タグ: 人工知能・AI

ウェブのアクセシビリティーを確立し維持するのはフルタイムの仕事だ。他のあらゆる開発作業がそうであるように、アクセシビリティーのためのツールも時代に合わせて常に進化させなければならない。ウェブサイトのアクセシビリティー検査を、開発、発展の段階を問わず深く高速に行うことを約束するスタートアップEvinced（エビンスト）は、このほど、そのツールを次のレベルに引き上げるための資金1700万ドル（約18億円）を調達した。

アクセシビリティーの問題はさまざまな形で現れるため、手作業のコードレビューでエラーを探し出さなければならないこともしばしばだ。自社のサイトは、最初からアクセシビリティーが完ぺきに保たれた状態でなければなければいけないと考えていたEnvinceですら（どのサイトもそうあるべきなのだが）、このメニューを開いている間はこのスクリプトの変数が正しくフックされない、などといった事態が起こり得る。

コードレビューを自動で行う方法もあるが、遅かったり、システムが大きすぎたりする。Evincedは、ウェブサイトを使っている間でも数分の1秒で検査が行えるパワフルで洗練されたツールを作っている。発見された問題点は、開発者に便利な方法で、共有や対応が可能だ。今や無数の人たちが使っている、お洒落でJavaScript満載のウェブアプリにも物怖じしない。

ここに、現代的なウェブサイトの例がある。見た目はいいが、明らかにアクセシビリティーの問題を大量にはらんでいる（あくまでデモ用のもの）。下の動画では、Evincedの製品が何をしてくれるか、その一部がわかりやすく解説されている。

正直言って、とくに驚くような内容には見えないが、既存の法人向けツールはこれほど効率的ではない。ご覧のとおり、ユーザーが（と言うか開発者だが）このサイトに備わった機能を端から試してゆくにつれて、ツールはその場で処理を行っている。フォームの記入やプルダウンメニューを開くといった動作を実際に使ってもらう前に検査しても、紛らわしい部分を見落とす恐れがある、ということだ。

この検査ツールには、Smart Rulesやコンピュータービジョンなどの形でAIを少しだけ採り入れているため、ある要素がメニューやボタンに見えるのに正しくラベリングされていないといった問題も的確に見抜ける。こうした要素には、特有のスタイルや役割がある。何かをクリックすると選択項目のリストが現れる場合は、呼び方はどうあれ、プルダウンメニューと見なされる。

画像クレジット：Evinced

当然のことながら、応急処置方法を提案してくれたり、上司による正式な検査のために問題点を簡単に書き出せる他、ウェブ開発ツールに期待される機能もいくつか備わっている。これはChromeの拡張機能として、またはAPIやその他の分析やコミットアクションの自動化パーツとしても利用でき、それ以外の形式と同様に、エラーのリストを出力できる。

同社は、2018年、システムの開発開始と同時に創立された。翌年、大手企業数社と連携してそのエコシステム内での統合と検査の検証を行った。Capitol One（キャピタル・ワン）は、彼らの最大の顧客となり、今は投資者になっている。

「以来、私たちは開発した製品をCapital Oneなどの企業で展開してきました（つまり毎日利用していただき、エンドツーエンドのアクセシビリティー運用に役立っています。Capital Oneのブログをご覧いただきたい）。それらの企業は法人ライセンス契約の有償顧客です」と、創設者でCEOのNavin Thadani（ナビン・サダニ）氏は言う。

事実、Capital Oneもこう話している。

Capital Oneは早くからEvincedと提携し、その開発事業に特別な関心を持って指導してきました。それは、構築・展開のライフサイクルを通じて複数の自動検査工程を統合し、ウェブ資産全体（ログインから内部レポジトリを含む）にわたるアクセシビリティーのための自動スキャンを可能にする製品の開発とその高速化により、アクセシビリティーが確立されたコードをリリースできるよう開発者を支援するというものです。

私たちは、それまで自動検査のみで発見できた数の10倍もの致命的なアクセスビリティー上の問題を検出するEvincedを見てきました。サイトのインタラクティブ性が増すにつれ、キーボードや画面読み上げ機能の使い勝手など、さらに多くの問題が見つかりました。

