タグ: 人工知能・AI

チャレンジャーバンクという言葉を耳にしたことはあるだろうか？今度はチェレンジャーエネルギーサプライヤーの登場だ。英国のOctopus Energy（オクトパス・エナジー）は、合弁会社の立ち上げに向けて、9.7％の株式と引き換えに東京ガスから1億5000万ポンド（約208億円）の出資を受けた。この結果同社の評価額は15億ポンド（約2082億円）となった。合弁会社の株式の30％はOctopusが保有し、過半数を東京ガスが保有する。これまでの5年間の運営を経て、Octopusは、British Gas（ブリティッシュ・ガス）のオーナー企業であるCentrica（セントリカ）の評価額に近づいている。

Octopusは、革新的なAIとデータベースのプラットフォームを使ってグリッド周りの負荷をバランスさせる100％再生可能電力運用をトレードマークに、日本でのブランドをスタートする。同社のソフトウェアであるKraken（クラーケン）は、Origin Energy（オリジン・エナジー）、nPower（エヌパワー）、E.On（イーオン）、Good Energy（グッド・エナジー）、Hanwha Corporation（ハンファ・コーポレーション）などにもライセンスされており、世界中で1700万のエネルギーアカウントにサービスを提供している。

「この合弁会社は、当社の再生可能エネルギーと技術に関するエキサイティングなアプローチを、世界最大の競争の激しいエネルギー市場に持ち込みます。また今回の投資は、世界的なエネルギー革命を起こすという当社の使命をさらに加速するものです」とOctopus CEOのGreg Jackson（グレッグ・ジャクソン）氏は声明の中で語っている。

オーストラリアのOrigin Energyもまた、2020年4月に株式の20％を購入した際の大きな投資に続き、Octopusの3700万ポンド（約51億4000万円）分の株式を購入する。

Octopusは2027年までに全世界で1億人の顧客を目指す意志を表明しており、最近では米国、オーストラリア、ドイツ、ニュージーランドでもサービスを開始している。

同社によれば、英国では、Octopusはエネルギー供給市場で5％のシェアを持ち、小売ポートフォリオには180万世帯が含まれているという。

東京ガスの内田高史社長は「本提携を通じて、お客さま1人ひとりに合わせて価値を創出・提供し、お客さまの豊かな暮らしに貢献してまいります」と述べている。

日本の再生可能エネルギーの普及は英国の半分ほどであり（2019年時点での電力に占める日本の再生可能エネルギーは18.9％なのに対し、英国では37.9％）、成長の可能性は大きい。日本の菅義偉首相は、2050年までに温室効果ガス排出量を実質ゼロにするという目標を掲げている。

また、英国においてOctopusは、電気自動車のローミングネットワークElectric Juice（エレクトリック・ジュース）を立ち上げ、Tesla（テスラ）と提携してTesla Power（テスラ・パワー）を立ち上げている。

【参考】東京ガスプレスリリースをここで確認できる。

関連記事：住宅用再生エネ推進のSwell Energyが分散型電力プロジェクト建設に向け470億円調達

カテゴリー：EnviroTech

タグ：Octopus Energy、東京ガス、再生可能エネルギー、電力網、資金調達

画像クレジット：Octopus

［原文へ］

（翻訳：sako）

AIの進歩に伴い、AIチームのトレーニングデータワークフローを「自動化」し、将来性を保証することを支援するコンピュータビジョンプラットフォームのメーカーであるV7 Labsは、300万ドル（約3.1億円）の資金調達を発表した。シードラウンドをリードするのはAmadeus Capital Partnersで、Partech、Nathan Benaich（ネイサン・ベナイチ）氏のAir Street Capital、Miele Ventureなどが参加している。

Singularity University（シンギュラリティ大学）の卒業生であるAlberto Rizzoli（アルベルト・リッツォーリ）氏とRSIの元R&Dリーダー、Simon Edwardsson（サイモン・エドワードソン）氏（「見る」視覚補完アプリAipoly（アイポリ）を開発した同じチーム）によって2018年に設立されたV7 Labsのプラットフォームは、高品質なトレーニングデータの作成を10～100倍に加速することを約束している。これは、自動化された画像・動画データパイプラインの構築、複雑なデータセットの整理とバージョン管理、「最先端 」の視覚AIモデルのトレーニングとデプロイメントを行う機能をユーザーに提供することで実現するという。

「企業がビジネス価値を提供するコンピュータビジョンソリューションを構築するためには、モデルを継続的に収集し、ラベル付けし、再訓練する必要があります。」とV7 Labsのリッツォーリ氏は説明する。「2015年にアイポリを構築した際には、サード・パーティ製のSaaS製品がなかったため、AIの急速な進歩に対応しつつ、独自のツールを構築・維持する必要がありました。」

