前のレッスンで取り上げたように、Texty は Leprosy of the Land の制作で2つの異なるアルゴリズムを使用しました。

最初のアルゴリズムで、ウクライナの森林の衛星画像によるセクションを視覚的に均一なサブセクションに分割が可能になった後、衛星画像のどのセクションが琥珀採掘の現存する画像の例に最も類似しているかを特定できる2番目のアルゴリズムが必要でした。彼らが必要としていたのは、「カスタム分類子」といわれるものでした。

カスタム分類子は機械学習モデルの一種で、調査したい画像のデータセットを分類するために、事前に定義されたラベルを適用する必要がある場合に展開することができます。

私たちの場合、これらの事前に定義されたラベルは以下のようにシンプルです。「YES： この画像には、普段は琥珀の採掘活動を示すパターンと一致する視覚要素が含まれています」および「NO： この画像には、琥珀の採掘活動を示唆する視覚要素は含まれていません」。

Google Cloud AutoML Visionは、まさにそれが可能になります。これを利用して教師あり学習を行うための方法を学びます。つまり、機械学習モデルをトレーニングして、フィードする画像のデータセットに適したYESラベルとNOラベルを使用します。

Quartz AI Studioのジェレミー・メリル氏は、Crash Course in Classifying Text with Machine Learning で、「ジャーナリストとしての目的のためなら、正しいことをするアルゴリズムを選ぶ限り、どのアルゴリズムを選ぶかはあまり重要ではない」と言及している。

AutoML Vision は、私たちが望む目標を達成するために使用できる唯一のツールではないのです。実際のところ、Texty が調査中に使用したのはアルゴリズムではありません。このコースで AutoMLVision を使用している理由は、そのアクセシビリティにあります。つまり、コーディングスキルは必要なくても、AutoMLVision の仕組みを学び、データ上で高性能なモデルをトレーニングすることができるのです。

すでにコーディングスキルを持っていて、さらに深く掘り下げたい場合は、fast.ai の Practical Deep Learning for Coders をご覧ください。

これで、AutoML Vision を使う準備が整いました。本コースの残りの部分では、それを使用して期待どおりの結果を達成する方法を学びます。つまり、機械学習モデルをトレーニングして、違法な琥珀採掘を認識します。

Texty と JournalismAI は、本コースの制作で提携しています。このパートナーシップのおかげで、Texty がLeprosy of the Land を調査する際に使用した実際の衛星画像のサンプルを利用することができるようになりました。

先に進む前に、Natural Language、Translation、 Speech-to-Text および Text-to-Speech など、Google Cloud が提供する他の AI and machine learning productsを必ずチェックしておきましょう。