大企業規模での自動検査は、きわめて複雑で時間のかかる作業になりがちです。Evincedは実行速度が40倍と高速で信頼性も高く、4〜5日間をかけていたものが3時間以内にまで処理時間を短縮できた例もありました（さらに最適化は進んでいます）。

投資者（正確にはCapital One Venturesだが）からのものだとしても、素晴らしい賞賛の言葉だ。

今回の18億円のシリーズA投資は、M12、BGV、Capital One Venturesが共同で主導し、以前からの投資者である Engineering Capitalも参加している。

デビュー記念のプレゼントとしてEvincedは、サービスの無料プランを発表した。これにはiOSアプリのアクセシビリティー・デバッガーも含まれる。WCAGガイドラインやARIAの役割を知らないすべてのアプリ開発者の助けになるはずだ。またサイト管理者が登録すると認証が受けられる無料のコミュニティー・エディションのサイトスキャナー、ちょっと試してみたい法人向けの無料試用プランもある。

画像クレジット：smartboy10 / Getty Images

[原文へ]
（文：Devin Coldewey、翻訳：金井哲夫）

AI・ディープラーニング技術のコンサルティングと開発を行うリッジアイ（Ridge-i）は2月1日、第三者割当増資による7億8000万円の資金調達を発表した。引受先は、オリックスと、グローバル・ブレイン、スパークス・グループ（スパークス）。累積資金調達額は約15億3000万円となった。

同社は、今回の資金調達は、これまで培ってきたAI技術と導入知見を、より多くのニーズへ届けられるように、プロダクト・AIエンジンの開発体制の強化およびその販売体制を構築するための事業戦略ラウンドと位置づけ。また、社会課題・SDGsに対する宇宙開発・衛星解析事業は投資フェーズであり、今回の調達により財務基盤を強化することで、より積極的な発信と研究開発を加速し、ニーズの創出を狙う。

調達した資金の投資先

• 高度なカスタムAIの開発・提供の加速化：AIプロダクトの開発体制の拡充、販売展開の強化、計算資源の強化、少数データによる精度向上技術などAIのコア技術の研究開発、パートナー企業との強みを活かしたAI×αの共同ソリューション開発
• 社会課題解決に向けた、衛星画像解析AIを中心とした技術・サービスの開発：衛星画像を使ったAI解析のポータルサービスの提供、土砂崩れや海の汚染など自然災害リスクに対する環境モニタリングAIの開発、人流動向や行動分析など社会活動モニタリングAIの開発、衛星画像解析に特化した、画像処理・信号処理技術の研究、衛星とドローンを組み合わせた、統合的な画像解析ビジネスの展開
• 優秀な人材採用による組織力強化およびR&D研究の推進：採用活動の強化、点群データ処理、マルチモーダル技術など、AIの次を見据えた新たな研究開発の加速、大学との共同研究（東京大学と建築情報学について連携）

リッジアイは、AI・ディープラーニング領域において、社会課題・顧客課題に向き合い、最先端の技術を駆使して解決し、新しい社会を創造するテックイノベーションファーム。

特に、画像やセンサーデータの解析について、様々な技術とディープラーニングを始めとするAIを組み合わせた開発能力に強みを持ち、投資対効果が高く技術面において最適化されたソリューションの提供により、課題解決に取り組んでいる。

顧客課題だけでなく、多くの社会課題に取り組み、JAXAより受託した土砂崩れ解析ディープラーニングでは第４回宇宙開発利用大賞　経済産業大臣賞を受賞。今後も技術の実用と研究の両立を追求し、社会・顧客が持続的に効果を実感できる最高のソリューションを提供するとしている。

関連記事
・AI作成支援プラットフォーム「harBest」運営のAPTOが約6000万円を調達
・東大・松尾研発のAIスタートアップACESが3.2億円調達、IGPI川上登福氏が取締役に就任
・日本ディープラーニング協会がビジネス活用人材向けG検定で7250名受験・累計合格者数3万人突破と発表
・自動目視検査など製造業にAI外観検査システムを提供するMENOUが8000万円を調達
・日本ディープラーニング協会が高専生対象コンテスト開催、最優秀賞の東京高専チームが企業評価額5億円を獲得

