・タンパク質結晶の試料をX線で解析する際に、ディープラーニングによって試料の位置を検出することで、試料の位置合わせを自動化。
・モデル開発にはTensorFlow のObject Detection APIを採用。
・実際のデータ6000 件と、多角形の図形データ400 件とを学習データに使用。
・これまでは目視か、出力を弱めたX線の照射で試料の位置検出を行っていた。今回の取り組みにより、作業の自動化と位置合わせ時のX線による試料の損傷回避を実現した。
・従来の画像処理を用いた手法ではコントラストの変化などに対応できなかったが、ディープラーニングにより解決できた。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
ディープラーニング活用事例
業種や会社名・フリーワードで探す
全46件
・畑や水田において、病虫害の発生している場所にのみ農薬を散布することで、低農薬農業を実現。
・農地を上空から撮影し、ディープラーニングを用いた画像認識技術で病虫害の発生場所を特定。特定したエリアには、ドローンで農薬を散布。
・2018 年産の水稲栽培では田植えから刈り取りまでの殺虫剤・殺菌剤の使用量を、慣行対比50 〜100% 削減。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・農地を上空から撮影し、ディープラーニングを用いた画像認識技術で病虫害の発生場所を特定。特定したエリアには、ドローンで農薬を散布。
・2018 年産の水稲栽培では田植えから刈り取りまでの殺虫剤・殺菌剤の使用量を、慣行対比50 〜100% 削減。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・画像認識を行うディープラーニングモデルを用いて、航空機への搭乗橋接続を自 動化する試みを実施。
・画像認識の対象は航空機のドアの位置。駐機位置のずれや悪天候などによる環境 変化を含む様々なシチュエーションの画像データを学習させた。
・3分以上かかっていた接続作業が1分半で完了でき、接続のやり直しも減らせる とのこと。乗客の待ち時間減少などが期待できる。
・技術的には完全な自動化も可能と見られるが、安全性を考慮し10cm手前からは マニュアル操作に切り替わる仕様としている。
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
・画像認識の対象は航空機のドアの位置。駐機位置のずれや悪天候などによる環境 変化を含む様々なシチュエーションの画像データを学習させた。
・3分以上かかっていた接続作業が1分半で完了でき、接続のやり直しも減らせる とのこと。乗客の待ち時間減少などが期待できる。
・技術的には完全な自動化も可能と見られるが、安全性を考慮し10cm手前からは マニュアル操作に切り替わる仕様としている。
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
・国立研究開発法人 新エネルギー・産業技術総合開発機構（NEDO）からの委託事業として、多目的ダムの利水運用効率化を目指す取り組みを実施。
・モデルとしてはCNN（Convolutional Neural Network）を採用。学習にあたり、入力データには気象レーダーを用いて観測した広範囲の雨量を使い、正解データには従来手法で計算された雨量を用いた。
・従来手法では30 分おきに、かつ過去1 時間の雨量から算出していた降雨量の予測を、5 分単位で予測することが可能になった。
・より正確なダム流入水量の予測ができ、発電効率の改善などが期待できる。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・モデルとしてはCNN（Convolutional Neural Network）を採用。学習にあたり、入力データには気象レーダーを用いて観測した広範囲の雨量を使い、正解データには従来手法で計算された雨量を用いた。
・従来手法では30 分おきに、かつ過去1 時間の雨量から算出していた降雨量の予測を、5 分単位で予測することが可能になった。
・より正確なダム流入水量の予測ができ、発電効率の改善などが期待できる。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・海水温のデータを配信するサービス「漁場ナビ」をスタート。
・気象衛星のデータをGenerative Adversarial Network（ GAN ）により補完し、雲に隠れた海域でも海水温を把握可能にした。
