【AITRIOS】Brain Builderを使いバナナの熟成度のAIモデル作成
- 2. ? 名前：上田哲弘（うえだ あきひろ） ? 痛快技術株式会社 2023年10月入社（元 印刷会社のWebディレクター） ? 仕事 ?SESとして Azure Open AI／Azure AI Search を活用したRAG構築など 自己紹介 confidential-痛快技術株式会社
- 4. AITRIOS+LLM バナナの熟成度を推論してみた confidential-痛快技術株式会社 前回のお話させていただいた ?AITRIOS + LLM による熟成度の推論のデモを実施 ?熟成スコアをLLMに渡して「バナナの食べごろ判定」を行った
- 9. 今回使用したデータセット confidential-痛快技術株式会社 データ名 Banana Classification 内容 ?合計 13,478枚のバナナ画像が用意されている ?4クラスに分類済み： unripe（未熟） ripe（完熟） overripe（やや傷み） rotten（腐敗） ?各画像がフォルダ構成で分類されており、そのまま 学習用に使える構成 マサチューセッツ工科大学から出ていました。 前回、9本のバナナを食べてモデルを作りました。 でも……もうそんなに食べなくていい時代が来たんです。
- 10. Brain Builderへ取り込みを行ってみた confidential-痛快技術株式会社 KaggleデータをBrain Builderにインポート unripe（未熟） rotten（腐敗） ripe（完熟） overripe（やや傷み）
- 12. ローカルでのテスト結果 confidential-痛快技術株式会社 テスト例： 黒くなったバナナ → overripe （やや傷み）と分類 テスト例： 黄色と黒点があるバナナ → ripe（完熟） と分類
- 13. まとめと次のステップ confidential-痛快技術株式会社 学習画像の確保 → Kaggleから成功 AIモデルの精度も90%以上と好結果 今後のステップ： AITRIOSへモデルをインポートし、モデルとして実行できるかの検証 分類結果を再びLLMへ連携し、食べごろレコメンドへ活用 今回、気づきとして Kaggleのデータを行ったが、この学習セット：11,793枚が非常に大きくBrain Builderで 学習を行うのが丸2日ほどかかってしまった。 その為に、今後の課題としていかに枚数を少なく精度を維持できるかという所が 大事ではないかと考えています。