現在まで話を進めると、リッツォーリ氏によれば、コンピュータビジョンのトップ企業の多くが、この問題を解決するためにV7のようなSaaSプラットフォームに目を向けているという。「AIスタートアップを構築する際には、考えなければならないことがたくさんありますが、『100種類のビデオデータセットを効率的に保存し、クエリーを行うにはどうすればよいか』ということは、サービスを提供しようとしている真っ最中にしか考えられないことです。」

「V7は、データの整理、ラベル付け、実世界の問題に対応したコンピュータビジョンモデルの立ち上げに関する業界のベストプラクティスを体系化しています。」とも。

このブラウザ・クラウドベースのプラットフォームは、大規模な画像／動画データセットを「ラグなく」迅速にアップロードしてレンダリングし、事前のトレーニングデータを必要とせずに（程度の差はあれ）ラベル付けを自動化できると同社は主張している。V7はまた、画像／動画ごとに非常に多くのラベルを記録できるように設計されており、画像ごとに数千のアノテーションを、データセットごとに数百万の画像をサポートするとのこと。極めて重要な点として、「DevOpsの心配をすることなく、数クリックで」プラットフォーム内でコンピュータビジョンモデルのトレーニング、デプロイ、実行が可能であることをリッツォーリ氏は語った。

「クライアントは近い将来、これらのモデルとそれに対応するトレーニングセットを監査して、デバッグ、データ品質のテスト、失敗例の発見、不要なバイアスの排除を行うことができるようになるでしょう」と彼は付け加え、これらはすべて、AI業界がまだ解決していない大きな問題点であると指摘した。

それに向け、V7 Labsの既存の100社ほどの顧客には、Tractable（トラクタブル）、GEヘルスケア、米国メルクなどが含まれている。V7 Labsは医療用画像処理業界で最も急速に成長しているが、その理由の一つには、DICOMアノテーションとHIPAA（医療保険の携行と責任に関する法律）コンプライアンスをサポートしていることが挙げられる。

しかし、プラットフォーム上で処理されるデータ量で測ると、日常的な 「専門家による点検」が最も多く行われる作業であるとリッツォーリ氏は言う。「これらには、AIを使って自動車、石油リグ、送電線、パイプライン、道路などの損傷や異常を探す何十社もの企業が含まれています。」と彼は語った。

関連記事：合成データがスケーラビリティとセキュリティを解決する新しいビッグデータであることに着目するTonic

カテゴリー：人工知能・AI

タグ：データサイエンス　資金調達

[原文へ]

（翻訳：Dragonfly）

Marshall Choy（マーシャル・チョイ）氏はSambaNova（サンバノヴァ）の製品開発リーダー。数十年にわたり、Oracle（オラクル）やSun（サン）など、業界をけん引する企業と共にエンタープライズ向けのハードウェアおよびソフトウェアエクスペリエンスを実現してきた。

もし携帯電話を使うための電力を確保できる地域が世界の10%しかなかったら、果たしてモバイル機器が今のように世界を変えていただろうか。

「未来はすでにここにある。ただ、世界中に均等に分布していないだけだ」という言葉をよく聞く。この言葉は、とりわけ人工知能（AI）と機械学習（ML）の世界に当てはまる。世界には多くの高性能なAI／MLアプリケーションがすでに存在しているが、その多くは、既存の大手企業または国家レベルでしか用意できないスケールの膨大な演算能力を必要とする。このようなCPU負荷の高いテクノロジーは別の障害にも直面している。ムーアの法則が頭打ちになり、従来型チップアーキテクチャの処理能力が物理特性の限界に達しようとしているのだ。

シリコンアーキテクチャの処理効率のブレークスルーが起こらなければ、AIによる未来は不均等に分布されることになり、膨大な数の人たちが、AIによって利便性が向上する生活を経験できずに終わってしまうだろう。

テクノロジーに次の革新的な段階が訪れるかどうかは、シリコンアーキテクチャを現在のソフトウェアと同様に柔軟で効率的なものにし、かつ最終的にはプログラミング可能にするような大変革が完遂されるかどうかにかかっている。MLを簡単に利用できるような大きな進歩を実現できなければ、数社の企業が重要なテクノロジーをすべて専有する状態になり、利用者は、イノベーションがもたらす 計り知れない恩恵を受けられないことになるだろう。 何を変える必要があるのか。変化はどのくらいの速度で進んでいるのだろうか。そしてそれはテクノロジーの未来にとって何を意味するのだろうか。

AIの民主化は不可避、スタートアップと中小企業にとっては朗報

テック業界に限らず、業界大手企業の社員にとって、筆者がこの記事で提示する現在のAI／MLコンピューティング能力が抱える問題の多くは、自分には関係のないことだと思えるだろう。