・2km メッシュの単位で、1 時間毎に情報配信が可能。漁の効率化が期待できる。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・気象衛星のデータをGenerative Adversarial Network（ GAN ）により補完し、雲に隠れた海域でも海水温を把握可能にした。
・2km メッシュの単位で、1 時間毎に情報配信が可能。漁の効率化が期待できる。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・保険ショップの窓口における保険証券の自動分析に、CNNなどのディープラーニングを用いたAI-OCRシステムを開発。
・来訪者が持ち込んだ保険証券を窓口担当者が撮影すると、その画像を元に保険の内容をわかりやすくまとめた分析表を自動生成する。
・保険ショップ来訪者の待ち時間を最大90% 削減可能。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・来訪者が持ち込んだ保険証券を窓口担当者が撮影すると、その画像を元に保険の内容をわかりやすくまとめた分析表を自動生成する。
・保険ショップ来訪者の待ち時間を最大90% 削減可能。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・ネットオークション・フリマサービスにおいて、1,000 万件以上の膨大な取引データとディープラーニング特化型スパコン「kukai」（注）を活用し、「偽物出品検知AI」 を開発。
（注）「kukai」とはヤフー株式会社が開発した、ディープラーニング活用に特化した省エネ性能の高いスーパーコンピュータ。スパコンの省エネ性能ランキング「GREEN500」において世界第2 位を獲得（2017 年6 月発表）。
・出品完了後数秒以内に、その出品物が偽物である確率を判定。偽物である確率が高いと判定した場合、優先的に人手による削除検討に移行。
・実際の出品情報50 万件を用いて「偽物出品検知AI」による判定を行ったところ、従来の機械学習を用いた不正出品検知システムと比較して、検知精度が約3.1 倍に向上
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
（注）「kukai」とはヤフー株式会社が開発した、ディープラーニング活用に特化した省エネ性能の高いスーパーコンピュータ。スパコンの省エネ性能ランキング「GREEN500」において世界第2 位を獲得（2017 年6 月発表）。
・出品完了後数秒以内に、その出品物が偽物である確率を判定。偽物である確率が高いと判定した場合、優先的に人手による削除検討に移行。
・実際の出品情報50 万件を用いて「偽物出品検知AI」による判定を行ったところ、従来の機械学習を用いた不正出品検知システムと比較して、検知精度が約3.1 倍に向上
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・スーパー店舗内に約700 台のカメラを設置。解析映像をマーケティング領域に応用。ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・カメラの映像からは来店客の人数、属性（性別や年齢層）、移動経路などを把握することが可能。
→顧客がどの通路を通り、どこの棚に立ち止まったのか、どの商品を手に取 り、どれを棚に戻したのか、結果的にどの商品をカートに入れたのか等を、属性別に分析することができる。
・ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・少ないデータ量から「最適な棚割り・棚位置の指定」などを学習可能とするために、あわせて「敵対的生成ネットワーク（GAN）」※を活用。
※敵対的生成ネットワーク（GAN：Generative Adversarial Network）：偽のデータを作成する贋作 AIとその真贋を判別するAIが競合、切磋琢磨することでAIを学習させていくトレーニング手法
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・カメラの映像からは来店客の人数、属性（性別や年齢層）、移動経路などを把握することが可能。
→顧客がどの通路を通り、どこの棚に立ち止まったのか、どの商品を手に取 り、どれを棚に戻したのか、結果的にどの商品をカートに入れたのか等を、属性別に分析することができる。
・ディスプレイ広告の前に立った顧客をカメラが捉え属性を分析。属性に合わせた広告を表示。
・少ないデータ量から「最適な棚割り・棚位置の指定」などを学習可能とするために、あわせて「敵対的生成ネットワーク（GAN）」※を活用。
