LPIXEL_CADDi_イベント資料

Slide 1

Slide 1 text

実例で示すKaggleコンペと開発実務の差「Kaggle Masterとマネージャーが語るAI製品化の舞台裏」より 2024年3月15日エルピクセル株式会社髙木優介

Slide 2

Slide 2 text

CONFIDENTIAL Copyright © LPIXEL Inc. 2 自己紹介 l 名前：髙木優介 l Xアカウント名：たっかー（@takka__Q） l Kaggle ：Q_takka（https://www.kaggle.com/qtakka） l 所属：エルピクセル株式会社研究開発本部シニアエンジニア l AI画像診断支援技術のアルゴリズム開発などを行っています l つい最近までSoftware Design誌にて「画像解析AIの作り方」連載してました l Kaggle Competitions Master l 最近は医療・ライフサイエンス系の画像コンペにソロで参加することが多い l 無課金Master

Slide 3

Slide 3 text

Slide 4

Slide 4 text

CONFIDENTIAL Copyright © LPIXEL Inc. 4 前提の話データサイエンティスト（機械学習エンジニア）の仕事を大きく分けると l （大量の）データの分析を行い、何かしらの知見を抽出しビジネスに活かす l データマイニング・コンサルティング l 機械学習モデルを使用したプロダクトの性能向上・機能追加医療AI開発は後者がほとんどエルピクセルの機械学習エンジニアも後者（なので今日の話も後者が前提）

Slide 5

Slide 5 text

CONFIDENTIAL Copyright © LPIXEL Inc. 5 Kaggleについて l Kaggleは以下のような特徴がある l 主催者（企業や研究機関など）が課題内容・データ・評価指標を用意し、参加者はその条件内で性能を競い合う l コンペティションの開催期間は2〜4ヶ月 l テストデータは2種類存在 l コンペ期間中の評価に使用されるpublicデータ l コンペ終了後の評価に使用されるprivateデータ l 最近は推論を行うコードを提出する形式が多い l 最終順位はprivateデータでの数値で決定

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

CONFIDENTIAL Copyright © LPIXEL Inc. 11 Kaggleと実務の違い〜プロジェクト企画〜 Kaggleでは主催者が決めた課題内容に取り組む実務ではプロジェクトで何をするのかから自社で決める実務では・・・ l 既存製品の性能改善、新機能追加 l 新製品の検討・作成 l PoC（概念実証）の実施エンジニアが1から企画に関わることは少ないかもしれないが、どのようなアルゴリズムであれば実現可能かを提案し、より良いものを作ることが大切

Slide 12

Slide 12 text

Slide 13

Slide 13 text

CONFIDENTIAL Copyright © LPIXEL Inc. 13 Kaggleと実務の違い〜データセット・アノテーション〜 Kaggleでは主催者が用意したデータセットやアノテーションを使用実務では自前でデータセットやアノテーションを作成可能実務では・・・ l 特定のデータを収集して性能向上 l 苦手なデータ、珍しいデータ l 新しいアノテーションを追加をして新たな手法を取り入れる l 既存のデータセットのスクリーニングアルゴリズム側だけでなく、データ側もブラッシュアップ可能

Slide 14

Slide 14 text

Slide 15

Slide 15 text

CONFIDENTIAL Copyright © LPIXEL Inc. 15 Kaggleと実務の違い〜製品化する上での制約〜 Kaggleは推論時にGPUありで9時間以内に推論が完了すればOKなケースが多い製品化を考えるとそこまでの時間的・計算リソース的な余裕はない場合が多い実務では・・・ l 推論はCPUのみで1分以内のような制約 l たくさんのモデルは使えない l リアルタイム推論が必要な状況初めから制約を考慮しつつ高性能なモデルを作成する必要