未来を変革するAIのユースケース

AIは、私たちが暮らす世界をどのように刷新しているのでしょうか。まだお気づきでないなら、きっと驚かれることでしょう。仮想空間間でアバターを移動させることから、データアーキテクチャの混雑を解消すること、さらには自宅でホログラムのフィットネスインストラクターを作り出すことまで、人工知能はすでに私たちを前進させ、刺激的な新しい生活の時代へと導いています。

私たちはまだ『スター・トレック』のようなSFファンタジーの世界には暮らしていないかもしれませんが、そこに近づきつつあります。以下では、フィットネスにおける物体検出技術、エッジコンピューティングにおける物体検出、そして物体検出を用いたエッジコンピューティングがデジタルデバイス間のデータ伝送をどのように改善しているかについて、画期的なAIのユースケースを取り上げます。

2022年に新たな領域を切り開くと予測されるAIのユースケースの一部を、詳しく見ていきましょう。

フィットネスにおけるVision AI#

2022年の物体検出は非常に有望であり、フィットネス業界ですでに注目を集めています。MirrorとTonalは、フィットネス分野でAIを推進する成功企業の例です。どちらも、10,000種類を超えるワークアウトをストリーミングし、それらを鏡に投影できるインタラクティブな家庭用デバイスを提供し、健康と運動の改善を目的としています。

私たちの多くは、フィットネスを趣味というより面倒な作業だと感じており、ジムに足を踏み入れることさえためらいます。しかし、自宅で快適に過ごしながら、Mirrorではスタンス検出によって進捗状況やフォーム、その他の指標を追跡できます。

この非常に高度なアプリケーションは、人間の身体部位や関節のポーズを画像や動画から予測するプロセスである人間のポーズ推定を使用し、動画内の人物の姿勢やポーズを評価します。

これは、人物を人間のボックスから識別し、機械学習アルゴリズムを通じて人間のボディランゲージを理解することで、物体検出とは異なります。しかし、人間のポーズ推定とディープラーニングを組み合わせることで、Mirrorは何百万もの異なるワークアウトを分析し、各エクササイズをどのように実行すべきかの概念モデルを構築しています。

運動中、アプリはアルゴリズムを使用して関節の位置を比較します。ずれは検出されて強調表示されるため、けがのリスクを減らし、パーソナルトレーナーなしでも、より安全で最適な方法で運動できるようになります。

Mirrorのような革新的なアプリケーションによって、フィットネスにおけるVision AIは近年すでに飛躍的な進歩を遂げています。そうなると、2023年のフィットネス業界はどのようになっているのか、気になるところです……。

メタバースにおけるコンピュータビジョンAI#

Mark ZuckerbergがFacebookをMetaverseの略称であるMetaへとブランド変更して以来、この言葉は誰もが口にするようになりました。しかし、いったい何を指すのでしょうか。簡単に言えば、メタバースとは現実世界を拡張することを目的としたデジタル領域を指す包括的な用語です。

仮想イベントやコンサート、ミートアップに参加する様子を想像すれば、正しく理解できるでしょう。しかし、メタバースには、ソーシャルメディアにログインしてニュースフィードをスクロールするといった、より簡単な「仮想」インタラクションも含まれます。

明確な最終目標はありませんが、科学者たちはコンピュータビジョンAIを使用してメタバースを可能な限り没入感のあるものにしようと、あらゆる努力を重ねています。コンピュータビジョンAIとは、視覚入力から価値ある情報を理解し、収集したデータに基づいて推奨事項を提供できるようコンピュータを訓練する人工知能の分野です。メタバースにおけるコンピュータビジョンAIの重要な要素が相互運用性です。この少し仰々しく、やや intimidating な用語は、基本的にはアバターやデジタルアイテムをある仮想領域から別の仮想領域へシームレスに移行するプロセスを指します。

相互運用性における機械学習（ML）アルゴリズムは、すでに医療業界に力をもたらしています。例えばCTスキャンを受けると、大量のデータが処理、収集され、医療データベースに保存されます。

医師は別の方法として、医療情報を手動でデータベースに入力します。その後、相互運用性を使用してこの2つのデータ分析を統合し、迅速な病気の診断を行います。

エッジコンピューティングにおける物体検出#

世界はデータであふれています。データは「新しい石油」と呼ばれていますが、実際には多すぎるデータが問題を引き起こします。すべてのデータが同じように作られているわけではありません。収集されたデータを集め、整理し、ふるいにかける作業は、時間を消費します。

物体検出を用いたエッジコンピューティングによって、メインデータセンターからデータを抽出してアーキテクチャのエッジへ移すという大きな負担から解放されました。しかし、エッジコンピューティングとは何で、どのように機能するのでしょうか。

メインデータベースとの間でデータを送受信する技術デバイスの軌道を想像してみてください。処理すべき情報は膨大です。データベースの処理速度が低下し、遅延や中断が発生してパフォーマンスが劣化します。

しかし、エッジコンピューティングでは、このデータの多くが周辺に分散されます。機械学習アルゴリズムによって、各エッジデバイスはローカルに保存されたデータを使って分析モデルをトレーニングする役割を担います。

各デバイスは、データの中から最も価値の高い部分をフィルタリングするという重い処理を行い、その後、包括的な分析のためにメインデータベースへ送信します。大量の研究資料が詰まったプロジェクトに取り組む科学者を想像してください。すべての実験の全データを分析する代わりに、この作業を他の研究者に任せ、概要を報告してもらうのです。

Vision AIは今この瞬間にも世界を変えており、ここで取り上げたAIのユースケースは氷山の一角にすぎません。しかし、さらに興味深いのは、MLデプロイメントプラットフォームであるUltralytics Platformを使って、Vision AIの素晴らしい可能性を活用できることです。

AIコンピュータビジョンを楽しみたいけれど、ノーコードで実現したいですか。#

必要なのはアイデアだけです。Ultralytics Platformを使えば、YOLOv5でモデルを簡単に作成し、アイデアを形にできます。複雑なMLOpsはすべて私たちが行うため、AIを楽しむためにコードを知っている必要はありません。すぐに始められ、最初のMLモデルを構築するのはさらに簡単です。

Vision AIで課題を解決しましょう#

当社のMLデプロイメントプラットフォームなら、簡単に始められます。AIに関する経験は一切必要ありません。