※敵対的生成ネットワーク（GAN：Generative Adversarial Network）：偽のデータを作成する贋作 AIとその真贋を判別するAIが競合、切磋琢磨することでAIを学習させていくトレーニング手法
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・（多くの期間と費用を要することが多い）「リード化合物の探索と最適化」の支援を目的とした取り組み。
・ディープラーニングを用いた学習モデル「Graph Convolutional Network（GCN）（注）」をベースとして以下を開発。
（注）化合物に代表されるような「つながりと関係性」を学習し、情報抽出する技術のこと。
1. 化合物とタンパク質の相互作用予測モデル
→化合物の構造からタンパク質への活性を学習し、予測することが可能に
（「創薬候補化合物」のスクリーニング効率化に寄与）。
→ DeepChem（注）と同等の精度をベンチマークテストにて記録。
（注）既存の創薬のためのPython ライブラリ（スタンフォード大学の研究者らが開発）。
2. 化合物デザインを支援する、化合物構造の可視化
→従来のディープラーニング技術では、化合物のタンパク質への活性予測理由を提示することが困難。
→当モデルを用いることで「化合物中の活性発現に効果的な部分／効果的ではない部分」を見える化することが可能に。
3. 新しい化合物を提案する化合物生成モデル
→既存の化合物から「創薬に適した化合物」を、多様かつ大量に提案することが可能に。
→従来、研究者が自身の経験に基づき実施していた化合物デザインの提案プロセスを代替／効率化。
上記事例は、LINC（Life Intelligence Consortium）※における活動の一貫として開発されたものです。
※ LINC：創薬AI を開発している産学連携プロジェクト。国内を中心に 129 の製薬やライフサイエンス、IT 関連企業、研究組織から 622 人の研究者らが参加し、2020 年 9 月までの 3 カ年プロジェクトとして取り組まれてきたもの。2021 年 4 月より組織を法人化した上で、引き続き各種活動を実施していくことが発表されている。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・ディープラーニングを用いた学習モデル「Graph Convolutional Network（GCN）（注）」をベースとして以下を開発。
（注）化合物に代表されるような「つながりと関係性」を学習し、情報抽出する技術のこと。
1. 化合物とタンパク質の相互作用予測モデル
→化合物の構造からタンパク質への活性を学習し、予測することが可能に
（「創薬候補化合物」のスクリーニング効率化に寄与）。
→ DeepChem（注）と同等の精度をベンチマークテストにて記録。
（注）既存の創薬のためのPython ライブラリ（スタンフォード大学の研究者らが開発）。
2. 化合物デザインを支援する、化合物構造の可視化
→従来のディープラーニング技術では、化合物のタンパク質への活性予測理由を提示することが困難。
→当モデルを用いることで「化合物中の活性発現に効果的な部分／効果的ではない部分」を見える化することが可能に。
3. 新しい化合物を提案する化合物生成モデル
→既存の化合物から「創薬に適した化合物」を、多様かつ大量に提案することが可能に。
→従来、研究者が自身の経験に基づき実施していた化合物デザインの提案プロセスを代替／効率化。
上記事例は、LINC（Life Intelligence Consortium）※における活動の一貫として開発されたものです。
※ LINC：創薬AI を開発している産学連携プロジェクト。国内を中心に 129 の製薬やライフサイエンス、IT 関連企業、研究組織から 622 人の研究者らが参加し、2020 年 9 月までの 3 カ年プロジェクトとして取り組まれてきたもの。2021 年 4 月より組織を法人化した上で、引き続き各種活動を実施していくことが発表されている。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・100 万戸を超える賃貸物件の画像をWeb サイトに掲載する際に、従来は営業スタッフが手作業でリビングやキッチン、玄関、洗面所などのカテゴリに分類していた（1 部屋あたり約20 枚の外観・室内写真に対して、分類を実施）。
・膨大な作業時間の効率化が課題に（登録作業には物件1 件あたり5 〜10 分を要し、その登録総数は年間30 万件近くにのぼる）。
・「働き方改革」の一環として、ディープラーニングを活用した賃貸物件の画像分類システムを構築。
