英国の地図制作者は、機械学習が単なる空論ではないことを実証しているが、どれだけの地道な努力が必要なのかを知った。
英国陸地測量局（Ordnance Survey）は、リモートセンシングデータ（衛星画像と航空画像）から屋根を識別する機械学習実験を実施し、実験開始から1週間で87%の精度を達成しました。これは人間の精度（95%）には及ばないものの、重要なのはそこではありません。人間が1件の処理時間で数千件の処理が可能だからです。
「もしあなたがこの任務を引き受けるなら、この屋根を分類することです…」[出典: 陸地測量部]
「これは確かに当社の業務に革命を起こす可能性を秘めています」とOSの広報担当者は熱く語った。1週間かけて開発されたプロトタイプはまだ精度が十分ではないため実用化には至っていないが、視覚的なデータ分析を加速させると期待されている。
屋根は主に3つのカテゴリーに分類されます。切妻屋根、寄棟屋根、陸屋根ですが、鞍型屋根のように非常に珍しいものもあります。なぜそんなことを気にするのか不思議に思うかもしれません。保険会社はOSのデータを使って保険金額を決定しているからです。2万枚の屋根にラベルを付けるという骨の折れる作業は、OSの従業員にクラウドソーシングで依頼されました。結局、5つの異なるデータソースが使用され、データに投入されました。
課題は識別ではなく分類だったとOSの研究科学者であるCharis Doidge氏は語った。
「データからポリゴンはすでに取得済みです」と彼女は言った。つまり、モデルは地図上のあらゆる屋根の識別に苦労しなかったということだ。「セグメンテーションが問題です」とドイジ氏も同意する。彼女が発見した一つのことは、ポリゴンの周囲の不要なピクセルを削除すると認識率が大幅に向上するという点だった。
OSがパターン認識を強化するために機械学習を利用するのは今回が初めてではありません。同局は以前にも機械学習を試した際に、同様の実用的なアプローチを採用していました。
吸ってみて
農村支払庁は、補助金の決定にOSデータセットを使用しています。ある補助金は、農家が生け垣の植栽と維持管理を行うことを奨励するものであり、このデータはOSによってマッピングされています。アナリストは生け垣の変化に注目します。これは、補助金の増減につながる可能性が高いためです。そのため、変化を自動化し、フラグ付けすることは大きなメリットとなります。
少なくとも可能性はあります。OSとRPAは3つの実験を行いましたが、結果はまちまちで、有望なものもあれば、そうでないものもありました。
出典: 陸地測量局
「結果は、特定の種類の土地区画境界、特に排水溝/溝/堤防、壁、またはフェンス（これらは入力画像データの空間解像度よりも小さい）の変更を自動的に識別することは、この研究で使用されたような専門的なエッジ検出ツールを使用したとしても非常に困難であることを証明しています」とRPAの事後分析は結論付けています。
「これらのタイプの機能は変更検出精度が最も低く、全体的な変更検出精度に悪影響を及ぼします。」
分析の結果、データを機械学習アルゴリズムに適したものにするためには、多くの前処理が必要であることが判明しました。アルゴリズムは、照明（太陽の角度）とソースデータが取得された時期によって混乱を招いていました。しかし、これは、最先端のAIを実装しようとするすべての人にとって、まだ完成形に達していない今日において、あるジレンマを浮き彫りにしています。つまり、実際に試してみなければ、それがうまく機能するかどうかは分からないのです。
ディープラーニングがいかに初期段階であるかを示す例として、「ディープラーニングの父」ジェフリー・ヒントン氏が最近、ニューラルネットワークを用いたパターン認識への革新的なアプローチを発表しました。ヒントン氏は1980年代に、バックプロパゲーション技術をニューラルネットワークに理論的に応用する先駆者でした。このアプローチは、大規模なデータセットと組み合わせることで、近年ようやく実用的な成果を上げています。
ヒントン氏は、バックプロパゲーションだけではもはやAIを前進させるのに十分ではないと断言し、より優れた技術であるカプセルを明らかにしました。このアプローチは、AI研究者を「マンネリ化」から脱却させるものとして歓迎されています。ヒントン氏の新しいアプローチは、探しているパターンが既に画像内に存在することを前提としており、「活動から視点の変化を排除しようとするのではなく、視点の変化に応じて変化する神経活動を利用する」ものです。（人間が読めるPDFはこちらとこちら）
現時点では、Hinton は 3D オブジェクトに重点を置いているため、OS には直接役立ちません。
パターン認識はまだ初期段階であり、明確にラベル付けされたデータの必要性が浮上しています。しかし、生のデータが視覚的にわかるマッピング者にとっては、作業をスピードアップできる可能性は有望です。®