これからは、規模や財政状況とは関係なく、あらゆる組織がAIとMLを使ったパワフルなソフトウェアに同じようにアクセスできる時代がやってくるはずだ。もしあなたが、財政的にも能力的にもリソースが不足している企業で働いているなら、そんな新しい時代の到来を予言するものとして、以下をお読みいただきたい。携帯電話がインターネットアクセスの民主化を実現したように、業界では今、AIをより多くの人に行き渡らせようとする動きが起こっている。

もちろん、このような民主化は、実際により多くの人がAIを利用できるようにする重大な技術的進歩がなければ起こらない。Intel（インテル）やGoogle（グーグル）などの企業が素晴らしい仕事をしていることは認めるが、民主化を起こそうという意欲だけでは足りない。そのような民主化を可能にする未来の技術的な変化をいくつか見てみよう。

普通のチップからスマートチップを経て「ジーニアス」チップへ

長い間、CPUの重要度を測る目安は素の性能だった。CPUの設計も素の性能を高めることを目指して改善されてきた。しかし、ソフトウェアがあらゆる場所で使われるようになると、プロセッサもスマートになることが求められるようになった。処理効率の高いコモディティとしてのプロセッサだ。そんな中で登場したのが、GPUのような専用プロセッサだ。「スマート」チップと呼んでもよいだろう。

このようなグラフィック専用プロセッサは、ディープラーニングの関数処理においてCPUよりも優れていることが運良く明らかになり、最新のAIとMLではGPUが重要な役割を果たすようになった。こうした経緯を見れば、次に進むべき方向は明らかだ。グラフィックアプリケーション専用のハードウェアを作ることができるなら、ディープラーニング用、AI用、ML用の専用ハードウェアを作らない手はない。

今後数年は、さまざまな要因が重なって、チップの製造とテック業界全般にとって極めて重要な時期になると思われる。第一と第二の要因は、ムーアの法則（集積回路のトランジスタの数は2年ごとに2倍になるという予測）が頭打ちになっていることと、デナード則（ワットあたりのパフォーマンスはほぼ同じ割合で2倍になるという法則）が終焉を迎えていることだ。この2つの法則を合わせると、新世代のテクノロジーが登場するたびに、チップの集積密度と処理能力は2倍になり、消費電力は変わらないということになる。しかし、現在、線幅はナノメートルのレベル、すなわち物理的な限界に達している。

第三に、さまざまな物理的な課題が重なって、次世代のAI／MLのアプリケーションで求められる演算能力は、我々の想像を超えたものになる。たとえば、ニューラルネットワークをトレーニングして人の画像認識能力の数分の1のレベルを実現するだけでも、驚くほど困難で、膨大な演算能力が必要となる。最もCPU負荷の高い機械学習アプリケーションとしては、自然言語処理（NLP）、数十億あるいは数兆の可能性を処理するレコメンデーションシステム、医療や天文学の分野で使用される超高解像度のコンピュータビジョンなどがある。

つまり我々は、言葉を話したり、深宇宙の物体を特定したりする方法を学習するには、脳の働きを模倣したアルゴリズムを作成してトレーニングする必要があることは予測できていたとしても、本当に役に立つ「インテリジェント」なモデルにするためにどの程度のトレーニング（つまりは処理能力）が必要になるのかという点については想像できなかった、ということだ。

もちろん、多くの組織がこうした複雑なMLアプリケーションを実行している。しかし、そうした企業の多くは通常、ビジネス分野または科学分野のリーダーであり、膨大なコンピューティング能力とそれを理解して導入する豊富な人材を活用できる。このような大手企業を除くすべての企業は、トップレベルのMLおよびAIアプリケーション開発の世界から締め出されてしまっている。

次世代のスマートチップ（「ジーニアス」チップと呼んでもよい）が効率性と専門性を実現することを求められるのも、こうした理由からだ。チップアーキテクチャは、その上で動作するソフトウェアに合わせて最適化され、ソフトウェアの実行効率を向上させるものに変わっていくだろう。とてつもない演算能力を必要とするAIがサーバーファーム全体を専有するといったことがなくなり、業界の多くの企業が平等に利用できるようになれば、広範なディスラプション（創造的破壊）とイノベーションのための理想的な条件が整うだろう。チップアーキテクチャとソフトウェア中心型ハードウェア設計の分野でこのような進歩が間もなく達成されれば、高価でリソース集約的なAIの民主化が進むだろう。

将来を見据えたイノベーションにあらためて注目する

AIはその性質上、ハードウェアの開発者とユーザーに特殊な課題を突きつける。変化の程度も極めて大きい。我々は、人間が書くコードからソフトウェア2.0へと飛躍する大変革の時代を生きている。つまり、エンジニアが機械学習プログラムをトレーニングして、最終的にはプログラム自身が自分で動くようになる時代がやってくる。さらに、変化のスピードも前例がないほど速い。MLモデルは数ヶ月、いや数週間で古くなる場合がある。また、トレーニングを行う方法自体も日進月歩で進化している。

