• Zinraiの技術

    画像・音声・テキスト・数値など様々な種類のデータからZinraiが新たな価値を生み出し、お客様のビジネスや社会に変革をもたらします。

    ※ 技術導入の際は、Zinrai活用支援サービスをご利用ください。

画像

物体認識・検出

画像に何が写っているか【物体認識】や、画像のどこに何が写っているか【物体検出】をディープラーニングで特定します。
本技術を用いて、人物や車を特定することも可能です【人物認識、車両認識】。人物を特定する際には、声のデータを併用する場合もあります。
また、保存済みの画像の中から、入力した画像と類似の画像をディープラーニングで検索することも可能です【類似画像検索】。

事例・その他の活用シーン

画像異常検知

画像内の特定の事象(異常など)をディープラーニングで検出します。
建物などの外観のひび・さび検出については、学習済みモデルを富士通で用意しており、すぐにお客様の業務に導入することができます【外観検査】。
また、センサー画像やレーダー画像など見立てにノウハウが必要な専門画像でも人のスキルに依らずに検査が可能となります【専門画像検査】。


行動分析

人の映像から、動作や行動をディープラーニングで認識します。
「歩く」「首を振る」「手を伸ばす」など約100種類の基本動作を90%以上の精度で認識する学習済みモデルを用い、これら基本動作を組み合わせることで、不審行動や購買行動といった人の複雑な行動を認識させることが可能です【Actlyzer】。
例えば、「扉の前にいる+座る+鍵穴を見る+鍵穴に手をあてる」という基本動作の組み合わせとその発生場所、および行動の対象を指定することで不審行動として認識できるようになります。
大量の学習用映像データは不要なため、短期間でお客様の現場の映像で検証でき、業務に導入することができます。また、新たな行動を認識させたい場合にも再学習は不要で、基本動作の時系列パターンを再定義するのみで良いため、短期間で導入・運用が可能となります。 → プレスリリース


混雑検知

映像から、人や車をディープラーニングで検出して数をカウントすることで、人混みや車の渋滞を検知します【人混み検知】【渋滞検知】。
店内などで席に座っている人を検知することで座席の混雑度合いを測ります【座席位置検知】。


超解像

航空画像などの低解像度の画像を鮮明にします。


手書き文字認識

手書き文字の画像をディープラーニングで文字認識してテキストデータとして出力します。
富士通研究所(日中)で開発した学習済みモデルにより、漢字を含む文字列における文字の区切りを高精度に判別することが可能で、文字認識率を向上させています。


表情認識

顔画像から細やかな表情変化を高精度に捉える表情認識技術を開発しました。表情変化に基づき、納得や戸惑い、ストレスといったユーザーの状態や反応を定量的に評価することで、さまざまな分野での応用を想定しています。 → プレスリリース

事例・その他の活用シーン
  • 遠隔会議でのコミュニケーション支援
  • 社員のエンゲージメントを定量的に測定(働き方改革)
  • ドライバーの安全運転の見守り

音声

音声・音響処理

人の音声ファイルから話していることを認識してテキストデータとして出力する際に、ディープラーニングで音声ファイルのノイズを除去して認識率を向上させます【音声明瞭化】。
また、複数の人の声をディープラーニングで識別【話者識別】することで、音声テキスト化後のデータ活用の利便性が向上します。
人の声以外にも、環境音から特定の種類の鳥の鳴き声を検出することが可能です。【環境音認識】

事例・その他の活用シーン
  • インタビューやセミナー、記者会見の文字起こし

自然言語

文書翻訳

ニューラル機械翻訳によりプロの翻訳家レベルの訳質ですばやく翻訳できます。
日本語と英語、中国語(簡体字)に対応しています。
テキストデータやMS-Officeファイル、PDFファイルが翻訳できる他、Outlookのメール翻訳およびSkypeのチャット翻訳ができるプラグインもご提供しています。

事例・その他の活用シーン
  • オフショア推進部署における規定文書の翻訳

意味検索

論文・マニュアル・仕様書など、さまざまな文書をあらかじめ学習しておくと、入力したキーワードや自然文に関連性が高い文書を検索できます。キーワードに関連性が高い単語を含む文書も探しあてることができます。自然文で質問することができるので、検索キーワードに悩む必要はありません。
例えば、専門用語を知らない経験の浅い人でも、平易な言葉から逆引きのように専門用語の使われている文書を見つけられます。
また、標準的なUIと検索ロジックを備えた「knowledge Search」により、お客様への導入を容易にします。

