ(予測の作成にモデルで使用された画像の部分のハイライト)
- 画像の投影を表示する画像埋め込み(DataRobotが似ていると認識した画像を視覚的に確認して、外れ値を特定できます)
- ニューラルネットワーク可視化ツール(モデルのニューラルネットワークの各レベルとレイヤーを表示)。
- 標準のDataRobotインサイト(混同行列、特徴量のインパクト、リフトチャートなど)。
-
モデルパラメーターの微調整(きめ細かさの調整や別のフィーチャライザーの使用)。
-
予測の作成に使用するモデルを予測を作成、DataRobot API、またはバッチ予測から選択します。