しかし、新しいAIハードウェア製品を開発するには未だに、設計、プロトタイピング、キャリブレーション、トラブルシューティング、生産、配布というステップを踏む必要がある。概念の段階から実際に製品化されるまで2年かかることもある。もちろん、ソフトウェアのほうがハードウェアよりも開発期間が短いのは普通のことだが、今や、この開発スピードの差は妥協し難いものになっている。我々は、ますます予測不能になる未来に向けて、自分たちが作るハードウェアについてもっと賢くなる必要がある。

実際、テクノロジーの進歩を世代として捉える考え方は崩壊しつつある。MLとAIに関していえば、「現在分かっていることの大半は完成品が出来上がるまでには古くなっている」という予測に基づいてハードウェアを構築する必要がある。柔軟性とカスタマイズは、AI時代に成功するハードウェアの主要な特性となるだろう。そしてそれは、市場全体がさらなる成功を収める道でもある。

こうしたテクノロジーを活用しようと考えている企業は、最新モデルや専用のアルゴリズムにリソースを大量に消費する代わりに、MLやAIのモデルに対する需要の進化と変化に柔軟に対応できる処理スタックを選択できるようになるだろう。

これにより、AIに精通したあらゆる規模とレベルの企業が、長期的に創造性と競争力を維持できるようになり、ソフトウェアがハードウェアによって制限されている状況で発生するスタグネーションを回避できるようになる。その結果、より興味深く予想もしなかったAIアプリケーションが、より多くの組織に行き渡るようになるだろう。

本物のAI／MLテクノロジーの広範な普及

公言するのは筆者が初めてだろうが、テック業界は目新しいものに飛びつく傾向がある。ビッグデータであらゆるものが解決できると言い、IoTが世界の救世主となると豪語したときもあった。そしてAIは今、テック業界がこれまでに間違いなく何度も経験してきたのと同じハイプサイクルを経験している。現在、AIをまったく活用していないと言うテック企業を見つけるのは難しいが、そうした企業はどちらかというと高度な分析に似た極めて基本的なことを実行している可能性が高い。

筆者は、これまでに我々が大きな期待を寄せていたAI革命はまだ起こっていないと確信している。しかし、AIの真の力を活用するハードウェアが今後2～3年でより多くの企業に行き渡るようになれば、今度こそAI革命が実現するだろう。強力なトップクラスのMLおよびAIテクノロジーが広範に普及した場合に起こる変化とディスラプションを自信を持って予測する方法はほとんどないが、まさにそこが重要な点だ。

携帯電話はごく普通の人たちに驚くほどのパワーをもたらし、大半の人は技術的、金銭的な障害に直面することなく携帯電話を使えるようになった。柔軟性が高く、カスタマイズ可能で、将来性のあるソフトウェア定義のハードウェアについても同じことが起こるだろう。可能性は無限だ。そして、それはテクノロジーの大転換点となるだろう。AIの民主化とコモディティ化の波及効果はテック企業だけにとどまらない。最新の高性能AIに誰でも手が届くようになれば、これまで以上に多くの分野で前途が開けるだろう。

AIがもたらすと考えられているあらゆるディスラプションや、AIが起爆剤となって飛躍を遂げることが期待されている分野など、AIに対する熱狂的な期待の多くが今後数年で今度こそ本当に現実化していくだろう。こうしている間にもAIを進化させるテクノロジーは登場しており、すぐにもさまざまな業界の多くの人に利用されるようになる。そして、そうした人たちが、新たに手にした開発環境を土台に、驚くような進歩を実現してくれることだろう。この未来の一員になれると考えると本当にワクワクする。この未来に実現されるあらゆる進化が楽しみだ。

関連記事：WaveOne、ビデオのAIネイティブ化とストリーミングの変革を目指す

カテゴリー：人工知能・AI

タグ：コラム

[原文へ]

（翻訳：Dragonfly）

ビデオはとても長い間、同じように機能し続けてきた。機械学習の爆発的な普及によって業界が刻々と変化しても、ビデオはその独自の性質により、ほとんど影響を受けていない。WaveOneは、数十年前からあるビデオコーデックのパラダイムをAIベースにすることでこの状況を変えようと試みており、コーデックの革命を目指す技術者やAI主導のスタートアップが陥りがちな落とし穴を避けつつこれに取り組んでいる。

同スタートアップは、最近まで紙面やプレゼンテーションで結果を発表する以外大きな動きを見せていなかったが、先日調達した650万ドル（約6億8000万円）のシードラウンドにより、実際の製品をテストし、展開していく準備が整ったようだ。これはニッチな領域ではない。ビデオ圧縮はやや目立たない存在でもあるが、現代のインターネットで最も重要なプロセスの1つになっていることは間違いない。

