視覚認識 | SEO-LPO.net

12月開催のSight Tech Globalでマイクロソフトの研究者が視覚障がいに対する「パーソナル」なAIのあり方を語る

Microsoft（マイクロソフト）の主任研究員であるCecily Morrison（セシリー・モリソン）博士が視覚障がい者にとってAIがどう役立つかを研究しているのは、強い個人的な思いによるものだ。博士の7歳の息子が視覚障がい者だからというだけではない。人を助けるパワフルなAI関連テクノロジーは、それぞれの人の環境や能力に応じてサポートするパーソナルなものであるべきだとの信念があるからだ。

Microsoft Research Cambridgeでヒューマン・コンピュータ・インタラクションやAIについて研究しているモリソン博士は「ユーザーが自分の体験をパーソナライズできるような新しいAIテクノロジーが登場するだろう」と言う。「一人ひとり、すべての人が異なる。障がいがあるというラベルは、同じラベルを持つ別の人と同じニーズを持つという意味ではない。それぞれに固有のニーズに合わせて体験をパーソナライズするために、新しいテクニックによって障がい者の情報のニーズをごくわずかなサンプルでAIに教えることができる。テクノロジーは障がいというラベルのためのものではなく、パーソナルなニーズのためのものになる」。

画像クレジット：Cecily Morrison

モリソン博士は12月2日と3日に開催されるバーチャルのグローバルイベント、Sight Tech Globalで講演をする。Sight Tech Globalは、AI関連テクノロジーによって視覚障がい者のアクセシビリティの未来がどのように具体化されるかを考えるイベントだ。先日、TechCrunchで開催が発表され、現在は事前登録を受け付けている。

モリソン博士は現在、全盲やロービジョンの人々に対するAIの可能性を探るいくつかの研究プロジェクトに関わっている。例えばProject Tokyo（Microsoft発表）では、周囲の状況に関する情報をリアルタイムで提供し、意味づけのスキルと能力を拡張する方法を研究している。

研究チームは全盲やロービジョンの人々と緊密に連携し、その体験とニーズに基づいて研究をしている。「きわめて重要なのは、全盲やロービジョンの人々の能力を高めるためにテクノロジーは何ができるのかを考えることだ。視覚障がい者の多くは高度なストラテジーをもって周囲を認識し意味づけている。AIテクノロジーは、情報のギャップをカバーすることでこうした高い意味づけのスキルをさらに強化するものでなくてはならない。テクノロジーは視覚の代わりではなく、人が生活の中ですでに持っている情報を補強するものと捉えることが大切だ」。

視覚障がいの子を持つ母親としてモリソン博士は「違う視点で世界を見てきたし、他の立場では見ることも参加することもなかったであろうコミュニティに参加してきた」という。このことは間違いなく博士の研究を後押ししてきた。インクルーシブデザインのプロジェクトであるProject Torino（Microsoftブログ）は、視覚障がいを持つ子どもたちがプログラミングを学ぶというニーズから発想を得ている。このプロジェクトから、視覚の程度を問わず7〜11歳の子どもが計算論的思考と基本的なプログラミングを学ぶための物理プログラミング言語が作られた。この取り組みがCode Jumperというプロジェクトにつながり、視覚障がい者の教育や自立支援に取り組むNPOのAmerican Printing House for the Blindから有料で販売されている。

視覚障がいを持つ7〜11歳の子どもたちと緊密に連携して試行錯誤することで、このプロジェクトが成功した。そしてモリソン博士は、対象となる人々と研究者が緊密に連携する重要性について理解を深めた。さらに博士は、視覚に制限のある人々は一般に、テクノロジーに対して際立ったアーリーアダプターであると指摘する。

モリソン博士は次のように語る。「エージェントを利用した空間で、我々は全盲やロービジョンの人々とともに研究をしてきた。なぜなら、我々がエージェントの研究を始めた時点では、一般の人はエージェントのヘビーユーザーではなかったからだ。それどころか、ほとんどの人がエージェントはおもちゃだと考えていた。その一方で視覚障がい者はエージェント技術のアーリーアダプターでありヘビーユーザーだった。彼らはエージェント技術の可能性を広げるための大きな力になった。テクノロジーを日常的に使っていなければ、今後どうなるかを想像することはできない。能力の高い視覚障がい者のグループと協力して、未来のエージェントが私たちすべてにとってどのようなものになるかを考えることができる。これはインクルーシブデザインの好例だ」。

モリソン博士はケンブリッジ大学でコンピュータサイエンスの博士号を取得し、コロンビア大学バーナードカレッジで民族音楽学の学士号を取得した。パートナーと2人の子どもがいて、子どものうち1人は視覚に障がいがある。