→ディープラーニングにより物件画像を21 種のカテゴリに分類し、Web サイトへの登録作業まで自動化することで作業時間を70％、月3,000 時間削減。
・画像分類モデルには畳み込みニューラルネットワーク（CNN）を採用。誤った分類結果に関する修正ログの蓄積を行うことで、今後のさらなる分類精度向上に活用していく方針。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・膨大な作業時間の効率化が課題に（登録作業には物件1 件あたり5 〜10 分を要し、その登録総数は年間30 万件近くにのぼる）。
・「働き方改革」の一環として、ディープラーニングを活用した賃貸物件の画像分類システムを構築。
→ディープラーニングにより物件画像を21 種のカテゴリに分類し、Web サイトへの登録作業まで自動化することで作業時間を70％、月3,000 時間削減。
・画像分類モデルには畳み込みニューラルネットワーク（CNN）を採用。誤った分類結果に関する修正ログの蓄積を行うことで、今後のさらなる分類精度向上に活用していく方針。
出典：「G検定公式テキスト第2版」（翔泳社・2021年）より
・EC販売業務の商品登録業務効率化に関する取り組み。
・画像及び自然言語を解析し、類似の商品画像から自動的に最適なタグを抽出/付 与。
・CNNのファッションアイテム抽出とアイテムと背景の境界線で切り出すアルゴリ ズムを用いてノイズカットしたデータから画像特徴量を算出することにより、一 般的な画像認識技術のノイズの多さによる問題を解消するアプローチ。
・ファッションEC販売業務の商品登録業務に適用することにより、年間2,583時 間（注）かけていた作業時間を約1,800時間に削減。
（注）1型の作業時間10分×年間型数15,500型=年間作業時間2,583時間
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
・画像及び自然言語を解析し、類似の商品画像から自動的に最適なタグを抽出/付 与。
・CNNのファッションアイテム抽出とアイテムと背景の境界線で切り出すアルゴリ ズムを用いてノイズカットしたデータから画像特徴量を算出することにより、一 般的な画像認識技術のノイズの多さによる問題を解消するアプローチ。
・ファッションEC販売業務の商品登録業務に適用することにより、年間2,583時 間（注）かけていた作業時間を約1,800時間に削減。
（注）1型の作業時間10分×年間型数15,500型=年間作業時間2,583時間
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
・進行がん（特に子宮がん及び乳がん）の病巣では、がん組織が壊死したり、病巣 部分に細菌が感染したりすることにより強い病臭を呈することがある。
・病臭成分を分析し、当該成分に最適な消臭方法を選択することにより、個々の患 者ケアに活かしていくことを目指す取り組み。
・がん病巣から放たれるニオイ成分の特徴や微弱な変化をディープラーニングを用 いて学習し、臭気（注）判定を実現。
（注）なお、本項では、疾病（原疾患、感染症、褥瘡等）により直接および間接的に体内や体表か ら生じる臭気を病臭と定義。
・ニオイ検知センサとしては、PID センサ （PhotoIonization Detector）と半導体ガ スセンサを使用。
・100 種近くの VOC（揮発性有機化合物）ガスを分離・識別。
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
・病臭成分を分析し、当該成分に最適な消臭方法を選択することにより、個々の患 者ケアに活かしていくことを目指す取り組み。
・がん病巣から放たれるニオイ成分の特徴や微弱な変化をディープラーニングを用 いて学習し、臭気（注）判定を実現。
（注）なお、本項では、疾病（原疾患、感染症、褥瘡等）により直接および間接的に体内や体表か ら生じる臭気を病臭と定義。
・ニオイ検知センサとしては、PID センサ （PhotoIonization Detector）と半導体ガ スセンサを使用。
・100 種近くの VOC（揮発性有機化合物）ガスを分離・識別。
出典：「G検定公式テキスト第2版」読者WEB特典（翔泳社・2021年）より
ディープラーニングの活用事例を募集しています
JDLAでは、ディープラーニングを活用した事例の情報を募集しております。
申請いただいた情報は、内容を確認後、JDLAの公式サイトにて掲載させていただく予定です。
以下のリンク先のフォームに必要事項をご記入の上、申請お願いいたします。