Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Amazon Rekognitionを用いてフォロワーの男女比を出す
Search
Sponsored
·
Ship Features Fearlessly
Turn features on and off without deploys. Used by thousands of Ruby developers.
→
Kazuki Ohashi
February 02, 2018
Technology
1
2.9k
Amazon Rekognitionを用いてフォロワーの男女比を出す
Amazon RekogntionとFace APIを比べながら、フォロワーの男女比を出してみました。
Kazuki Ohashi
February 02, 2018
Tweet
Share
More Decks by Kazuki Ohashi
See All by Kazuki Ohashi
larave_vue_graphql_supplementation
kzkohashi
1
880
Introduction to using GraphQL for a bit
kzkohashi
0
240
フォロワーがどの雑誌に興味があるのか可視化してみる / magazine-score
kzkohashi
0
700
Laravelを始めて DDDを実践するまで
kzkohashi
2
2k
Other Decks in Technology
See All in Technology
開発チームとQAエンジニアの新しい協業モデル -年末調整開発チームで実践する【QAリード施策】-
qa
0
260
AI時代のオンプレ-クラウドキャリアチェンジ考
yuu0w0yuu
0
230
DMBOKを使ってレバレジーズのデータマネジメントを評価した
leveragestech
0
240
Phase12_総括_自走化
overflowinc
0
1.4k
大規模ECサイトのあるバッチのパフォーマンスを改善するために僕たちのチームがしてきたこと
panda_program
1
390
VSCode中心だった自分がターミナル沼に入門した話
sanogemaru
0
190
詳解 強化学習 / In-depth Guide to Reinforcement Learning
prinlab
0
370
Phase03_ドキュメント管理
overflowinc
0
2.4k
【PHPerKaigi2026】OpenTelemetry SDKを使ってPHPでAPMを自作する
fendo181
1
180
Phase02_AI座学_応用
overflowinc
0
2.7k
テストプロセスにおけるAI活用 :人間とAIの共存
hacomono
PRO
0
160
20260321_エンベディングってなに?RAGってなに?エンベディングの説明とGemini Embedding 2 の紹介
tsho
0
160
Featured
See All Featured
Code Review Best Practice
trishagee
74
20k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
47
8k
StorybookのUI Testing Handbookを読んだ
zakiyama
31
6.6k
Principles of Awesome APIs and How to Build Them.
keavy
128
17k
Paper Plane
katiecoart
PRO
0
48k
How STYLIGHT went responsive
nonsquared
100
6k
The agentic SEO stack - context over prompts
schlessera
0
710
Navigating Team Friction
lara
192
16k
New Earth Scene 8
popppiees
1
1.8k
Pawsitive SEO: Lessons from My Dog (and Many Mistakes) on Thriving as a Consultant in the Age of AI
