エンジニア向け アダコテック紹介資料 / Adacotech Company Profile For Engineer

Transcript

1. Confidential & Proprietary エンジニア向け アダコテック紹介資料
2. Confidential & Proprietary 2 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
3. Confidential & Proprietary 3 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
5. Confidential & Proprietary 5 2006 2019 2021 2022 2020 2012 • 産総研認定ベンチャー として設立 • シリーズ A 資金調達（4億円） • シリーズ B 資金調達（約 15 億円） • 画像検査プロダクト『AdaInspector® Cloud』リリース • ドイツの国際的展示会「VISION」初出展 • ICCサミットFUKUOKA スタートアップ・カタパルト 優勝 • IVS LaunchPad 2020 Summer 優勝 • 株式会社アダコテック設立 （上記事業を継承） 会社名 代表取締役 事業内容 取引実績 主要株主 社員数 株式会社アダコテック（設立：2012年3月12日） 河邑 亮太 産総研特許技術を基軸とした異常検知アプリケー ションの開発・販売 自動車OEM/Tier1メーカー 、大手電子部品・半導 体、インフラ、警備会社 等 東京大学エッジキャピタルパートナーズ、DNX Ventures、リアルテックファンド、Spiral Capital 他 約20名 沿革 創業エンジニア CTO 伊藤 伊部 “いつもと違う”を検知する産総研発ベンチャー企業
6. Confidential & Proprietary 6 経営陣 代表取締役CEO 河邑 亮太 一橋大学法学部を卒業。2011年に三井物産株式会社に入社。南米チリの子会 社に社長補佐兼CFOとして3年間出向後、 東京本店では主に新規M&A投資に従事。2018年にDMM.comに入社。経営企 画室で新規事業立案及び、投資先のPMI/バリューアップ実施。2019年7月に参 画、2020年4月より現職。米国公認会計士。 取締役CTO 伊藤 桂一 大学院で遺伝的アルゴリズムの研究で産業技術総合研究所(AIST)との繋がりを 持ち、AISTベンチャーに新卒入社。半導体設計ツールの研究開発に従事後、 AISTの非常勤職員などを得て、2012年4月にアダコテック創業メンバーとなる。 2022年6月より現職。
7. Confidential & Proprietary 7 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
8. Confidential & Proprietary 8 外観検査の現状 検査の95%が目視 工場従事者の 10人に1人 市場規模 30兆円
9. Confidential & Proprietary 9 外観検査の社会課題 単調 プレッシャー 熟練が必要
10. Confidential & Proprietary 10 検査の自動化とは？ 人間が目視検査で行う「異常の発見」作業を、自動で判定すること 「いつもと違う」 を見つける 検査対象 (ワーク) 視る 脳内処理 異常の発見 自動判定 ワーク表面上の違和感に気づくように意識しながら観察 計算処理 異常の発見 画像を撮る 目視
11. Confidential & Proprietary 11 検査の自動化にも障壁がある 「ルールベース」で欠陥を処理するのが難しい • 検査の現場で行われている良品/不良品の区別は曖昧で言語化しづらい • 欠陥の流出抑止が目的なので、定義が曖昧な欠陥も取らないといけない 「深層学習」のモデルを動かすことができない • 製造現場で撮像される巨大サイズの画像を扱うことができない • 実行速度が生産現場で求められるタクトタイムが厳しい • 現場で導入されている画像処理機器のスペックが高くない
12. Confidential & Proprietary 12 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
13. Confidential & Proprietary 13 HLAC(高次局所自己相関特徴)抽出法とは？ HLAC （Higher-order Local Auto-Correlation；高次局所自己相関）特徴は、産業技術総合研究所の特許 技術で、画像の解析や認識等に用いられる認識精度に優れた汎用かつ高速な特徴抽出法です。 HLACは画像（パッチ）内の各ピクセルを中心とした小領域（3x3のマスクパターン）を用いて、その領域内での各 ピクセルの相対的な位置関係に基づく輝 度の自己相関を計算する。
14. Confidential & Proprietary 14 弊社の特許について アダコテックはHLACを使った異常検知アルゴリズムで2019年と2021年に特許を取得しており、事業の根幹となっていま す。 画像の分割 HLAC特徴量抽出 正常部分空間作成 異常判定 特許取得