現在、Sight Tech Globalでは事前登録を受け付けている。メインプログラムは無料で視聴できる。

Sight Tech Globalはスポンサードを受けて開催するイベントで、これまでにWaymo、Google、Wells Fargo、TechCrunch、Verizon Mediaがパートナーとなっている。収益はすべてNPOのVista Center for the Blind and Visually Impaireの収入となる。スポンサーシップについての問い合わせはsponsor@sighttechglobal.comまで。

画像クレジット：Sight Tech Global

[原文へ]

（翻訳：Kaori Koyama）

自身も視覚障がいを持つ開発者がMicrosoft Seeing AIによるアクセシビリティ改善について語る

マイクロソフトのCEOを務めるSatya Nadella（サティア・ナデラ）氏は2016年のBUILDカンファレンスでエンジニアのSaqib Shaikh（シャキブ・シェイク）氏を紹介し、彼の情熱と思いやりが「世界を変えるだろう」と述べた。

この予言は正しかった。シェイク氏はその後、目が見えないあるいは視覚障がいのあるユーザー向けのスマートフォンアプリ「Seeing AI」を共同開発し市場に送り出した。このアプリは AI の応用がアクセシビリティの改善にどれほど役立つかをよく示すケースとなっている。Seeing AIはスマートフォンカメラを利用しその場の情景を認識して描写してくれる。

例えば、人物の人数、性別、表情などを音声で告げる。また手書きのものを含め文章を撮影すると読み上げてくれる。紙幣であれば額面を対象物の色も分かる。アプリの最新バージョンではハプティック・テクノロジーを利用しておりユーザーは人物などの対象の位置を振動で知ることができる。このアプリは3年前の発表以来2000万回利用されている。現在のバージョンは日本語を含む8カ国語がサポートされている。

視覚障がい者のアクセシビリティを改善するテクノロジーをテーマとするオンライン・カンファレンス「Sight Tech Global」でシェイク氏が講演することになったのはうれしいニュースだ。シェイク氏はAIテクノロジーの急速な進歩がいか視覚障がい者の生活の質を改善しつつあるかを解説する。TechCrunchなどがメインスポンサーを務めるSight Tech Globalは、視覚障がい者を支援する活動を75年以上続けてきたVista Centerが主催する。このオンライン・カンファファレンスは最近TechCrunchで開催の詳細を発表した（未訳記事）。

シェイク氏は7歳の時に視力を失い、盲学校で学んだ。ここで視覚障がい者に「話しかける」ことができるコンピューターに魅了された。その後、英国のサセックス大学でコンピュータ科学を学んだ。シェイク氏によれば「大学卒業後常に夢見ていたのはいついかなる時でも自分の身の回りに誰がいて何が起きているのかを教えてくれるようなテクノロジーだった」という。同氏はこの夢の実現に向かって歩み続けた。

2006年にマイクロソフトに入社し、2014年と2015年の一週間に及ぶ定例ハッカソンでAIを視覚障がいのあるユーザーのためのソフトウェアの開発を試みた。その後間もなくSeeing AIは同社の公式プロジェクトとなり、シェイク氏のフルタイムの業務となった。開発には同社のCognitive Services APIが決定的な役割を果たしたという。現在同氏は視覚障がい者のためにAIを役立てるチームのリーダーとして活動している。

シェイク氏は「AI について言えば障がいを持つユーザーは最も有望なアーリーアダプターだと思う。視覚障がい者は何年も前から本を音声録音によって利用してきた。人間の読み上げに代わるものとしてOCRやテキスト読み上げのテクノロジーなどが開発された。これらは初期のAIの応用といえる。現代ではコンピューターは高度な AI を利用して視覚的認識によって、文章化して読み上げることができる。このテクノロジーには数多くのユースケースが見出されている。しかし最も有望な分野は視覚障がい者に対して周囲の状況を認識し音声で教えるものだ。これは視覚障がい者の能力を信じがたいほどアップさせる」と説明する。下のビデオはマイクロソフトが2016年にリリースしたものでシェイク氏とSeeing AIプロジェクトをフィーチャーしている。

Seeing AI はAI テクノロジーがほとんど知性を持つように振る舞うツールを実現できるという例のパイオニアだろう。このアプリは単に文書を読み上げるだけではなく、文章を正しく読み取れるようにするためにスマートフォンをどちらに動かせば良いかユーザーに教えてくれる。また目の前に誰かがいることを教えてくれるだけでなく（事前に名づけていれば）名前や簡単な見た目も教えてくれる。

Sight Tech Globalでシェイク氏はSeeing AIの将来に加えてクラウド・コンピューティングの発達、ネットワーク遅延の低下などによるアクセシビリティの改善、AIアルゴリズムによる高度なデータセットの利用などについてビジョンを語る予定だ。