事例・その他の活用シーン
  • 研究テーマ立案時の過去類似研究テーマの検索
  • トラブル発生時の過去類似トラブルの検索
  • 設計検討時の過去類似仕様書、設計書の検索

チャットボット

自然な会話文で対話していきながら適切な回答を見つけていきます。文章で質問することができるので、検索キーワードに悩む必要はありません。
蓄積していく対話履歴を新たに学習して、回答精度を向上することができます。


FAQ検索

過去のQ&A履歴やインシデント対応履歴などをあらかじめ学習しておくと、質問文に対する適切な回答を検索し、確度の高い順に提示します。文章で質問することができるので、検索キーワードに悩む必要はありません。
蓄積していくQ&Aデータや検索結果に対するフィードバックを継続して学習することで、検索精度を向上することができます。


要約

ニュース記事や論文などの文章を重要部分を残しながら指定文字数で要約します【重要文抽出】。
既存の要約技術であるLEAD法(先頭から順に文字数制限の範囲内で文を抽出する方法)に比べ、人手に近い高精度な要約が可能です。
さらに、ニューラル要約手法に強化学習の一種を用いることで、言い換え(「アメリカ」を「米」と短く表現するなど)や語順の変化、不要な単語の削除といった編集作業に対応しつつ、指定文字数で品質の高い要約を生成する技術も研究中です。→ 関連記事


候補選択

過去の入出力データから学習済モデルを構築します。新たな入力データに対して、学習済モデルが正誤を確度判定します。複数候補がある場合は適切な候補を確度の高い順に提示します。
入力データとして、問い合わせなどの自然文だけでなく数値その他の様々なデータの組み合わせを扱うことができます。

事例・その他の活用シーン

文章分類

文章の文脈を解析し、内容に応じて予めお客様が設定したラベルで文章を分類します。
「電車が遅れ、仕事を逃した。」という文章と、「仕事が遅れ、電車を逃した。」という文章では、前者が「電車遅延」に関する文章であると判別できます。
分類用ラベルはお客様が自由に設定することができます(予めラベル付けをした教師データを用意して学習する必要があります)。

事例・その他の活用シーン

固有名抽出

文章内の固有名(人名や地名など)にタグをつけ、データ活用することができます。
「宮崎さんの出身は宮崎」などといった文章も、文章の前後関係から人名と地名を区別してタグづけすることができます。
よく使われる固有名10種類*は標準タグとして予め学習済みのため、すぐに本機能を利用可能です。
標準タグ以外のお客様独自のタグを設定し学習することで新たなルールを作成したり、追加学習を行うことで精度を高めたりできます。
本技術を用いて、地名のタグをつけた単語から、住所と緯度・経度を提示することも可能です【場所推定】。「港区でたこ焼きを食べている」という文章の場合、たこ焼きは東京より大阪が本場と判断し、大阪の方が確度が高く提示されます。

* 日付、時間、人名、電話番号、郵便番号、場所、組織名、人工物、金額、割合

事例・その他の活用シーン
  • 申込書の個人情報を秘匿化しデータ利活用
  • カルテ個人情報を秘匿化しビッグデータとして有効活用
  • 論文中から人名などの固有名を抽出
  • 新聞記事から人名・住所等を抽出しアーカイブ化(新聞CMS)
  • 自然災害の発生場所をSNS投稿から抽出

数値・その他

予測分析

過去の履歴データを学習し、未知のデータに対して様々な手法を用いて予測を行います。
需要予測において、多種多様な商品の特性に柔軟に対応する安定した高精度予測を実現し、自動チューニングによる運用負荷軽減をも実現します【動的アンサンブル予測】。

事例・その他の活用シーン

データ異常検知

センサーデータやアクセスログ、業務データなど、様々なデータにおける過去の履歴データを学習し、現在発生している異常(通常とは異なる状態)を検知します。【アノマリ検知】
また、過去の積算データから類似の工事実績を自動抽出・比較し、積算結果に誤りの可能性があることを検知します【積算誤り検知】


