行動AIによってコンピュータービジョンの影響力が高まっています

長年にわたり、コンピュータビジョンのイノベーションは、画像や動画内の犬や車などの物体を特定する物体検出のようなタスクに重点を置いてきました。こうしたアプローチにより、自動運転車、製造、ヘルスケアなどの分野でアプリケーションが実現しています。

しかし、こうしたタスクでは、物体が何であるかを特定することだけに焦点が当てられる場合が少なくありません。ビジョンAIシステムが、さらに一歩進んだ処理を実行できるとしたらどうでしょうか。例えば、犬を単に検出するだけでなく、その犬がボールを追いかけていることや、歩行者が横断しているために車が突然ブレーキをかけていることを理解できるとします。基本的な認識からコンテキスト理解へのこの変化は、よりスマートでコンテキストを認識するBehavioral AIに向けた大きな転換を意味します。

YOLO Vision 2024（YV24）は、ビジョンAIの進歩を称えるUltralyticsの年次ハイブリッドイベントです。このイベントでは、The Main BranchのCEOであるDavid Scottによる興味深い講演で、AI主導の行動分析というコンセプトが中心的に取り上げられました。

講演でDavidは、基本的なコンピュータビジョンタスクから行動追跡への移行について説明しました。最先端のテクノロジーアプリケーションの構築で25年以上の経験を持つDavidは、この飛躍がもたらす影響を紹介しました。また、パターンや行動を読み解くことが、農業や動物福祉などの業界をどのように変革しているかを強調しました。

この記事では、Davidの講演のハイライトを紹介し、行動追跡によってAIがより実用的になる仕組みを探ります。

AI導入における課題を理解する#

David Scottは基調講演の冒頭で、厳しい現実を率直に指摘し、次のように述べました。「私の同僚はよく『科学は売れない』と言います。科学が大好きな私たちの多くにとっては、少し不快な言葉です。AIは本当にすごいものなのに、なぜ人々は買わないのでしょうか。しかし現実には、私たちがすごいと思っているからという理由だけで、人々がAIを買いたいと思うわけではありません。買う理由が必要なのです。」

続けてDavidは、自社であるThe Main Branchでは、AIの能力を見せつけるのではなく、AIで現実の問題を解決することに常に重点を置いていると説明しました。多くのクライアントは、AIを一般的にどのように活用できるかについて相談しに来ますが、Davidはそれを逆向きのアプローチだと考えています。問題がないのに解決策を用意するようなものだからです。その代わりに、具体的な課題を持つクライアントと協力し、実際に変化をもたらすAIソリューションを作り上げています。

図1. YV24のステージに立つDavid Scott。

Davidはまた、同社の取り組みが、シーン内の物体を認識するだけにとどまらないことが多いと説明しました。そこに何があるかを見つけることは、最初の一歩にすぎません。本当の価値は、その情報をどう活用し、より大きなバリューチェーンの中で役立つものにするかを見極めることから生まれます。

行動追跡テクノロジー：実用的なAIの鍵#

AIを真に役立つものにするための重要なステップは、物体検出などの基本的なコンピュータビジョンタスクを超え、そこから得られたインサイトを行動追跡に活用することです。Davidは、Behavioral AIは物体を特定するだけでなく、行動やパターンの理解に重点を置いていると強調しました。これによりAIは、意味のあるイベントを認識し、実行可能なインサイトを提供できるようになります。

Davidは、床の上で動物が転がる例を挙げました。これは病気の兆候である可能性があります。人間が24時間体制で動物を見守ることはできませんが、行動追跡機能を備えたAI主導の監視システムなら可能です。こうしたソリューションは、物体を継続的に監視し、特定の行動を検出してアラートを送信し、タイムリーな対応を可能にします。これにより、生のデータが実用的で価値のある情報へと変わります。