15. Confidential & Proprietary 15 HLACを使った異常検知手法ならではの強み • 良品学習のため、良品画像100枚程度で学習可能※ • 処理が単純なためGPUなしで200～300msec程度で判定可能 ※テスト画像としては欠陥画像を登録する必要があります 正常状態を学習 学習した正常からの逸脱を検知 高速な推論 汎用PCで動く（GPU不要）
16. Confidential & Proprietary 16 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
17. Confidential & Proprietary 17 AdaInspector Cloudとは AdaInspector CloudはHLACを使った異常検知AIモデルを「機械学習に詳しくない人でも」「簡単に」 作成できるクラウドサービスです 洗練されたUI/UX モデル学習からテストまでの素 早いフィードバック 技術に詳しいスタッフによる サポート
18. Confidential & Proprietary 18 AdaInspector Cloud：使い方 1/3 機械学習用のデータセットの作成 良品/不良品の判別モデル作成 判別モデルのテスト 機械学習に必要なOK/NGを定義する製品画像をアップロードして、データセットを作成する
19. Confidential & Proprietary 19 AdaInspector Cloud：使い方 2/3 機械学習用のデータセットの作成 良品/不良品の判別モデル作成 判別モデルのテスト • ワンクリックの自動学習で、数分で精度の高い機械学習モデルを作成できる • 手動学習の細かなチューニングで、グラフやマップを確認しながら試行錯誤して精度を向上できる
20. Confidential & Proprietary 20 AdaInspector Cloud：使い方 3/3 機械学習用のデータセットの作成 良品/不良品の判別モデル作成 判別モデルのテスト • NGと判定した画像のヒートマップが表示される →判定理由が明確にわかる • 作成した判別モデルで実際に画像データをテスト検査する
21. Confidential & Proprietary 21 オフラインとオンラインを行き来するユーザー体験を提供 クラウドのモデル作成サービスと現場に導入された検査機を行き来しながら、検査モデルの精度向上を実現します。 検査実行環境 （オフライン） Step2 製造ライン にて検査実行 Step3 想定外の見逃し/ 過剰検出の発生 事務所等 (オンライン) Step1 検査モデル作成 /性能改善 Step4 画像データの選定・再登録 AdaInspector® Cloud 検査モデル 画像データ 検査精度向上のサイクル
22. Confidential & Proprietary 22 AdaInspector Cloud以外のプロダクト一覧 AdaInspector Cloudを中心に、外観検査にまつわるさまざまなプロダクトを開発しています (Windowsアプリケーション、Webアプリケーション双方で提供) 欠陥の種別を自動で分類する ことで、欠陥種別ごとの原因分 析や過検出の防止につなげるこ とができる 欠陥画像分類アプリ 画像の輝度情報から、製品画 像から良品画像を簡単に選別 することができる(データセット作 成用) 良品選別アプリ クラウド上で画像内の製品位置 を合わせることができる 位置補正アプリ 完全な自動検査ではなく、目 視検査の補助としてAIアルゴリ ズムを使用できる 目視検査補助アプリ
23. Confidential & Proprietary 23 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
24. Confidential & Proprietary 24 優位性のある製品例 AdaInspector Cloudを使った良品学習では、以下のような似た形状が繰り返される製品との相性が 良いことが分かっています https://adacotech.co.jp/case_cat/image-inspection/ ロットや素材の状態により表面が日々変化する表 面処理製品 見た目が同じような表面が連なるブレードワ イヤー 不織布などに代表されるパターンや表情差のあ る製品
25. Confidential & Proprietary 25 代表的なお客様の導入事例① 欠陥検出と欠陥分類の共同実証の結果を踏まえて、ホンダのシリンダースリーブと呼ばれる筒状のエンジン部品の検査自動 化に弊社の異常検知AIが導入されました https://www.nikkei.com/article/DGXZQOUC09ADH0Z00C22A2000000/ アダコテック 競合他社 欠陥検出率 100% 92% 不良分類精度 88% 66%
26. Confidential & Proprietary 26 代表的なお客様の導入事例② 自動車部品を製造している「相川プレス工業」で、平バスバーを中心に2021年12月より自動車部品生産ラインでの 本格稼働が開始しました https://www3.nhk.or.jp/news/contents/ohabiz/articles/2022_1115.html