時系列データ分析

振動データなど、人による判別が困難な時系列データの特徴量を「データの形」から導き出すことで、時系列データの分類や異常検知などを高精度に行います。【トポロジカル・データ・アナリシス(TDA)】 → プレスリリース

事例・その他の活用シーン

マッチング

過去の実績データから構築した学習済みモデルを用いて、より良い結果に導くための条件や選択を提示【リコメンド】します。
また、複雑な希望条件や依存関係を考慮してマッチング(割り当て)を行う時に、ゲーム理論と呼ばれる、利害が必ずしも一致しない人々の関係を合理的に解決する数理手法を応用し、全員が可能な限り高い希望をかなえられる割り当て方をすばやく見つけます。

事例・その他の活用シーン

説明可能なAI

近年のAI普及の原動力となっているDeep Learning技術は、データの特徴量を自動的に抽出し、データを認識・分類できるという点で、従来の機械学習技術に対する優位性があります。しかし、AIが導き出した結果については「なぜAIがそういう判断を下したのか」という理由を示すことが難しいため、信頼性や納得性が要求されるビジネス分野には適用しにくいという課題があります。富士通研究所では、この課題を解決する技術として、「説明可能なAI」の研究に取り組んでおり、その成果として登場したのが「Deep Tensor®」「Wide Learning™」という判断理由を説明する最新技術です。これらと「Knowledge Graph」を組み合わせることで、学習データには現れない周辺知識をも使用したより深い説明を実現します。

事例・その他の活用シーン(Deep Tensor + Knowledge Graph)

もっと詳しく


Wide Learning™

高精度の判断と透明性の両立を実現する新たな説明可能なAI技術です。大量の学習データを必要とせず、AIの判断理由の説明が容易なため、従来はAI活用が難しかった様々な業務に適用できます。さらに、専門家がこれまで気づかなかったような業務知識の発見により、新たな施策立案や業務判断の支援も可能となります。

その他の活用シーン
  • 生産現場での不良品検知
  • 部品の利用工程の予測
  • 設備故障やネットワーク障害の予兆発見
  • 広告出稿などのマーケティング
  • デジタルマーケティング(解約率低下、潜在顧客発見など)
  • 融資・クレジットカード与信

もっと詳しく


Deep Tensor®

人やモノのつながりを表現できるグラフ構造のデータに対して高精度な解析を可能とする富士通独自の機械学習技術です。従来のAI技術では予測が困難な複雑な関係性に起因する問題に対して威力を発揮いたします。さらに、予測理由となる推定因子を提示することで予測結果の説明につなげることができます。

その他の活用シーン

もっと詳しく


Knowledge Graph

インターネットや企業内の情報など多種多様な情報源から収集したデータを意味付けした上で結合させた、グラフ形式の巨大な知識ベースです。ナレッジグラフ上で関連性をたどっていくことで、複数の情報源によって明らかとなる新事実の発見や、学術論文等に記載された論理的な根拠の探索を可能にします。ナレッジグラフは、データベース統合や自然言語理解、コンピュータ上での知識表現・論理推論といった技術要素によって構成されており、人類が蓄積してきた膨大な知識を元にした論理的思考をコンピュータ上で実現するために使用されます。→ プレスリリース


High Durability Learning

AIモデルは運用時に入力データが変化することで精度が低下する問題があり、そのために多大な作業・コストを掛けて精度回復を図っています。本技術は、そのような実運用時のAIモデルの精度監視と修復を自動化することができます。これにより、作業コストの大幅削減と、運用中に精度で問題が起きていないかのリアルタイムな監視が可能になり、安定したAI運用が実現できます。また、本技術はAIモデルやデータの種類に関わらず適用することができることも特徴です。→ プレスリリース

事例・その他の活用シーン
  • 金融での企業リスク評価
  • 小売業での商品分別
  • 運送業での文字認識
  • 製造業での工場監視

もっと詳しく

Contact FUJITSU Human Centric AI Zinraiに関するお問い合わせ

Webでのお問い合わせ

入力フォーム

当社はセキュリティ保護の観点からSSL技術を使用しております。

お電話でのお問い合わせ

富士通コンタクトライン(総合窓口)
0120-933-200

受付時間 9時~17時30分
(土曜・日曜・祝日・当社指定の休業日を除く)