Sight Tech Globalは、12月2日〜3日に開催される。参加は無料だが、事前登録がこちら必要だ。公式Twitterは@Globalsightとなる。カンファファレンスではスポンサーを募集中で、さまざまな支援の道がある。関心を持った企業は、運営事務局のメールにぜひ問い合わせてほしい。

画像クレジット：Saqib Shaikh

［原文へ］

（翻訳：滑川海彦@Facebook）

いまさら聞けないコンピュータービジョン入門

部屋の向こうから誰かがあなたにボールを投げて、あなたがそれをキャッチする。実にシンプルだ。実のところ、これは私たちが理解しようとしてきたプロセスの中でも最も複雑なものの1つだ – ましてや再現は困難だ。私たちが見るように見ることができるマシンを発明することは、見かけ以上に困難な仕事だ、コンピューターにそれをやらせることが難しいというだけでなく、そもそも私たち自身がそれをどのようにやっているのかがはっきりしないからだ。

実際に起こっているのはおおよそこのなようなことだ：ボールのイメージがあなたの目を通過して網膜に映る、そこである程度の基礎的な解析を行い、その結果を脳に送る、そして視覚野がイメージをより徹底的に解析する。そして、その後解析結果は皮質の残りの部分へと送り出される、そこでは既に知っている全てのものと結果が比較され、物体と寸法を分類し、最終的に何を行うかを決定する：腕を上げてボールを掴む（その軌跡を予測しながら）。このプロセスはほんの一瞬で行われて、意識的な努力はほぼ不要だ、そして多くの場合決して失敗しない。だから、人間の視覚を再現することは、単に1つの困難な問題ではないのだ、それは複数の困難な問題の集まりで、お互いが他に依存している。

まあ、これが簡単だろうと言った人はいない。おそらく、AIのパイオニアである、マービン・ミンスキーを除いては。彼は1966年に1人の大学院生にこのような有名な課題を与えた「カメラをコンピューターに接続して、それが見ているものを記述させなさい」。学生に同情を禁じ得ない：50年後、私たちはまだその課題に取り組んでいるのだ。

本格的な研究は、50年代に始まり、3つの異なるラインに沿って進んだ：目を複製する（難しい）。視覚野の複製（非常に難しい）：そして脳の残りの部分の複製（ほぼ間違いなくこれまで試みられたものの中で最も困難）。

見ること

目の再発明は、私たちが最も成功を収めてきた領域だ。過去数十年にわたって、私たちは人間の目の能力に匹敵し、ある部分ではその能力を凌ぐほどの、センサーや画像処理装置を作成してきた。より大きく、より光学的に完璧なレンズと、ナノメートルスケールで製造された半導体サブピクセルのおかげで、現代のカメラの精度と感度は信じられないという他はない。カメラはまた、毎秒数千ものイメージを記録し、高い精度で距離を検出することができる。

An image sensor one might find in a digital camera.

デジタルカメラの中によく見ることができるイメージセンサの1つ

しかし、出力の忠実度は高いにもかかわらず、これらのデバイスは多くの点で、19世紀のピンホールカメラより優れているとは言えない：それらは単に与えられた方向から来る光子の分布を記録しているだけなのだ。これまでに作られた最も優れたカメラセンサーでもボールを認識することはできない — もちろんそれをキャッチするなんて事もできそうもない。

別の言葉で言えば、ハードウェアはソフトウェアが存在しないと極めて機能が限られてしまう — それが解くべき、より重要な問題なのだということが分かったのだ。とはいえ、現代のカメラ技術は、撮影のためにリッチで柔軟なプラットフォームを提供している。

記述すること

ここは、視覚神経解解剖学についての完全なコースを提供する場所ではないが、私たちの脳は、言ってみれば、視覚を意識して、ゼロから構築されているのだと言えば十分だろう。脳の大部分は他のどのようなタスクよりも視覚に割り当てられている、そしてその専門化は細胞に至るまで全部が関連している。数十億のそれらの細胞が一緒に働き、網膜から送られたノイズだらけで無秩序な信号からパターンを抽出する。

もし特定の線上に特定の角度でコントラストがあったり、例えば、ある方向へ急な動きがあった場合に、神経細胞の集合がお互いを刺激する。より高いレベルのネットワークが、これらのパターンをメタパターンへと集約する：上方に移動している円、のように。そこへ別のネットワークが話に加わる：円は白く、線は赤い。また別のネットワーク：そのサイズは成長している。1つの画像が、これらの粗く補完的な記述から現れ始める。

A "histogram of oriented gradients," finding edges and other features using a technique like that found in the brain's visual areas.