Davidはまた、このアプローチによって、AIが興味深いだけでなく、実際に大きな影響をもたらすものになることを紹介しました。行動の監視や、それに基づく対応といった現実の問題に取り組むことで、行動追跡はさまざまな業界における効果的なAIソリューションの重要な要素になり得ます。

Behavioral AIを実用化する#

David Scottは、コンピュータビジョンモデルであるUltralytics YOLOv8が、チームの行動追跡プロジェクトにとって画期的だったことを説明しました。これにより、物体の検出、分類、追跡のための確固たる基盤が得られました。さらにチームはYOLOv8をカスタムトレーニングし、時間の経過に伴う行動の監視に重点を置くことで、実際の状況においてより実用的で役立つモデルにしました。

Ultralytics YOLO11のリリースにより、The Main Branchが開発したようなソリューションは、さらに信頼性と精度を高められる可能性があります。この最新モデルは、精度の向上や処理速度の高速化などの機能を備えており、行動を追跡する能力を高めます。Behavioral AIを活用できるアプリケーションについて理解を深めた後、この点を詳しく説明します。

次に、Davidが紹介したソリューションと、行動追跡テクノロジーが現実のアプリケーションでどのように利用され、日常的な課題の解決や意義ある成果につながっているかを見ていきましょう。

AI主導の行動分析を活用するHerdSense#

まずDavidは、HerdSenseというプロジェクトで取り組んだ興味深い課題を紹介しました。このプロジェクトでは、大規模な肥育場で数千頭の牛の健康状態を監視しました。目的は、個々の牛の行動を追跡して、潜在的な健康上の問題を特定することでした。これは数万頭の動物を同時に監視することを意味し、簡単な作業ではありませんでした。

図2. HerdSenseは、Behavioral AIを使用した牛の監視と識別に重点を置いています。

各個体を識別し、行動を追跡するという課題の解決に着手するため、Davidのチームは2日間のワークショップを実施し、監視が必要なあらゆる行動を洗い出しました。合計で200以上の行動を特定しました。

200種類の行動はいずれも、個々の牛を正確に認識できることが前提でした。すべてのデータを特定の動物に紐付ける必要があったためです。大きな懸念事項の一つは、牛が群れになって集まったときの追跡でした。個々の動物を見分けることが難しくなるためです。

Davidのチームは、難しい状況でも各個体を一貫して識別できるコンピュータビジョンシステムを開発しました。視界から消えたり、他の牛と混ざり合ったり、後から再び現れたりした場合でも、同じ牛に常に同じIDが割り当てられることを確認できました。

コンピュータビジョンによる馬の健康状態の監視#

続いてDavidは、同様の行動追跡技術を馬の監視に適用した、もう一つの興味深いプロジェクトを紹介しました。このプロジェクトでは、牛の場合ほど個々の馬のIDを厳密に追跡する必要はありませんでした。その代わり、特定の行動に焦点を当て、食事パターンや全般的な活動レベルなどの詳細を追跡し、健康上の問題を早期に発見しました。行動の小さな変化を特定することで、より迅速に介入し、より良いケアを提供するとともに、問題が深刻化する前に防止できる可能性があります。

図3. Behavioral AIを活用した馬の監視。

Behavioral AIが見た目ほど単純ではない理由#

Davidはまた、興味深い例を通して、行動追跡の複雑さについて説明しました。行動分析を改善する方法を調査していた際、Davidのチームは、ポケットに手を入れているといった特定のポーズを分析することで万引きを検出できると主張する企業を見つけました。最初は、これは賢いアイデアのように思えました。特定の動きは不審な行動を示唆する可能性がありますよね。

図4. 行動追跡テクノロジーの課題を理解する。

しかし、さらに検討を進める中で、Davidはこの手法の限界に気づきました。ポケットに手を入れているという単一のポーズが、必ずしも万引きを意味するわけではありません。リラックスしている、考え事をしている、あるいは寒がっているだけかもしれません。孤立したポーズに焦点を当てることの問題は、より大きなコンテキストを無視してしまうことです。行動は単一の動作ではなく、コンテキストと意図によって形作られる、時間経過に伴う動作のパターンです。

