郵便ポストサイズでも識別可能、ビジネス活用が進む衛星写真の解析サービスとは?

突然ですが、DigitalGlobe(デジタルグローブ)というアメリカの会社をご存知でしょうか?

自前の超小型人工衛星によって撮影した人工衛星写真を販売している会社です。顧客としてグーグルやアップル、マイクロソフト、アメリカの政府機関といったメジャーどころを抱えているものの、誰もが知っている企業というわけではないかもしれません。

しかし知らぬ間に同社のサービスに触れていることは多いはず。たとえば誰もが使っているGoogleマップ。ここに載っている衛星写真の一部は、デジタルグローブが保有する衛星によって撮影されたものです。

また彼らは、今回のお題でもある人工知能関連のサービスも提供しています。それがディープラーニング(深層学習)を活用した衛星写真の解析プラットフォーム「GBDX」。

GBDXには、デジタルグローブがこれまでに撮りためた膨大な衛星写真(90ペタバイト!)がアーカイブされています。これらを解析することで、「何が映っているのか?」「いくつ映っているのか?」「それらが時系列でどう変化したのか?」といったことが分かります。

それが自動で分かるとどうなるの?と聞かれそうですが、後で紹介するように、応用範囲はとても幅広いです。しかも仮に人間が衛星写真を目視で分析しようとすると、とてつもなく大変なわけです。

例えばこちらの画像。ナイジェリアの衛星写真で、地図にもなっていない奥地です。この画像には、集落がいくつも映っています。

1

ワクチンなどの必要物資をこうした未開の地の人たちに届けたい、という機関があった場合、これまでであれば衛星画像に映る彼らの居場所を目視で調べていたわけです。気の遠くなるような作業ですね。

けれどもGBDXであれば、こんな風に自動で検知できてしまいます。しかも場合によっては1秒間に何十件というペースで。

population-nigeria-sample-classifications

GBDXは人道救助から保険、農業、石油輸送、環境保護、さらにはUberのサービスにも採用されています。

機械学習による衛星写真の解析というのは、これからどんどん身近になっていくのだろうなと感じさせますね。しかも事例の内容も結構面白いものばかり。「こうやって使うものなんだ」というのを知っていて損はないと思います。

いくつかピックアップして紹介しましょう。

プールがある住宅を探せ

保険会社にとって、都市にある無数の建物の中から、プールがある住宅を見分けるということは、保険の査定などのために非常に重要です。

しかし衛星写真をもとに、人間が目視で見分けるというのはとても困難。プールによって色や形、サイズは様々ですし、場合によってはブルーカバーやトランポリン、小さな建築物などをプールと見間違えることも。あまりに膨大な時間と手間がかかるので、人間では事実上不可能です。

かといって全て機械学習に置き換えれば済む話でもありません。確かに機械学習であれば人間による作業よりも圧倒的に速いですが、正確性は劣ってしまうからです。

人間よりも速く、かつ正確に。

これを実現するための対策が、人間による目視の作業結果をもとに、ディープラーニングによってシステムを学習させる方法です。

デジタルグローブは、Tomnodというクラウドソーシングサイトを運営しています。ここで住宅地の衛星写真を公開し、一般ユーザーにプールを見分けてもらうというキャンペーンを実施しました。

ここでの結果をもとに、プールを含む住宅の画像ピクセルの特徴を学習することで、機械学習の精度を高めていったといいます。その結果、88%の精度で1秒間に60件以上のプール付き住宅を自動で見分けることができるようになったそうです。

市街地の画像。ピンクの部分がプールのある住宅
市街地の画像。ピンクの部分がプールのある住宅

街並みの変化を追え

配車サービスのUberは昨年7月、デジタルグローブによる衛星写真の活用を始めました。

タクシーの乗客をピックアップする最適な地点を見極めるためだそうです。そのためには日々の街並みの変化、つまり新しくできた道路や工事中の場所、標識の変更などを迅速に把握する必要があります。公式の地図に追加されてからでは遅いのです。

デジタルグローブであれば、最も精度の高い衛星だと30センチメートルほどの物体でも識別できます。つまり標識や郵便受けサイズの変化でも検知できるということです。

またUberが目指す自動運転による配車サービスの実現にも、こうした情報が活用されるとみられています。

15d9e9b48

政府の安全基準をクリアしろ

最後の事例は、石油やガスのパイプライン輸送業者。

アメリカでは、石油やガスをパイプラインで遠方に輸送する事業に、数百社に上る企業がたずさわっています。

アメリカ全土に敷かれたパイプラインの全長は、石油で350万キロメートル、ガスで48万キロメートルに及ぶそう。

こうしたパイプラインは人里離れた地域だけでなく、人口が密集したエリアも通ることから、災害や設備の不備によって人に危険をおよぼす可能性があります。そのため連邦政府はとても厳しい安全基準を設定。定期的かつ詳細な検査やメンテナンス、改良を求めています。

こうした基準の厳しさは、パイプラインから市街地までの距離など、周辺環境によって変わってきます。もちろん周辺環境、つまり建物や道路、土地の活用などは時と共に変化します。そのためオペレーターたちは、こうした変化を常に把握して、必要に応じて設備を対応させなくてはなりません。

周辺環境の変化を把握するために、人力でモニタリングする方法もあります。たとえばオープンソースで作られる世界地図であるOpenStreetMapをウォッチしたり、Twitterに投稿されたツイートを分析して、関連しそうな内容を抽出するといったやり方です。

そしてさらに効率と精度を上げるために、活用が始まっているのがデジタルグローブのGBDX。機械学習とクラウドソーシングの組み合わせによって、パイプライン周辺の変化をより的確かつ迅速に知ることができるとのこと。

Pipeline-fig-2

ビジネスから人道支援まで、幅広い分野で実用化が進むGBDX。ちなみに分析できる地域は限られるものの、無料で使えるプランもあるようですね。