機械学習ではデータ集めが大事

これは2022/04/12のMK社内LTで発表した内容です。

はじめに

• アルバイト/工学系大学院生の鈴木です
• 機械学習をテーマに卒業研究をしました
  • CT画像からとある部位を検出/その種類を判定
• が、あんまりうまくいかなかった
• 私の失敗が何かに活きれば😌

精度＝アーキテクチャ×データセット

• アーキテクチャはGoogleとかMITとか、すごい人たちが頑張って考えている
• 私たちにどうこうできるのは、たいていデータセット

データセットを集められる見込みはありますか？

Webに落ちてる/すでに大量に蓄積されている、ならいいけれど・・・

例えば、医療系AIのデータセットでのハードル

• データを使わせてもらうための患者の許可（プライバシー）
• データに対してのアノテーションが医師にしかできない

私の研究で集まったのは患者約50人分(約400例)のCT画像

うまくいっているAIでは約4000例使っているらしい

• 50人分でうまくいくわけないよ〜

Q.データが集まらないとどうしようもないの？→A.データ拡張

画像系なら・・・

• 単純な画像処理
  • 拡大縮小・切り抜き・色調変換etc.
  • 効果小・コスト小
• GANによる拡張
  • 学習データを作るAIを作る
  • 効果大・コスト大

データ拡張にどれくらいコストをかけられるか？

まとめ

データセットが集まる見込みがないのに、見切り発車するのは危険です！