「勾配方向ヒストグラム（HOG:histogram of oriented gradients）」が、脳の視覚野に見られるような技術を用いて、エッジや他の特徴を見つける

これらのネットワークを、計り知れない複雑なものと考えた初期のコンピュータービジョンの研究は、違うやり方を採用した：「トップダウン」アプローチだ — 本は/この/ように見えるので、/この/ようなパターンを探せ。もし横置きされていないなら、/この/ように見えるだろう。車は/この/ように見えて、/この/ のように移動する。

私たちは、私たちの心がどのように働いているかに関しての、使える定義をほとんど持っていない。それをシミュレートすることは更に困難だ。

制御された状況下で少数のオブジェクトを扱うなら、このやり方は上手く行った、しかし身の回りの全てオブジェクトを記述しようとすることを想像して欲しい。あらゆる方向から様々な光と動きがやってきて、数百ものその他の要素があるのだ。幼児レベルの認識を達成することでさえ、非現実的に巨大なデータセットを必要とすることが明らかになった。

脳内で発見されたものを模倣する「ボトムアップ」アプローチは、より有望だ。コンピュータはイメージ対して連続した変換を適用し、予測されるオブジェクト、複数の画像が示されたときの遠近や動きなどを発見することができる。このプロセスは、大量の数学と統計計算を伴うが、要するにコンピューターは見たものを、既に認識するように学習していたものとマッチングさせようとしているだけのことだ — 私たちの脳がそうであるように、他の画像で学習したものを使うのだ。

上のようなイメージ（パデュー大学のE-labより）が示しているものは、コンピューターが計算によって、注目したオブジェクトが他の例の中の同じオブジェクトのように見え、似た動きをすることに、ある統計的確信度のレベルまで達したことを表示している。

ボトムアップアーキテクチャの支持者たちは「だからそう言ったじゃないか」と言うだろう。しかし、つい最近まで、人工ニューラルネットワークの構築と運用は非現実的だった、なぜなら必要な計算量が膨大だったからだ。並列コンピューティングの進歩は、これらの障壁を打ち破りつつあり、ここ2、3年は私たちの脳の中を模倣する（もちろんまだ概略レベルだが）システムの、構築と利用の研究が爆発的に増えている。パターン認識のプロセスは桁違いに高速化されていて、私たちは日々進歩を重ねている。

理解すること

もちろん、あなたはあらゆる種類のリンゴを認識するシステムを作ることができる、すべての角度から、どのような状況でも、止まっていても、動いていても、少々齧られていても、どのような場合でも — そして、そのシステムはオレンジを認識することはできない。さらに言えば、そのシステムは、リンゴとは何か、それは食べられるものなのか、どれほど大きなものなのか、あるいは何に使われるものなのかに答えることさえできないのだ。

問題は、良いハードウェアとソフトウェアがあっても、オペレーティングシステムがなければあまり役に立たないということだ。

Artificial intelligence and cybernetics

私たちにとっては、それが私たちの心の残りの部分なのだ：短期並びに長期記憶、私たちの他の器官からの入力、注意と認知、本当に膨大な世界とのインタラクションを通じて学んだ、これまた膨大なレッスン、私たちがかろうじて理解した手法で書かれた、これまで私たちが出会ったどのようなものよりも複雑な相互接続されたニューロンのネットワーク。

コンピュータビジョンの将来は、私たちが開発した、強力なしかし特定の役にしかたたないシステムを、より大きなものと統合するところにある

ここが、コンピュータ科学とより一般的な人工知能のフロンティアが集まる場所だ — そして私たちが大いに空回りをしている場所なのだ。コンピュータ科学者、技術者、心理学者、神経科学者そして哲学者の間で、私たちは、私たちの心がどのように働いているかに関しての、使える定義をほとんど持っていない。それをシミュレートすることは更に困難だ。

とはいえ行き止まりに来たという意味ではない。コンピュータビジョンの将来は、私たちが開発した、強力なしかし特定の役にしかたたないシステムを、捉えることが少し難しい概念（文脈、注意、意図）にフォーカスしたより大きなものと、統合するところにある。

とは言っても、たとえ初期の段階であるとしても、コンピュータビジョンは、非常に有益なものだ。それはカメラの中に入って、顔と笑顔を認識している。それは自動運転車の中に入って、交通標識を読み取り歩行者に気をつけている。そしてそれは工場のロボットの中に入り、問題を監視し、人間の作業者の周りでナビゲーションを行っている。それらが、わたしたちと同じように見ることができるようになるまでには、（もしそれが可能だとしても）なお長い年月が必要だが、現在手にできている仕事の規模を考えると、彼らが見ているということは素晴らしいことだ。

[ 原文へ ]
（翻訳：Sako）