デジタルビデオが誕生してから辿ってきたことを簡単に説明しよう。開発者がビデオの圧縮と解凍のための標準的なアルゴリズムであるコーデックを作成する。このコーデックは、一般的なコンピューティング・プラットフォーム上で容易に配布および実行できる。MPEG-2やH.264などがこの方式である。動画の圧縮というハードな作業はコンテンツプロバイダーやサーバーで可能となるが、解凍という比較的軽い作業はエンドユーザーのマシンで行われる。

このアプローチは非常に効果的で、コーデックの改善（より効率的な圧縮を可能にする）によってYouTubeのようなサイトの可能性を広げてきた。動画が10倍の大きさだったら、YouTubeのローンチはもっと遅れていただろう。もうひとつの意義ある変化は、コーデックのハードウェアアクセラレーションの活用である。コンピューターやGPUにコーデックが組み込まれたチップが搭載されると、スマートフォンの汎用CPUよりもはるかに高速に解凍タスクを実行できるようになる。1つだけ問題がある。新しいコーデックには新しいハードウェアが必要となる。

ただし、新しい携帯電話には機械学習モデルを実行するために設計されたチップが搭載されており、コーデックのように高速化できる。しかし、ハードウェアはこのモデルに適していない。では、このMLに最適化されたチップをビデオに使用してはどうだろうか。それこそがWaveOneがやろうとしていることだ。

WaveOneの共同創設者兼CEOのLubomir Bourdev（ルボミール・ボールデフ）氏とCTOのOren Rippel（オレン・リッペル）氏の素晴らしい経歴にもかかわらず、当初著者はかなり懐疑的な視点で話を聞いた。コーデックを扱う会社が現れたり消えたりしているのを見てきたが、テクノロジー業界はいくつかのフォーマットや標準を融合させ、それを恐ろしくゆっくりと改訂してきた。例えば、H.265は2013年に導入されたが、その前身であるH.264はその数年後にやっとのことで普及し始めている。その傾向は、バージョン7からバージョン7.1というより、3G、4G、5Gシステムの移行に類似する。つまり、無料でオープンソースの優れたものであっても、より小さなオプションは業界にまたがる標準の歯車の下に潜んでしまう傾向がある。

コーデックのこうした状況に加えて、スタートアップが事実上すべてを「AI駆動型」と説明することを好むという事実から、良くても見当違い、悪ければ詐欺的なものだろうと想像していた。しかし、嬉しい驚きがもたらされた。WaveOneのやろうとしていることは後から考えると明らかに正しく感じられ、先駆者アドバンテージを有するように思われる。

リッペル氏とボールデフ氏が最初に明らかにしたのは、AIが実際にここで果たすべき役割を持っているということだ。H.265のようなコーデックは多くの点で非常に進歩しているが、決してスマートではない。一般的には、エンコーディングのカラーやディテールのどの部分により多くのビットを入れるべきかを提示することはできるが、例えば、微調整を施したい顔がショットのどこに位置しているか、時間を節約するために特別な方法で実行できるサインやツリーがあるのかといったことを判断することはできない。

しかし、顔とシーンの検出は、コンピュータビジョンの中で現実的に解決されている問題である。 ビデオコーデックが顔の存在を認識して、それに応じた量のリソースを割り当てるようになっていないのはなぜだろうか。これは良い質問である。答えは、コーデックの柔軟性が十分ではないということだ。そうしたインプットには対応しない。おそらくH.266が出るころには実現され、数年後にはハイエンドデバイスでサポートされるようになるだろう。

では、今どうするか。多くの携帯電話やコンピュータが備えている、あるいはすぐに備えることになるであろうAIアクセラレーター上で動作する動画圧縮・伸長アルゴリズムを構築し、シーンやオブジェクトの検出を最初から統合するのが正解だ。Krisp.aiは音声が何であるかを理解し、きわめて複雑なスペクトル分析をせずにそれを分離する。同じように、AIは視覚的なデータを使って驚くほど高速に判断し、実際の動画圧縮の部分にそれを渡すことができる。

 

データの可変かつインテリジェントな割り当てにより、画質を犠牲にすることなく圧縮プロセスを非常に効率的に行うことができる。WaveOneは、ファイルのサイズを半分にまで縮小しながら、より複雑なシーンで改善が得られると主張している。何億回も動画を配信したり100万人に一度に配信したりする場合、このサイズの増加は言うに及ばず、数パーセントの端数でも加算される。帯域幅は以前ほどコストがかからないが、それでも無料ではない。

また、画像を認識する（あるいは指示を受ける）ことで、コーデックがその内容の種類を判別できるようになる。もちろん、ビデオコールでは顔の認識が優先されるかもしれないが、ゲームストリーマーは細かい部分にこだわりを持つだろうし、アニメーションは大きな単色領域でのアーティファクトを最小限に抑えるためにさらに別のアプローチを必要とする。これがすべて、AIを利用した圧縮方式によってその場で実行できる。