davidcarrasco
0
92
B2B Lead Gen: Tactics, Traps & Triumph
marketingsoph
0
84
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
199
73k
Transcript
"NB[PO3FLPHOJUJPOΛ༻͍ͯ ϑΥϩϫʔͷஉঁൺΛग़͢ WEBΤϯδχΞษڧձ #05 େڮ Ұथ @kzkohashi
େڮҰथ!L[LPIBTIJ ΠϯϑϧΤϯαʔϚʔέςΟϯά αʔόαΠυ ϑϩϯτத৺ झຯΧϨʔϥΠε
ϑΥϩϫʔͷใ ݟͨ͜ͱ͋Γ·͔͢ʁ
4/4ͷϑΥϩϫʔใ *OTUBHSBNΠϯαΠτ 5XJUUFS"OBMZUJDT
ଞਓͷΓ͍ͨʂ
Ͳ͏ΕͰ͖ΔͩΖ͏ʁ ϑΥϩϫʔ ϑΥϩϫʔ
إೝࣝΛͬͯஉঁྨਪʁ w จࣈϕʔεͰͷஉঁྨਪͦ͠͏ w 4/4ʹΑͬͯจࣈ͕গͳ͍߹͕͋Δ w ϓϩϑΟʔϧը૾͔Βஉ͔ঁ͔ͳΜͱ͘ͳ͘ Θ͔Γͦ͏
બఆख๏ͷௐࠪ ֎෦"1* ࣗલ 'BDF"1* $MPVE7JTPO 7JTVBM3FDPHOJUJPO 0QFO#3 ࣌ؒͱ͑Δ͓ۚΛߟ͑ͯ֎෦"1*͔Βબఆʂ "NB[PO3FLPHOJUJPO
͜Μͳײ͡ 'BDF"1* "NB[PO3FDPHOJUJPO
બఆൺΔ w ຕͷ4/4ͷϓϩϑը૾Λ༻ҙ w உੑຕ ঁੑຕ ͦͷଞຕ w 'BDF"1*ͱ"NB[PO3FLPHOJUJPOͰൺֱ ͋ΔํͷૉΒ͍͠ϒϩάͰࣝผ͕͔ͳΓΑ͔ͬͨʂ
ൺͨ݁Ռ ਖ਼ छྨ உੑ ঁੑ ͦͷଞ Amazon Rekognition 112(68%) 174(75%)
512(92%) Face API 75(46%) 121(52%) 522(94%) ୯७ͳਖ਼"NB[PO3FLPHOJUJPO͕ଟ͍
ൺͨ݁Ռʢޡʣ छྨ ঁੑ Amazon Rekognition 13 Face API 5 छྨ
உੑ Amazon Rekognition 5 Face API 3 ͕͑ঁੑͷը૾ ͕͑உੑͷը૾ ޡ'BDF"1*ͷ΄͏͕গͳͦ͏
'BDF"1* "NB[PO3FLPHOJUJPO ޱͳͲݟ͑ͳ͍ͱ'BDF"1*ݕग़ͮ͠Β͍ʁ ݕग़ࣦഊ ݕग़ޭ
'BDF"1* "NB[PO3FLPHOJUJPO 4/4ը૾ਅਖ਼໘Λ͋·Γ͍ͯͳ͍ͨΊݕग़ʹ͕ࠩग़ͨʁ ݕग़ࣦഊ ݕग़ޭ
'BDF"1* "NB[PO3FLPHOJUJPO ࣝผޭ͚ͨ͠Ͳ Ұਓ͚ͩݕग़ ೋਓݕग़͚ͨ͠Ͳ ࣝผࣦഊ ݕग़ͪ͠Ό͑'BDF"1*ڧ͍ɾɾɾ
'BDF"1* "NB[PO3FLPHOJUJPO ͜͏͍͏͜ͱ͋Δʢসʣ ࣝผޭ͚ͨ͠Ͳ ͲͪΒঁੑͱޡೝࣝ
બఆ·ͱΊ w 'BDF"1*ͷ΄͏͕ਫ਼ྑͦ͞͏ w ͨͩɺޱͱ͔ӅΕͨΓ͍ͯ͠Δ4/4ը૾ͷݕग़ѱ͗͢Δ w ࣝผͱݕग़ͷόϥϯεͰ"NB[PO3FLPHOJUJPOʹܾఆ ʢ୯७ͳਖ਼ͳΒΑ͔ͬͨʣ "NB[PO3FLPHOJUJPO
"NB[PO3FLPHOJUJPOͱ w "84͕ఏڙ͍ͯ͠Δɺը૾ࣝผαʔϏε w إೝ͚ࣝͩͰͳ͘ɺΦϒδΣΫτʢؠͱ͔ʣͷݕग़ ൺֱͱ͔Ͱ͖Δ w ͍͍ͳͱࢥͬͨͷɺஉঁࣝผʹ৴པ͕͍͍ͭͯΔ ͍·͞Β
(FOEFS\ 7BMVF.BMF $POpEFODF ^ ৴པ ࣗͨͪͷαʔϏεʹԠͯ͡ᮢܾΊΕΔ
ΞʔΩςΫνϟ ϓϩϑը૾ μϯϩʔυ ϑΥϩϫʔใ σϑΥϧτը૾͔ ൱͔ Ξοϓϩʔυ ˞ ˞͓͍ۚͬͨͳ͍ͷͰɺσϑΥϧτը૾ͷਓল͍ͯΔ
IUUQL[LPIBTIJIBUFOBCMPHDPNFOUSZ ʢQZUIPOΛͬͯ03#ͱ1FSDFQUVBM)BTIͰը૾ͷྨࣅΛൺͯΈΔ ৴པͷᮢ உঁใ "NB[PO3FLPHOJUJPO KTPO
݁Ռ ͑ ঁੑ உੑ ࠓճͷγεςϜ ˞ ঁੑ உੑ ˞αϯϓϦϯάϥϯμϜͰׂ̍ఔ
·ͱΊ w ը૾ࣝผ"1*৭ʑ͋Δ w ༻్ʹ߹Θͤͯࣝผͱݕग़ͷόϥϯεͰબ w ϓϩϑը૾͚ͩͰஉঁൺͱΕͨ
͓·͚ ͜ͷൺʹຊʹͳΔͷ͔ࢼͨ͠ छྨ உੑ ঁੑ ͦͷଞ ࣗͰ͑Δ 65%(97) 35%(52) 12
Amazon Rekognition 46%(36) 54%(42) 22 Face API 51%(21) 49%(20) 121 ͳΔ΄Ͳɾɾɾ