カテゴリー：人工知能・AI

タグ：資金調達（用語）、ディープラーニング / 深層学習（用語）、リッジアイ、日本（国・地域）

AI技術をロボティクスに実装し社会課題の解決を進めるロビット（ROBIT）は1月27日、「プレミアムきのこ総合メーカー」の雪国まいたけにおける、まいたけカット工程の自動化技術の開発に成功し、次世代型パッケージライン開発に合意したと発表した。熟練作業員のカット技法をAI自動カットロボットが実現し、新人・中堅作業員の2～3倍の作業効率になった。

雪国まいたけでは、独自技術によって天然同様の900gを超える大きなまいたけ株を生産し、作業員がカットすることで、50gから500gまでの複数の商品ラインアップを販売。カット工程では、単に重量を合わせるだけでなく、部位によって異なる味わいや食感などを、1パックにバランスよく、かつ見栄えよくパック詰めするための独自のカット技法にこだわっているという。またこのため、自動化を進める生産工程の中でも非常に多くの人員を要しているそうだ。

まいたけ株は、形状や茎の付き方がひとつひとつ異なるため、重量精度を出すことが最難度の農作物。そのため、熟練した作業員と経験が浅い作業員では2～3倍程度の作業効率差があり、将来的な人員確保の難しさやコロナ禍において様々な配慮が必要になる中で、カット工程の自動化の早期実現は不可欠となっていた。

ロビットは2014年6月に設立し、ロボット、精密機器、関連するハードウェア・部品およびソフトウェアの設計・製造・販売を手がけている。同社は、2019年より、雪国まいたけの独自のカット技法と高レベルの重量精度を両立するAIアルゴリズムの開発、そのAIアルゴリズムを実装する自動カットロボットの開発を進行。今回、雪国まいたけ社内で最も優れた熟練作業員と同等レベルでカットすることが可能なAIアルゴリズム搭載の自動カットロボットの開発に成功した。

AI自動カットロボットは、切断したまいたけ片が重量分布が正規分布に従っており、熟練した作業員以上に、後工程に質の良いまいたけ片を提供可能なことに加え、不定形で衝撃に弱いまいたけ株を安定的に把持し、AIアルゴリズムの推論結果通りに装置を制御・補正し、狙い通りのカットを実現する機能を備えており、生産工程への早期実装を可能にする。

上記結果を踏まえ、両社は、AIアルゴリズム搭載の自動カットロボットを核に、カット工程の前後においてもAIやロボティクスの実装を目指す次世代型のパッケージングライン（カットから包装までの工程）の開発を進めることに合意した。

関連記事
・中⼩企業向け検品・検査⼯程用エッジAIをサブスクで提供するフツパーが約1億円を資金調達
・物流スタートアップDatumixが通販物流センターにおける立体シャトル自動倉庫作業の効率化AIアルゴリズムを開発

カテゴリー：人工知能・AI

タグ：雪国まいたけ、ロビット、日本（国・地域）

著者紹介：Kendra Gaunt（ケンドラ・ゴーント）氏は、LGBTQの若者の自殺防止と危機介入に取り組む世界最大の団体The Trevor Project（トレバー・プロジェクト）のデータ・AIプロダクト担当者。2019年のGoogle AI Impact Challengeで助成対象団体に選ばれたトレバー・プロジェクトは現在、サポートの提供範囲を広げてさらに多くの若者の命を救うために、新しいAIアプリケーションの導入を進めている。

ーーー

今や、テック業界で働く人の大部分は、我々の中に存在する潜在的な偏見がAIアプリケーションにも反映されてしまうことを理解している。AIアプリケーションは現在、日常生活を本質的に変えることができるだけでなく、人間の意思決定に影響を及ぼすことさえも可能なほどに高度な機能を有するようになっている。

AIシステムの普及と高性能化が進めば進むほど、テック業界は「不公平な偏見を示すAIモデルや機械学習（ML）モデルの使用を回避するには何をすべきか」という問題への取り組みを急がなければならない。

AIから受ける影響やAIとの関わり合い方は、個人が持つ複合的なアイデンティティーに左右されるため、各人各様である。このことを踏まえたうえで、インターセクショナルな枠組みを適用して万人に役立つAIを開発するには、どうすればよいのだろうか。

インターセクショナリティの意味と重要性

この難題に取り組むには、まず立ち止まって「インターセクショナリティ」の意味を定義することが重要だ。インターセクショナリティとは、Kimberlé Crenshaw（キンバリー・クレンショー）によって定義された用語で、人間は特有のアイデンティティーを複数持っており、それが組み合わさることによってどのような経験が生み出されるのか、また、その人に対する世間の見方がどのように形成されるのかを、深く理解するための枠組みである。