消費者向けテクノロジーを超えたものも予測できる。コンポーネント間または中央のサーバーにビデオを送信する自律運転車は、車両、歩行者、動物など自律システムが重要と指定したものに焦点を当て、意味のない空や遠くの木々などに時間とビットを無駄にしないようにすることで、時間を節約し、ビデオの品質を向上させることができる。

コンテンツ認識のエンコードおよびデコードは、おそらくWaveOneが主張する最も汎用性が高く、理解しやすい利点であるが、この方法は帯域幅の問題による中断に対してはるかに耐性があるとボールデフ氏はさらに説明している。従来のビデオコーデックのもう1つの欠点は、いくつかのビットが欠けていると全体の操作が中断されてしまうことだ。だからフレームがフリーズするなどの問題が起きるわけだ。しかし、MLベースのデコーディングは、どんなビットがあってもそれに基づいて簡単に「最善の推測」を生成できるので、帯域幅が突然制限されてもフリーズすることはなく、その期間の詳細さが少し減少される程度である。

これらの利点は素晴らしいと思われるが、かねてからの問題は「現状を改善できるか」ではなく（明らかに改善できる）、「改善をスケールアップできるか」である。

「クールで新しいコーデックを作ろうとする試みは、あちこちで失敗しています」とボールデフ氏は認めている。「その理由の1つはハードウェアアクセラレーションです。たとえ世界最高のコーデックを思いついたとしても、それを動かすハードウェアアクセラレーターがありません。より優れたアルゴリズムを必要とするだけではなく、エッジ上やクラウド上でさまざまなデバイスに対してスケーラブルに実行できる必要があります」 。

最新世代のデバイスで特別なAIコアが非常に重要となっている理由がここにある。これは、新しい目的に合わせてミリ秒単位で調整できるハードウェアアクセラレーションである。そしてWaveOneは、これらのコア上で動作するビデオに焦点を当てた機械学習に何年も取り組んでおり、H.26Xアクセラレーターが何年にもわたって行ってきた作業を、より高速に、より柔軟に行えるようにしている。

もちろん「標準」の問題はまだ残されている。1つの企業が独自に開発したビデオ圧縮方式に誰かがサインオンする可能性はあるだろうか。誰かはすべきである。結局のところ、標準は石板に刻まれているようなものではない。そしてボールデフ氏とリッペル氏が説明したように、我々が考えるような方法ではないが、彼らは実際に標準を使用している。

かつては、動画の「標準」とは、アプリやデバイスが標準に対応した動画で効率的かつ正確に動作するように、厳密に定義されたソフトウェア手法に従うことを意味していた。しかし、それだけが標準ではない。WaveOneが行っているのは、すべてを包括するメソッドではなく、機械学習とデプロイメント側の標準に準拠した実装である。

同社は、TensorFlow、ONNX、AppleのCoreMLなどの主要なML配信・開発パブリッシャーと互換性のあるプラットフォームを構築している。一方、実際に動画のエンコードやデコードのために開発されたモデルは、エッジデバイスやクラウドデバイス上で他の高速化ソフトウェアと同じように動作する。AWSやAzureにデプロイしたり、ARMやIntelのコンピュートモジュールを使ってローカルで実行したりという具合にだ。

WaveOneは、主要なB2Bイベントのすべてのボックスをチェックするための何かを発見したように感じる。目に見えないところで顧客のために物事を改善し、変更なしで既存または将来のハードウェアで実行し、潜在的にではあるがすぐにコストを節約しながら、価値を追加するために投資する。

おそらくそれが、同社が650万ドルというこれほどまでに大きなシードラウンドを獲得できた理由だろう。Khosla Venturesがリードしたこのシードラウンドは、Vela PartnersとIncubate Fundからそれぞれ100万ドル（約1億円）、Omega Venture Partnersから65万ドル（約6800万円）、Blue Ivyから35万ドル（約3700万円）を調達している。

現在WaveOneはプレアルファ段階のようなもので、この技術を十分に実証してはいるが、本格的な製品を作るには至っていない。シードラウンドは技術のリスクを軽減するためのものであり、まだ多くの研究開発が残されているが、コアサービスが機能していることはすでに証明したとリッペル氏は説明する。インフラストラクチャーとAPI層の構築をこの後進めて、同社にとってまったく新しいフェーズへの到達を目指す。さらに資金を集める前に、テストを済ませて顧客を数社確保したいと同氏は語っている。

ビデオ業界の将来は、過去20年で見据えてきた展望とは異を呈するかもしれないが、非常に期待できそうだ。WaveOneが研究段階から製品創出へと移行していくにつれ、さらに多くの情報が得られることは間違いない。

