人工知能を活用したい皆様にぜひ活用して頂きたい サービス

単純な学習に特化!!!出来るだけ安価に導入!
相談
無料

今すぐ問い合わせる

こんなお悩みありませんか?

人工知能をサービスに組み込みたいが高価すぎる
人工知能を製品に組み込みたいが検証する予算が足りない
人工知能で検証実験をしたいが取引先が見つからない
実績のある取引先が見つからない

そのお悩みを解決します!

機械学習、深層学習分野の人材不足により人工知能関連の案件が高価になる現状があります。
Simple learningは単純学習に特化した代行サービスです。
実際に学習したい想定データが決まっている場合は、ご利用いただくことで他社よりも安価に実現することが可能です。
個別の相談もお受けいたしますのでご安心ください。

こんな方が対象です

    • 学習を回したい方
    • 相談したい方
    • うまくいかなくて困っている方

私たちの思い

このサービスを開始するにあたって多くのノウハウを蓄積しました。ノウハウは個人に蓄積される傾向があり、技術サポートは実際に経験のあるエンジニアが対応いたします。私たちは画像分類、文章分類に関して800回以上のGPUでの学習に基づき、単純なタスクか複雑なタスクかを経験的に判断いたします。単純なタスクに関しての開発も非常に高価で取引される現状があり、人工知能分野で単純学習に特化したサービスを出すことに価値を感じております。

プランA(β) 学習+メールサポート

  • 学習+AWSでの学習済みAMI提供
  • 学習に使用したコード
  • メール問い合わせ無料
  • マニュアル
  • 学習+AWSでの学習済みAMI提供

プランB(β) 学習+メールサポート+Skype技術サポート

  • 学習+AWSでの学習済みAMI提供
  • 学習に使用したコード
  • メール問い合わせ無料
  • マニュアル
  • Skype技術サポート
  • 学習+AWSでの学習済みAMI提供

プランA(β) 学習+メールサポート

step1
お問い合わせ
お問い合わせフォームより、学習するタスクを選択頂きます。
step2
学習開始
学習するデータを送付いただきましたら、Simple learningにてデータを精査し問題がなくなった段階で学習を開始いたします。
step3
学習済みモデルをAWSのAMIにて提供
学習後のモデルをAMIにて提供いたします。

※サービス状況によってはAMI以外になることもございます。
step3
学習済みモデルをAWSのAMIにて提供
学習後のモデルをAMIにて提供いたします。

※サービス状況によってはAMI以外になることもございます。
step4
使い方についてお問い合わせ
使い方のマニュアルを送付いたします。不明点がある場合はメールにてお答えいたします。

事例紹介

タグ付け
ウェブメディアをお持ちのお客様で、付けられたタグがあまり良くない状態になっていました。
ウェブメディアに投稿された画像のタグ付けを画像分類モデルにて修正いたしました。
記事分類
ウェブメディアに投稿された記事の分類を変更したい。
顔分類
既存の顔分類手法に加え深層学習での分類機能を追加
スパム分類
QAサイトをお持ちで、スパムの記事書き込みがあった場合の判定処理を組み込みたい。
スパム分類
QAサイトをお持ちで、スパムの記事書き込みがあった場合の判定処理を組み込みたい。

よくある質問

Q
支払いのタイミングはいつですか?
A
学習後結果スクリーンショットを確認いただきます。学習後のAMI提供した翌月の20日までにお支払いをいただきます。
Q
プログラム開発をお願いすることは可能ですか?
A
学習に特化しているため開発はお受けできませんが、開発会社を御紹介することは可能です。
Q
納品までどのくらいまでかかりますか?
A
データ数やデータの整い具合によって変わりますが、2週間から1ヶ月が目安になっております。
Q
開発言語は何ですか?
A
Pythonを使用しております。安価で機械学習を実装する場合は、Pythonを活用するのがお勧めです。
Q
学習用のデータがありませんが、作ることは可能でしょうか?
A
学習データの作成をする場合は別途料金がかかります。
Q
支払いのタイミングはいつですか?
A
学習後結果スクリーンショットを確認いただきます。学習後のAMI提供した翌月の20日までにお支払いをいただきます。

従来の機械学習

OpenCVのtext detection機能

精度を上げるのに人が微調整。文字の大きさ、レイアウト、フォントなどで精度が変化。特徴が変わるごとに専門家が精度調整をする必要がありました。

深層学習での画像処理

機械学習手法と異なり深層学習では正解データとの誤差を更新していくことで正解となる座標を推定します。モデルの内部はブラックボックスで中身を数学的に示すことが困難です。一部数式で証明した論文もありますが、数学界で騒がれているにすぎません。

機械学習と深層学習の違い

深層学習では特徴量の抽出を自動で行います。正解データを作成する必要があります。

正解データとの誤差より重みを調整

論文に記載されたアーキテクチャにより、類似したタスクにある一定の精度を保証します。タスクに特化したした重みを調整します。正解データをもとに重みを更新いたします。

確率的勾配法により重みを更新

誤差を最小化することにより正解率が高いモデルを生成します。誤差の最小化にはSGD,Adamなど有名なアルゴリズムを使用します。最近の深層学習の発展を見るとメモリ機能を使用した、学習回数の低下と精度の向上。あるいは確率変数を使用することでタスクに適した事前分布を推定し、学習回数の低下と精度の向上などの発展が期待されています。深層学習モデルと数理統計モデルとの戦いは当分続くことでしょう。