2019年3月28日発行
マルチモーダル学習の主な目的は、予測や推論のために、さまざまなセンサやその他のデータ入力で取得した異種のデータからの学習プロセスを単一のモデルに統合することである。マルチモーダル学習システムは、モダリティによるお互いの補足的な情報によって、ユニモーダル学習システムを改善することができる。マルチモーダル学習は1970年代半ばからコンピュータサイエンスの研究テーマとなっていたが、最近のディープラーニング（深層学習）の改善によって、マルチモーダル学習への関心が再燃している。マルチモーダル学習の初期段階では、ルールベースのアプローチが主流だった。しかし、ルールベースとディープラーニングベースのマルチモーダル学習のハイブリッド混合がソフトウェア実装で最も一般的となり、マルチモーダル学習システムの特定の実装要件を生み出している。マルチモーダル学習に使用される機器の出荷数は、2018年の2474万から2023年には5億1412万に増加するだろう。マルチモーダル学習を積極的に採用しているのは、自動車産業、ロボット産業、消費者用機器、メディア・エンターテインメント、医療などの分野である。
The primary objective of multimodal learning is to consolidate the learning process from heterogeneous data streamed from various sensors and other data inputs into a single model, either for prediction or inference. Multimodal learning systems can improve on unimodal ones because modalities can carry complementary information about each other, which will only become evident when they are both included in the learning process. Therefore, learning-based methods that combine signals from different modalities can generate more robust inference, or even new insights impossible in a unimodal system. Multimodal learning has been a research topic in computer science since the mid-1970s, but recent improvements in Deep Learning reignited interest in the field. In the initial phase of multimodal learning, rules-based approaches dominated implementations. However, increasingly, a hybrid mixture of rules-based and deep learning based multimodal learning is becoming the most popular style of software implementation, creating specific implementation requirements for multimodal learning systems.
The market is currently experiencing the first wave of multimodal learning applications and products that draw on Deep Learning techniques to both interrupt sensor data and increasingly inform the multimodal learning process itself. Multimodal learning exploits complementary aspects of modality data streams, making it a powerful technology and enabling new business applications that fall into three categories: classification, decision making, and HMI. Shipments of devices using multimodal learning will increase from 24.74 million in 2018 to 514.12 million in 2023. The market sectors most aggressively introducing multimodal learning systems include automotive, robotics, consumer devices, media and entertainment, and healthcare.
At present, several applications are driving the uptake of multimodal learning, creating demand for systems which can support it. Implementing multimodal learning is still challenging, as open source software efforts remain limited, while capable hardware platforms that bring multimodal learning inference to devices at the edge are only just starting to emerge. The inference of hybrid multimodal learning software has compute requirements that are best served by heterogeneous computing architectures. Consequently, some companies are now building specialized chips based on heterogeneous architectures.
ABIリサーチは、米国ニューヨークに本社をおき、幅広い視点で通信関連分野についての調査レポートを出版しています。通信、移動体・無線、IoTとM2M、位置情報、自動車技術、セキュリティ等に関して、産業・技術や半導体の動向分析や市場予測等を行い、定評を得ています。多くの調査会社が特定の分野に特化しがちな中で、総合的な調査活動を行うABIリサーチは貴重な存在です。常に調査対象を更新しつつ、最新の情報の収集・提供を行っています。
■ 調査レポート ■
【分析レポート：アプリケーション】人工知能（AI）技術：マルチモーダル学習の技術発展と利用ケース
AI Techniques: Multimodal Learning: Technology Development and Use Cases
Application Analysis Report
出版社： ABIリサーチ（米国）
出版年月：2019年3月28日
http://www.dri.co.jp/auto/report/abi/abian4955.html
【サービス区分】人工知能と機械学習
http://www.dri.co.jp/auto/report/abi/index.html#1240
株式会社データリソースはABIリサーチの日本販売代理店です。 調査レポートの販売、委託調査などを行っています。
◆米国市場調査会社 ABIリサーチ（ABI Research）について
http://www.dri.co.jp/auto/report/abi/index.html
◆このプレスリリースに関するお問合せ
