こんにちは！釣りを趣味としながらAIを開発しているつりくずです。

今回は「現場でAIを導入するときのポイント」について、私が過去に試した釣り場の物体検知に関する事例を具体例として示しながら、解説してみたいと思います！

さまざまな産業でAIの導入を検討されている方は多くいらっしゃると思いますが、AI活用の大きな問題となるのが、そのブラックボックス性ではないでしょうか。

入力から出力までのプロセスを人間が理解できる形で説明できないというAIの特徴は、実際に導入を進める際には大きなハードルとなり得ます。 つまり、「説明できないもの＝分からないもの」と解釈されることで、稟議が通り辛くなるのです。

そこで、AI活用のハードルを少しでも低減させるため、YOLOv3を題材にモデルのテストをしていきたいと思います！

物体検知AIの導入に必要なこととは？

以前、COVID-19騒動の際に、釣り場の「密」を見つけるための技術を紹介しました。

▶　「釣り場の混雑具合」検出にYOLOを使ってみた！（AI×釣り）【実装】

上の記事では、YOLO (You Only Look Once)と呼ばれる画像認識技術を利用して、釣り場の人の数を検知することに成功しました。YOLOは、物体検知の中でもリアルタイム性に優れ幅広く利用されている技術です。

さて、画像認識技術を導入するにはどういったことが導入のハードルになり得るのでしょうか。

最も大きな論点としては転送するファイルの大きさとなります。AIの発展に従い、画像や動画データを処理できるようになりましたが、その一方で大量のデータを転送するにはしっかりとしたシステム設計が必要不可欠です。

そのため、いくら研究データで高い精度が出ようと、実際に転送可能なデータ量で検証ができなければ意味がありません。

そこで今回の記事では、画像の解像度を変化させ、YOLOの検出精度の差を検証することで、AIモデルの限界を探ってみたいと思います！

ポイント1．AIの限界を探ることで説明可能性を高めるためのデータを準備する