Copyright © Algomatic Inc. Algomatic CTO 南里勇気 
 マルチモーダルデータ基盤の課題と観点 


自己紹介
 取締役CTO/AXのカンパニーCTOを兼務 南⾥ 勇気/ Yuki Nanri @neonankiti 複数社のスタートアップ経営(事業会社/受 託会社) ヘルスケアスタートアップの創業期ソフト ウェアエンジニアとして参画

Algomaticの特徴「生成AI×事業開発」 


マルチモーダル AIについて

マルチモーダルAIとは何か？ 
 モーダルとは、情報の表現形式。モーダルには、⾔語的(⾃然⾔語)、⾮⾔語的(⾳声、画像など) な種類がある。マルチモーダルAIとは、⾔語と⾮⾔語の情報を統合的に処理すること。 モダリティの種類 https://journal.ntt.co.jp/wp-content/uploads/2024/03/nttjnl2001_20240401.pdf 統合的な処理 https://www.youtube.com/watch?v=1ADuAOkQ1sQ&list=PLQcPcYQkptd XXAjUuwlvc3PudConuZHU4 ・自然言語（音声言語、文章） ・視覚情報（画像、映像） ・聴覚情報（音声、音、音楽） ・触覚 ・匂い、味 ・生理指標（心拍、発汗） ・その他（脳波、fMRI） 非 言 語

言語と非言語データの関連付けによる意味理解 
 異なる種類(⾔語/⾮⾔語)はデータ形式を統⼀(ベクトル化)し、計算処理ができる状態に。 Transformerベースでは、⼤きく4つのアーキテクチャに分類できる。 https://arxiv.org/html/2405.17927v1 4つのアーキテクチャパターン Standard Cross-Attention based Deep Fusion (SCDF)

マルチモーダル処理の事例。video2txt、img2imgで、抽象的なコンテキスト理解やセグメン テーションを実現。 弊社事例
 https://note.com/algomatic_oa/n/n6b48170c547a https://note.com/algomatic_oa/n/nfd078f15000d 空席情報(飲⾷店)のリアルタイム連携 インスタンスセグメンテーションによる⼈物抽出

Multi-Head Attentionの多様性の向上 マルチモーダルの課題に応じたアーキテクチャ選択を⾏う必要がある。例) マルチモーダルにお けるSelf-Attentionは計算量が多くなる。 課題に応じたマルチモーダルAIアーキテクチャ 
 階層的な特徴マップによる計算量削減 と多様な物体スケールへの対応 https://arxiv.org/pdf/2103.14030 https://arxiv.org/pdf/1910.00058

マルチモーダルデータ基盤の課題と観点

テキストのみのデータと⽐較し、データ量が莫⼤。また、アノテーション、学習コストが⾼い。 例)ノイズ除去、クロスモーダル検証、ロバストネス評価。 データの量/質的に課題が顕著に 
 複雑なアノテーション http://lrec-conf.org/proceedings/lrec2004/pdf/480.pdf

マルチモーダルデータ基盤もLLMOpsに類似する 
 https://www.databricks.com/jp/glossary/llmops 項⽬ LLMOps MLOps 計算リソー ス 高負荷の計算が必要、 GPUや圧 縮技術が重要 一般的なリソースで実行可能、場合により GPU使用 転移学習 基礎モデルを微調整し特定ドメイ ンへ適用 ゼロからの学習が多く、必要に応じ転移学 習を利用 RLHF RLHFでユーザーフィードバックを 反映 フィードバック活用は一般的だが、 LLMほ ど頻繁ではない HPO コスト削減重視、バッチサイズ等で 効率性を調整 精度重視でチューニング 評価 BLEUやROUGEなど主観的指標 が多い 精度、AUC、F1スコアなど明確で計算が 容易な指標 Prompting プロンプト設計が重要で、ハッキン グ対策が必要 通常プロンプト設計は不要 LLMパイプ ライン LangChainなどを使用し LLMと外 部システムを連携 データ処理ワークフローを構築してモデル をデプロイ LLMOps vs MLOps

マルチモーダルAIシステムの評価 
 https://arxiv.org/pdf/2408.15769 マルチモーダル評価のベンチマークは汎⽤/特化型タスクで既に多く存在する。

MEGA-Bench 
 マルチモーダルモデルを評価するために、500以上の実世界タスクに対応した評価ベンチマーク https://arxiv.org/html/2410.10563v1

マルチモーダル AIの未来

マルチモーダルAIによる自律型ロボットの進化 
 Tesla Bot (2023) https://x.com/CernBasher/status/1758550609840517484/photo/1 Tesla Bot RAISE-A1 Atlas 各国で⾃律型AIロボットの開発が激化。

ロボティクス×深層学習で、環境変化に強く、⾼度なタスクが実⾏できる⾃律型AIロボットが開 発され始めている。⾃然⾔語による指⽰で、特定の下流タスクをゼロショットで実現できる汎化 性能を獲得。 ロボティクス×Transformer 
 https://robotics-transformer1.github.io/

少⼦⾼齢化の労働⼒不⾜でロボティクス需要が⾼まる中、基盤モデルの適⽤が開始されている。 しかし、技術的な課題は多く、まだ勝者がいない状況である。 早過ぎず、遅過ぎないタイミング 
 出典:内閣府（2022）「令和4年版⾼齢社会⽩書」 出典:⼈⼝動態統計（概数） 労働⼈⼝減少に伴う深刻な⼈⼿不⾜ LLMなどの基盤モデルの進歩 ⽇本では2024年通年で70万⼈を切る⾒込みに ⾃然⾔語のみならず、複数のモダリティで⾶躍的な成果が https://arxiv.org/pdf/2306.13549

まとめ

● マルチモーダルAIのアーキテクチャは課題に合わせて⾏う。 ● 特に、Transformerの特徴である並列性、Multi-Head Attentionによるコン テキスト理解を最適化する。 ● ソフトウェア×ハードウェアの未解決領域は市場ポテンシャルが⼤きい。 まとめ


Algomaticに興味ある方、お待ちしております！