Davidは、真の行動追跡ははるかに複雑で、包括的なアプローチが必要だと強調しました。動作の連続を分析し、より広い全体像の中でその意味を理解することが重要です。AI業界は進歩を続けていますが、意味のある正確なインサイトを提供できる行動追跡を実現するには、まだ取り組むべき課題があるとDavidは指摘しました。

行動を理解する、よりスマートなビジョンAIモデルの作成#

続いてDavidは、Ultralytics YOLOv8とそのポーズ推定機能を活用して、チームが牛の健康状態を監視するコンピュータビジョンソリューションを構築した方法を紹介しました。

まず、牛のポーズ推定用のカスタムデータセットを作成し、モデルが動きをより適切に分析できるよう、標準のキーポイント数を17個から145個に増やしました。次に、200万枚を超える画像と1億1,000万件の行動例からなる大規模なデータセットを使ってモデルをトレーニングしました。

高度なハードウェアインフラストラクチャを利用することで、Davidのチームは従来のハードウェアであれば数週間かかったはずのモデルのトレーニングを、わずか2日で完了できました。その後、トレーニング済みモデルをカスタム行動トラッカーと統合し、複数の動画フレームを同時に分析して牛の行動パターンを検出しました。

その結果、食事、飲水、横臥など、8種類の異なる牛の行動を検出・追跡し、健康上の懸念を示す可能性のある小さな行動変化を発見できる、ビジョンAI主導のソリューションが実現しました。これにより、農家は迅速に対応でき、群れの管理も改善されます。

Behavioral AIのこれから#

Davidは講演の最後に、聴衆に重要な教訓を伝えました。「AIに失敗する余地を与えなければ、失敗に向けて自分を追い込むことになります。結局のところ、AIは統計的なものだからです。」Davidは、AIには多くの強みがある一方で、完璧ではないと指摘しました。AIはパターンから学習するツールであり、正しく処理できない場面は必ずあります。そうしたミスを恐れるのではなく、ミスに対処し、時間とともに改善を続けられるシステムを構築することが重要です。

これはコンピュータビジョンモデル自体にも当てはまります。例えば、Ultralytics YOLOモデルの最新バージョンであるUltralytics YOLO11は、YOLOv8と比較して次のレベルへ進化させる必要性を念頭に置いて構築されています。

図5. Ultralytics YOLO11がサポートするコンピュータビジョンタスク。

特にUltralytics YOLO11は、農業やヘルスケアなど、精度が重要となるリアルタイムアプリケーションで、より優れたパフォーマンスを発揮します。高度な機能を備えたYOLO11は、革新的なリアルタイムインサイトを提供し、課題へのより効果的な対応を支援することで、業界におけるAIの活用方法を再定義しています。

主なポイント#

YV24でのDavidの基調講演は、AIが単なるクールなイノベーションではなく、現実の問題を解決し、私たちの暮らし方や働き方を改善する強力なツールであることを思い出させてくれました。AIは行動に焦点を当てることで、動物の健康状態の追跡や日常の行動における意味のあるパターンの認識など、すでにさまざまな分野に影響を与えています。

Behavioral AIの可能性は非常に大きく、私たちはまだその出発点に立ったばかりです。生のデータを実行可能なインサイトへと変換することで、Behavioral AIは受動的な監視から能動的な問題解決へと移行します。さらに発展するにつれて、Behavioral AIはよりスマートな意思決定を促進し、プロセスを効率化し、私たちの生活に意義ある改善をもたらすことが期待されます。

AIとその現実世界でのアプリケーションについて詳しく知るには、私たちのコミュニティとつながり続けてください。GitHubリポジトリでは、農業におけるAIや製造におけるコンピュータビジョンなどの分野におけるイノベーションをご覧いただけます。