メタデータ、機械学習実用化フレームワーク“Montage”で学習済ディープラーニングの生産性と品質を向上

■背景
　ビッグデータが溢れ、その活用のための分析が人手では追い付かず、人工知能的なソフトウェアを業務に組み込む問題意識が高まっています。特にディープラーニングが注目を浴びています。ディープラーニングが、人間がモデルを与えることなく勝手に特徴を抽出して、認識能力、分類能力を備えてくれることは画期的でした。しかし、その精度がデータの量や質に大きく依存し、本番さながらの実験を行ってみるまでは、実用性が不明という欠点があります。ディープラーニングに学習させた結果、ネットワークの内部がどのようになっているか、当面原理的に解析できない状況が続きそうなので、試行錯誤、評価が必要です。
成功／失敗、改善／改悪の原因分析が困難で追加投資、保守予算が見えず、またITベンダーとユーザ間の責任分界点が不明確な点が、特に、機密データをITベンダーに開示できない企業にとっては致命的な問題点となり得ます。　

■機械学習実用化フレームワーク“Montage”の概要
これらの問題を解決するため、メタデータ株式会社は、機械学習実用化フレームワーク“Montage”を開発しました。“Montage”のコア部分では、予め抽出しておいた特徴量群を、様々なディープラーニング（別名「深層ニューラルネット」）や、SVM (Support Vector Machine)など複数種類の学習器の間で切り替えて、認識や分類を行わせることができます。このため、主な優れた機械学習で必要となる特徴量を高々１０種類ほど、学習データから抽出しておけば、学習データを廃棄、返却してしまうことができます。これは、データの所有権、著作権の問題を回避するため、長期間貸与を受けることなく、高々最初の１週間程度、権利者から利用させてもらうことで、実用精度の認識・分類エンジンを、その複数の特徴量抽出結果（元データより何桁も情報量が少なく元データの ”表現”と同等の著作権は消失していると考えられます）を使いながら鍛え上げ、チューニングしていくことで実用精度を達成することが可能です。特に、金融系の応用現場など、学習のための元データをAI構築を担うITベンダーにさえ一切見せられないような場合、“Montage” の前処理、すなわち、特徴量抽出モジュールを応用現場に貸与し、マニュアル通りに特徴量抽出を行ってもらって受け取ることで、機密データをITベンダーが見ないまま、その種のデータから認識・分類器のトレーニングを進めたり、対話の精度を上げたりすることが可能となります。
機械学習実用化フレームワーク“Montage”のもう１つの大きな特徴は、精度の自動評価です。予め、クラウドソーシング等で高品質な正解データを作成しておけば、ある段階までトレーニングが進んだ学習器群の精度（適合率、再現率、F値等）を自動計算し、自動比較することができます。これにより、最も精度の高い学習器を選んで、さらなる追加トレーニングを施す、といった意思決定が容易になります。トータルプロセスとして、人間は人間ならではの判断による正解データ作りと、誤りの質の評価などに専念出来るようになり、AIの応用現場への投入を加速することができます。

機械学習実用化フレームワーク“Montage” の概要は、2016年7月1日午前、「コンテンツ東京内AI・人工知能ワールドのリアルワールド社セミナーにて講演いたします。リンク