Skip to content

アプリケーション内で をクリックすると、お使いのDataRobotバージョンに関する全プラットフォームドキュメントにアクセスできます。

Visual Artificial Intelligence (AI)の概要

DataRobotでのイメージ特徴量の操作は、画像以外の二値分類および多クラス分類(どのような種類の植物か?)と同じワークフローに従います。そして連続値(最高の上場価格?)プロジェクト。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、最も精度の高い、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、サポートされるイメージ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解析により、エネルギー資産をより安全または効率的に
  • 治安:防犯カメラから侵入者を検出
  • 保険:リスク分析とクレーム評価

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、イメージ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イメージ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。

  1. 画像処理可能データセットを作成します。

  2. 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。

  3. 画像をプレビューして、潜在的なデータ品質の問題を確認します。

  4. 標準のDataRobotワークフローを使用したモデルの構築
  5. 構築の後にデータをレビューします。

  6. 以下を使用したリーダーボードでのモデルの評価

    • 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イメージ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に類似するもの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)
  7. モデルパラメーターの微調整(粒度の大小の調整や別のフィーチャライザーの使用)。

  8. 予測の作成を介して予測の作成に使用するモデル、DataRobot API、またはバッチ予測を選択します。


更新しました February 22, 2022
Back to top