関連記事：シンプルなドラッグ＆ドロップで動画の背景を消去できるKaleidoの「Unscreen」

カテゴリー：人工知能・AI

タグ：動画編集　資金調達

[原文へ]

（翻訳：Dragonfly）

著者紹介：Adam Benzion（アダム・ベンジオン）氏は連続起業家、著述家、テック投資家。Hackster.ioの共同創業者で、Edge ImpulseのCXOも務める。

ーーー

アフリカを象徴する光景といえば、ゾウの群れが大平原を歩き回るようすがすぐに思い浮かぶだろう。しかし今、ゾウの未来が脅かされている。現在、15分に1頭のゾウが密猟者によって殺されている。そして、ゾウを愛でて楽しむ人間が、実はゾウに対してすでに宣戦布告しているのである。もちろん、ほとんどの人は密猟者ではないし、象牙を収集したり、野生動物を意図的に傷つけたりはしていない。しかし、目の前にある危機に対して沈黙したり無関心であったりすることは、密猟などと同じくらい、ゾウの命を奪うことにつながっている。

この記事を読み、少しの間ゾウたちを哀れに思い、その後は次のメールチェックに進んで一日を始めることもできる。

しかし、この記事を読んだ後に少し時間を割いて、野生動物、特にゾウを救う機会が目の前に開かれており、その機会が日増しに大きくなっていることについて考えることもできる。そして、このような機会は、機械学習（ML）と、我々が親しみをこめてAIと呼ぶ魔法のような応用技術に基づいている。

 

オープンソース開発者がAIでゾウを救う

今から6か月前、コロナ禍の中で、Avnet（アヴネット）の大型オープンソースコミュニティHackster.io（ハックスター）と、オランダの野生動物保護団体Smart Parks（スマート・パークス）は、他に類をみない最新鋭のゾウ追跡用首輪10台を研究開発し、製造、輸送するプロジェクトへの出資を大手テック企業に打診した。このときに打診を受けた企業には、Microsoft（マイクロソフト）、u-blox（ユーブロックス）、Taoglas（タオグラス）、Nordic Semiconductors（ノルディック・セミコンダクター）、Western Digital（ウエスタン・デジタル）、Edge Impulse（エッジ・インパルス）などが含まれる。

この最新型の追跡用首輪は、高度な機械学習（ML）アルゴリズムを実装し、同様の機器の中では史上最高レベルのバッテリー寿命と通信範囲を備えるように設計されている。さらに大胆な取り組みとして、この計画は完全にオープンソースとし、研究開発の成果はOpenCollar.io（オープンカラー）。環境・野生動物のモニタリングに使う追跡用首輪ハードウェア・ソフトウェアのオープンソース開発を推進する環境保護団体）を通じて全面的に公開されることが発表された。

この追跡用首輪はElephantEdge（エレファントエッジ）と呼ばれ、特殊エンジニアリング企業のIrnas（イルナス）が製造を担当する。ハックスターのコミュニティは、新たに製造されるハードウェアでスムーズに動作するようにエッジ・インパルスのMLモデルとアヴネットのテレメトリダッシュボードを実装用に整える作業を担当する。これは、前代未聞の野心的なプロジェクトであり、これほどまでに緊密な協力関係を必要とする革新的なプロジェクトを本当に完遂できるのだろうか、と疑う人も多かった。

世界最高レベルのゾウ追跡用首輪を作る

しかし、彼らはそれをやってのけた。本当に素晴らしいことだ。新たに開発されたこのElephantEdgeは、野生動物の追跡装置としては最先端の性能を有する。バッテリー寿命は8年、LoRaWAN通信の中継範囲は数百マイルに及び、TinyMLモデルの実行によって、ゾウが発する音、ゾウの動きや現在地、環境の異変などに関するより詳細な情報を自然保護官に提供できる。さらに、ElephantEdgeは、LoRaWAN技術によって自然保護官のスマホやパソコンに接続された数々のセンサーと通信することも可能だ。

ElephantEdgeにより、自然保護官は今まで使っていたシステムよりも正確にゾウの状況や現在地を把握して追跡できる。これまでのシステムは、すべての野生動物の写真を撮影して送信するタイプだったため、追跡装置のバッテリー消耗が激しかった。ElephantEdgeで採用されている高性能MLソフトウェアはゾウのみを追跡対象とするように設計されている。また、このソフトウェアは、ハックスターのコミュニティが開催した公開設計コンテストを通じて開発された。

スマート・パークスの共同創業者Tim van Dam（ティム・ヴァン・ダム）氏はこう語る。「ゾウは生態系を整える庭師のような存在だ。ゾウが歩き回ることで、他の動物が繁殖するための環境が整う。我々のElephantEdgeプロジェクトは、世界中の人々と協力して、心優しい巨人とも言えるゾウが生き残っていくのを助ける重要なテクノロジーを最善の形で提供するものだ。ゾウは毎日、生息地の環境破壊と密猟の脅威にさらされている。この革新的な追跡装置とパートナーシップにより、ゾウの生態に関する理解を深め、より適切な方法で保護することが可能になる」。