ABIリサーチ 日本販売代理店
株式会社データリソース
107-0052 東京都港区赤坂1-14-5 アークヒルズエグゼクティブタワーN313
Tel：03-3582-2531
Fax：03-3582-2861
Eメール：office@dri.co.jp
http://www.dri.co.jp
◆データリソースメールマガジンバックナンバー
http://www.dri.co.jp/mm
◆メールマガジンのお申し込み
http://www.dri.co.jp/contact/magmag-form-tag.html
The primary objective of multimodal learning is to consolidate the learning process from heterogeneous data streamed from various sensors and other data inputs into a single model, either for prediction or inference. Multimodal learning systems can improve on unimodal ones because modalities can carry complementary information about each other, which will only become evident when they are both included in the learning process. Therefore, learning-based methods that combine signals from different modalities can generate more robust inference, or even new insights impossible in a unimodal system. Multimodal learning has been a research topic in computer science since the mid-1970s, but recent improvements in Deep Learning reignited interest in the field. In the initial phase of multimodal learning, rules-based approaches dominated implementations. However, increasingly, a hybrid mixture of rules-based and deep learning based multimodal learning is becoming the most popular style of software implementation, creating specific implementation requirements for multimodal learning systems.
The market is currently experiencing the first wave of multimodal learning applications and products that draw on Deep Learning techniques to both interrupt sensor data and increasingly inform the multimodal learning process itself. Multimodal learning exploits complementary aspects of modality data streams, making it a powerful technology and enabling new business applications that fall into three categories: classification, decision making, and HMI. Shipments of devices using multimodal learning will increase from 24.74 million in 2018 to 514.12 million in 2023. The market sectors most aggressively introducing multimodal learning systems include automotive, robotics, consumer devices, media and entertainment, and healthcare.
At present, several applications are driving the uptake of multimodal learning, creating demand for systems which can support it. Implementing multimodal learning is still challenging, as open source software efforts remain limited, while capable hardware platforms that bring multimodal learning inference to devices at the edge are only just starting to emerge. The inference of hybrid multimodal learning software has compute requirements that are best served by heterogeneous computing architectures. Consequently, some companies are now building specialized chips based on heterogeneous architectures.
ABIリサーチは、米国ニューヨークに本社をおき、幅広い視点で通信関連分野についての調査レポートを出版しています。通信、移動体・無線、IoTとM2M、位置情報、自動車技術、セキュリティ等に関して、産業・技術や半導体の動向分析や市場予測等を行い、定評を得ています。多くの調査会社が特定の分野に特化しがちな中で、総合的な調査活動を行うABIリサーチは貴重な存在です。常に調査対象を更新しつつ、最新の情報の収集・提供を行っています。
■ 調査レポート ■
【分析レポート：アプリケーション】人工知能（AI）技術：マルチモーダル学習の技術発展と利用ケース
AI Techniques: Multimodal Learning: Technology Development and Use Cases
Application Analysis Report
出版社： ABIリサーチ（米国）
出版年月：2019年3月28日
http://www.dri.co.jp/auto/report/abi/abian4955.html
【サービス区分】人工知能と機械学習
http://www.dri.co.jp/auto/report/abi/index.html#1240
株式会社データリソースはABIリサーチの日本販売代理店です。 調査レポートの販売、委託調査などを行っています。
◆米国市場調査会社 ABIリサーチ（ABI Research）について
http://www.dri.co.jp/auto/report/abi/index.html
◆このプレスリリースに関するお問合せ
ABIリサーチ 日本販売代理店
株式会社データリソース
107-0052 東京都港区赤坂1-14-5 アークヒルズエグゼクティブタワーN313
Tel：03-3582-2531
Fax：03-3582-2861
Eメール：office@dri.co.jp
http://www.dri.co.jp
◆データリソースメールマガジンバックナンバー
http://www.dri.co.jp/mm
◆メールマガジンのお申し込み
http://www.dri.co.jp/contact/magmag-form-tag.html