これには、個人特有のアイデンティティーに関連して発生する差別や特権も含まれる。多くの人は複数の周縁的アイデンティティーを有しており、それらが組み合わさることによって複合的な効果が生まれることを、我々はよく知っている。

The Trevor Project（トレバー・プロジェクト）は、LGBTQの若者の自殺防止と危機介入に取り組む世界最大の団体である。当団体は、助けを必要とするLGBTQの若者ひとりひとりをサポートすることを目指しており、トランスジェンダーやノンバイナリ―であることに加えて黒人、少数部族、有色人種などのアイデンティティーを持つ人々が、特有のストレスや問題に晒されている実情を目にしている。

そのため、当団体の技術チームが、この多様性に富むコミュニティでの使用を目的としたAI（具体的には、自殺リスクの判定精度を高めて常に効果的なサポートを提供するためのAI）の開発に着手する際、我々は、文化的な特性への理解が欠如しているせいでメンタルヘルス面でのサポートが受けにくくなるという現状をさらに悪化させたり、提出された連絡先情報だけでジェンダーを判別するという不公平な偏見をさらに助長したりすることのないよう、十分に注意する必要があった。

当団体がサポートを提供しているコミュニティは特に多様性に富んでいるとはいえ、潜在的な偏見というのはどんなコンテキストにおいても存在し、どの特性に属する人でも傷つける場合がある。だからこそ、どの技術チームも、公平でインターセクショナルなAIモデルを開発できるはずであり、そうすべきである。なぜなら、インターセクショナリティこそ、多様性を尊重するコミュニティを育て、どんな背景を持つ人にも対応できるツールを開発するための鍵だからだ。

そのためにはまず、開発するモデルを使用する人が持つ特性をできるだけ多く特定することが必要だ。加えて、それらの特性の交差部分に属するグループを判別する必要がある。誰がどんな理由でそのモデルを使用するのかを明確に定義することが第1段階である。誰がどんな問題で困っているのかが理解できれば、解決策を特定できるからだ。次に、各ユーザーがそのモデルを使用する状況を、最初から最後まで具体的にシミュレートしてみることだ。そうすれば、どの団体、スタートアップ、企業も、トレーニングからフィードバックまで、AI開発の各段階にインターセクショナリティを組み込むためにどんな戦略を実践すべきかが見えてくるだろう。

データセットとトレーニング

AIモデルの質は、トレーニングに使われるデータによって決まる。しかし、収集されたデータの内容、測定、アノテーション（タグ付け）はどれも、本質的に人間による意思決定に基づいているため、トレーニング用のデータセットに潜在的な偏見が含まれてしまう場合がある。例えば、2019年に行われた研究では、患者のニーズを判断するためのデータセットに欠陥があり、そのデータセットでトレーニングされた医療リスクの予測アルゴリズムが人種偏見を示したため、本来は治療対象となるはずの黒人患者のリスク度が白人患者よりも低いと判断され、その黒人患者が高リスク患者向けの治療を要する患者であると判定される確率が低くなってしまった例が報告されている。

公平なシステムを構築するには、そのモデルを使う人たちの特性を反映したデータセットを使ってトレーニングを行う必要がある。言い換えれば、データに十分反映されていない可能性があるのはどんな人たちなのかを見きわめるということだ。しかし、ここでさらに「周縁的な特性を持つ人に関するデータが全体的に不足している」という、もっと全般的な問題についても論じなければならない。これはシステム上の問題として対処すべきものである。なぜなら、データが希薄だと、システムが公平であるかどうかという点も、被差別グループのニーズが満たされているかどうかという点も、判断が難しくなるためだ。

自分の組織や会社で使用するトレーニングデータの質を分析するにはまず、データの量とソースについて検討して、どんな偏見、偏向、誤りが含まれているのかを特定し、データの質を改善する方法を見つける必要がある。

データセットに偏見が含まれている場合、その組織が「インターセクショナル」として定義する特定のデータを増幅させたり増加させたりすることによって、問題を解決できる場合もある。早い段階でこの措置を講じておけば、モデルのトレーニング関数に反映させることができ、システムの客観性を最大限に確保するのに役立つ。さもなければ、知らないうちにトレーニング関数が関連性の低い結果を算出するよう最適化されていた、というような事態になりかねない。

