Amazon Rekognitonの導入について

Transcript

1. 1 Amazon Rekognition の導入について
2. 2 自己紹介 力武大貴 株式会社エウレカ APIチーム所属 サーバーサイドエンジニア Pairs担当 2015年8月ジョイン 杉原崚介 株式会社エウレカ APIチーム所属 サーバーサイドエンジニア Pairs担当 2016年6月ジョイン
10. 10 Pairsでできること
11. 11 Amazon Rekognitionの導入について 本日のテーマ
12. 12 目次 • 導入の背景 • 導入の検討事項 • システムアーキテクチャ • Rekognitionを使用した機能の例 • 導入してよかったこと • 導入過程でのつらみ • 改善要望 • 今後の展望
13. 13 導入の背景 • やりたかったこと ◦ 検索結果で顔画像を優先してファーストビューに表示する機能の提供
14. 14 導入の背景 • 課題点 ◦ 10人に2〜3人の割合で顔画像以外の写真が表示されてしまっていた ◦ 初回登録画像が風景や食べ物の画像で、後から顔写真の画像を登録したとし ても、ファーストビュー用の画像にする操作をユーザ自身で行わないとファース トビューに表示されなかった ◦ 検索結果のファーストビューが食事や風景の画像だと見た人の注目を引くこと ができずいいねを押してくれなかった
15. 15 導入の検討事項 • 顔画像認識機能を開発 ◦ OpenCVを用いて社内で実装 ◦ Amazon Rekognitionと、同様の他社画像認識系SaaSであるAとBのサービス
16. 16 導入の検討事項 • OpenCVを用いて社内で実装 ◦ 顔の一部しか写っていない画像だと認識しにくい精度 ◦ 1000枚程度ランダム選出して顔認識精度を比較 ▪ OpenCV : 約8割程度 ◦ 自社でシステムを持つことになるため、自由な反面、専門エンジニアの運用工 数が必要になる
17. 17 導入の検討事項 • RekognitionとSaaS AとBのサービス ◦ 1000枚程度ランダム選出して顔認識精度を比較 ▪ Rekognitionと他のSaaS : 約9割程度 ◦ 調整せずとも精度が高く継続して調整する必要がない ◦ 導入時点でRekognitionとSaas Aに顔画像類似度検索があった
18. 18 導入の検討事項 OpenCV Rekognition 他社画像認識系 SaaS A 他社画像認識系 SaaS B 顔認識精度 約8割程度 約9割程度 約9割程度 約9割程度 運用コスト X ◎ ◎ ◎ 顔類似度検索 なし あり あり なし 導入工数 ◎ ◎ △ △
19. 19 導入の検討事項 Amazon Rekognitionに決定！
20. 20 システムアーキテクチャ 課題 • 最初は既存の画像も対象となるため、数千万枚の画像を処理する必要がある • 画像は全て審査を通してからでないと処理することができない ◦ 審査の処理は複雑で同期的にやることは困難 結論 • 非同期で処理を行う • 大量のワーカーが処理できるようにメッセージキューに詰める方法にした
22. 22 ①
23. 23 ②
24. 24 ③ ④ ⑤ ⑥
25. 25 Rekognitionを使用した機能の例 • 不正ユーザー検知 • 似ているお相手検索
26. 26 不正ユーザー検知 ※弊社CEO
27. 27 似ているお相手検索 気になるお相手を タップ！
28. 28 導入してよかったこと • API自体が安定している • 機械学習やデータサイエンスの専門家の依存がほとんどなくアプリケーションエンジ ニアだけでプロジェクト完遂できた ◦ 自前で実装していたら正面や横から見た顔の誤検出防止のチューニングをす る必要があった ◦ チューニングの工数が必要になり専門のエンジニアが必要になる ◦ 顔の特徴量を持ったデータベースを自前でメンテナンスする必要がある ◦ 安定性や自前でのメンテナンスが必要でインフラエンジニアの助けが必要とな り運用コストも増加する
29. 29 導入過程でのつらみ • 社内で実装したOpenCVと比較して感度が高いがゆえに背景の顔まで認識してしま う • 導入当初は200万件しかCollectionへの顔画像の登録ができなかったのでユーザ をグループに分類して対応していた(現在は2000万件)
30. 30 改善要望 • 顔画像以外も類似画像の検索ができるようにしてほしい • Celebrityに日本人の芸能人をもっと増やしてほしい • 新しいバージョンに切り替えるためには、collectionを再度作成し、画像を上げ直さ ないといけない（お金と時間がかかる）
31. 31 We are hiring!