 

コミュニティによるオープンソース開発が実現した動物保護用AIシステム

ハックスターのコミュニティは、イルナスとスマート・パークスが開発したハードウェアを動かすためのアルゴリズム開発に懸命に取り組んだ。その一環として、英国のソフトウェア開発者Swapnil Verma（スワップニル・ヴェルマ）氏と日本のデータサイエンティストMausam Jain（マウサム・ジェイン）氏が共同で開発したのがElephant AIだ。両氏は、Edge Impuseを使用して、ElephantEdgeに搭載されているセンサーのデータに基づいて重要な情報を自然保護官に送信する2つのMLモデルを開発した。

1つ目は、立ち入りが禁止されている区域に人間がいることをオーディオサンプリングによって検知して、密猟リスクを自然保護官に通知する「人間検知」モデルだ。このアルゴリズムは、オーディオセンサーを使って音と周囲の状況を記録し、それをLoRaWAN通信で自然保護官のスマホに直接送信して直ちに警告を発する。

2つ目は、ElephantEdgeに搭載された加速度計から時系列データを取得して、ゾウが走っているのか、眠っているのか、エサを食べているのかを判断し、ゾウの活動を全般的に検知する「ゾウの行動監視」モデルだ。これにより、保護専門家は、ゾウを保護するために把握すべき重要な情報を入手できる。

別の天才的なひらめきは、アフリカからはるか遠い北の果てからもたらされた。スウェーデンのソフトウェアエンジニアで自然を愛するSara Olsson（サラ・オルソン）氏が、自然保護官の活動をサポートするTinyMLベースのIoTモニタリングダッシュボードを開発したのである。

リソースやサポートが限られる中、オルソン氏は、機械学習アルゴリズムを組み込んだ完全テレメトリダッシュボードをほぼ自力で開発した。これにより、カメラトラップや水飲み場をモニタリングできるばかりでなく、ElephantEdge本体でデータを処理することで通信トラフィックを削減し、バッテリー使用量を大幅に節約することが可能になった。オルソン氏は、自分の仮説を裏付けるために、1155のデータモデルを使い、311回もテストを実行したという。

 

オルソン氏はEdge Impulseスタジオでモデルを開発し、OpenMVカメラを使ってAfricamからストリーミングされるカメラトラップを利用し、自宅にいながらにしてモデルのテストを実行することに成功した。

優れたテクノロジーがあっても人間が変わらなければ意味がない

ElephantEdgeプロジェクトは、企業と個人が同じ目的のために団結すれば、野生動物保護を推進する持続可能な取り組みを協力して実現できることを示す例だ。ElephantEdgeは非常に重要なデータを生成でき、自然保護官が担当地域における緊急救助活動の優先順位を定めるのに役立つデータを提供できる。この新しい追跡用首輪は、World Wildlife Fund（世界自然保護基金）とVulcan（バルカン）が運営するEarthRanger（アースレンジャー）からの支援の下、2021年末までにアフリカ各地の自然公園にいる10頭のゾウに装着される予定だ。これにより、保護、学習、防衛に関する新たな波が生まれるだろう。

ElephantEdgeというテクノロジーが開発され、かつてないほど優れた方法でゾウを保護できるようになった。当然のことながら、これは素晴らしい成果だ。しかし、実のところ、問題の根源はもっとずっと深いところにある。ゾウの生息地を正常に保ち、個体数を増加させるには、自然界に対する人間の態度を変える必要がある。

「ゾウはかつてないほど大きな脅威に直面している」と、有名な古人類学者で自然保護学者でもあるRichard Leaky（リチャード・リーキー）氏は語る。趣味で野生動物を狩るトロフィーハンティングや象牙採取を目的とした狩猟を正当化する理由としてよく使われるのが、「（そのような狩猟は）保護活動に使える資金を生み出し、地元経済に金を落とす」というものである。しかし、最近のレポートによると、アフリカの狩猟収益のうち、狩猟区の地元コミュニティに還元されている割合はわずか3%にすぎない。動物たちが自分の生息地を守るために死ななければならないなんて、本末転倒だ。

類まれなる動物であるゾウを本当の意味で救うには、優れたテクノロジー、協力関係、そして固い決意をもって、狩猟文化に関する根本的な考え方とゾウの最大の死因である象牙貿易の問題に取り組むことが必要だ。

関連記事：AIが読書履歴を元にその人に合った良書を薦めるBingeBooksの新サービス

カテゴリー：人工知能・AI

タグ：コラム

[原文へ]

（翻訳：Dragonfly）