トレバー・プロジェクトの場合、他の層に比べてメンタルヘルスサービスを利用するのが困難な層や、他のグループよりもデータサンプルが少ない層から発せられるシグナルを増幅させる必要があるかもしれない。非常に重要なこの措置を講じなければ、当団体が開発するAIシステムのユーザーにとってはあまり役に立たない結果が算出されてしまうだろう。

評価

AIモデルの評価は継続的なプロセスであり、変化し続ける環境に組織が対応していくのを助けるものだ。公平性の評価はかつて、人種だけ、ジェンダーだけ、民族性だけ、というように、どれか1つの特性に関する公平性を調べるものだった。しかし、これからのテック業界は、複数の特性の組み合わせに基づいて分けたグループをどのように比較すれば、すべての特性に対する公平性を評価できるのか、その方法を考案しなければならない。

公平性を測定するにはまず、不利な立場に置かれる可能性のあるインターセクショナル集団と、有利な立場を得る可能性のあるインターセクショナル集団とを定義し、次いで、特定のメトリクス（例えば偽陰性率など）が両者の間で異なるかどうかを調べる。そして、そのメトリクスが両者の間で異なることが何を意味するのか、どのグループがシステムの中で差別されているのかをさらに調査する別の方法はないか、そのグループが差別されている理由は何か、といった点を開発段階で検討する必要がある。

公平性を確保し、不公平や偏見を軽減させるには、初めからそのモデルのユーザー層に基づいて開発し、モニタリングするのが最善の方法である。モデルの評価結果が出たら、次はそれに基づいて、統計上の被差別グループを意図的に優遇し、不公平な偏見が最少化されるようにモデルをトレーニングしてみることだ。アルゴリズムの公平性は社会的な状況の変化によって低下する可能性があるため、公平性を確保する設計を開発初期から組み込むことが、あらゆる層の人を公平に扱うモデルの構築につながる。

フィードバックとコラボレーション

AI製品の開発とレビューを行う際には、多様性に富む人々、つまりアイデンティティーだけでなく、所持スキル、製品の使用頻度、経験年数などの点でも異なる背景を持つ人々に参加してもらう必要がある。また、ステークホルダーと、問題や偏見を特定するシステムによって影響を受ける人たちの意見も聞く必要がある。

解決策のブレインストーミングにはエンジニアの力を借りよう。トレバー・プロジェクトでは、インターセクショナル集団を定義する際、当団体の危機介入プログラムに直接関与しているチームと、そのチームの成果を活用している人たち（研究チーム、危機サービスチーム、技術チームなど）と協力した。その後、システムの利用開始と同時に、ステークホルダーと、システムと実際にやり取りするユーザーからフィードバックを集めた。

結局のところ、インターセクショナルなAIを開発するために「これさえやっておけばいい」という画一的なアプローチ方法は存在しない。トレバー・プロジェクトでは、当団体の業務、現時点での知識、サポートを提供する特定のコミュニティを念頭に置いて開発方法を考案した。当団体は、モデルを一度作ったらそれで終わり、というアプローチではなく、知識の増加にともなって進化を続けていくアプローチを取っている。他の企業や組織は別のアプローチでインターセクショナルなAIを構築するかもしれないが、当団体には、より公平なAIシステムを構築すべき道義的責任がある。なぜなら、当団体が開発するAIは、社会に存在する不公平な偏見を強調する（最悪の場合は増幅させる）力を持っているからだ。

AIシステムが使用される事例やコミュニティにもよるが、特定の偏見が増幅されると、すでに差別的な扱いを受けている人々にさらなる悪影響が及ぶ可能性がある。同時に、インターセクショナルな枠組みに従って開発されたAIは、あらゆる人の生活の質を向上させる力を持つ。トレバー・プロジェクトは、テック業界の技術チーム、各分野の専門家、意思決定者が、業界全体の変化を促す指針を策定することについて真剣に考え、サポート対象のコミュニティの特性を確実に反映したAIモデルの開発を目指すことを強く願っている。

関連記事：人工知能はゾウを救えるか

カテゴリー：人工知能・Ai

タグ：コラム

[原文へ]

（翻訳：Dragonfly）