AIの精度は「教師データ」で決まる――ラベル付けで失敗しないための考え方

AIで画像から異常を見つけるには、まず「これがひび割れ」「これは汚れ」と人が印を付けた画像（教師データ）を用意し、AIに学習させる必要があります。この印付けの作業を、ラベル付け（アノテーション）と呼びます。

AIの導入でつまずく原因の多くは、モデルの性能ではなく、この教師データにあります。

判断の基準がそろっていない

同じ画像を見ても、「これはひび割れ」と判断する人と「ただの汚れ」と判断する人がいます。基準があいまいなままラベルを付けると、AIは何を学べばよいのか分からなくなります。作業を始める前に、判定の基準を例となる画像付きで文書にしておくことが重要です。

現場を知らない人だけで作業する

インフラ点検の画像は、現場の知識がないと見分けにくいものが多くあります。ラベル付けを外部に任せる場合でも、最初の基準づくりと抜き取りでのチェックには、現場を知る人が関わるべきです。

量より、偏りに注意する

異常のある画像が極端に少ない、特定の天候や時間帯の画像に偏っているなど、データの偏りは精度の低下に直結します。枚数を増やす前に、どんな条件の画像がどれだけあるかを確認しましょう。

当社は、ドローンで点検を行う立場と、AIを開発する立場の両方から、教師データの整備と追加学習をお手伝いしています。お手持ちの画像とモデルがあれば、まずは状況を確認するところからご相談ください。