27. Confidential & Proprietary 27 今後のプロダクト展開 中小製造業で活用されていない品質・履歴データ（紙記録）の電子化・可視化を起点に、アプリケーションを追加しながら、 継続的品質改善や稼働率最大化といった価値提供を目指していきます https://www3.nhk.or.jp/news/contents/ohabiz/articles/2022_1115.html パートナーとBiz拡大 SaaS 現場 検査モデル作成 分類モデル作成 アルゴ組込済 パートナーHW 品質データ管理PF 検査モデル作成 分類モデル作成 アルゴ組込済 パートナーHW 装置データ 品質記録 画像関連データ モデル/検査データ管理 BI・レポート生成ツール メンテ予測 レシピ最適化 プロセス装置 紙記録の品質・工程履歴データ As-Is To-Be (FY26～) 品質・稼働率最大化に向けた意思決定支援 FY25 FY26 FY25 FY25 他 検査自動化による人件 費削減や不良流出防止 がメイン。
28. Confidential & Proprietary 28 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
29. Confidential & Proprietary 29 意外と？モダンな技術を使っています • Githubはもちろん • Figmaでデザイン設計 • エディターはVisual Studio Codeを使用 • CopilotやCursorといったAIによるコーディング補助ツールの採用 • Rustなど社内ノウハウのなかった技術スタックを積極的に採用 • コミュニケーションはSlackやNotionで実施 • 生成AIを使ったコードレビューの採用
30. Confidential & Proprietary 30 技術アセット バックエンド フロントエンド クラウド 機械学習実行基盤 画像認識アルゴリズム データ分析
31. Confidential & Proprietary 31 社内勉強会・輪読会 自社が得意とする技術はもちろん、今後導入可能性がある技術への理解を深める目的で実施 • 輪読会（異常検知と変化検知など） • 技術LT（週1で持ち回り） • 論文読み会 などを実施
32. Confidential & Proprietary 32 制度・環境について • 入社後に有給休暇3日付与 • 社会保険完備 • PCは最新のものを支給（OSは業務内容による） • リモートワークOK (週2日出社) • スーパーフレックス制 (コアタイムなし) • 私服勤務OK • ChatGPT Teams Planアカウント付与 • フリードリンク完備 • PC及び周辺機器の選択可能 • 自己研鑽補助（書籍購入、セミナー参加等） • 育児休暇制度（男性取得実績あり）
33. Confidential & Proprietary 33 アダコテックに入社したら 機械学習エンジニアまたは画像処理エンジニアで採用された方は「研究開発」か「アプリケーション開発」の所属となります。 業務内容 異常検知アルゴリズムの開発 最新の異常検知アルゴリズムの調査およびプロダクト組み込みの 妥当性評価 現行のアルゴリズムで解決できないお客様の技術課題解決施策 の立案 業務の魅力 研究用のデータセットではなく、お客様の実データを使って、分析 をすることができる 調査して終わりではなく、研究成果をどう実例に応用できるのかを 検討することができる 研究開発 業務内容 異常検知アルゴリズムのプロダクト組み込み(Python, Rust, C++) 異常検知アルゴリズムのプロダクト基盤構築(AWS) 異常検知アルゴリズムを使用するユーザーインターフェース開発 (C#, JavaScript, Python) 業務の魅力 Webアプリケーションの技術スタックと研究開発のアルゴリズムを組 み合わせて、ユーザーに迅速に価値を提供することができる 事業開発のメンバーやWebエンジニアと一緒にユーザーにとって本 当に価値のある機能を追求することができる アプリケーション開発
34. Confidential & Proprietary 34 キャリアラダー アダコテックでは上位職は技術のみでも昇給できる等級制度を採用しております。自身の指向性に応じてのキャリアアップが 可能です。 シニアエンジニア • 自身のタスク（PoC、開発） • チームへの貢献 • 外部へのアウトプット（ブログなど） • プロジェクトマネジメント エンジニアリングマネージャー（EM） • 1on1/メンタリング • チーミング・採用 CXO • 全社技術戦略決定 • 全社組織戦略策定 テックリード（TL) • アーキテクト・技術選定 • メンバーの技術メンタリング プロダクトマネージャー（PdM) • ソフトウェア要求/仮説検証 • プロダクトマーケティング
35. Confidential & Proprietary 35 目次 • アダコテックについて o Mission o 経営陣 • 事業紹介 o 外観検査における課題 o 弊社特許技術について o AdaInspector Cloud o 優位性のある製品/導入事例 o 今後の展開 • アダコテックで働く魅力 o 技術スタック o 働き方・福利厚生 o アダコテックに入社したら • 選考フロー
36. Confidential & Proprietary 36 職種共通の採用基準 弊社の採用では職種を問わずValueにマッチしている人材を探しています Integrity Be Positive Grit Think Outside すべてのステークホルダーに対して真摯な姿勢を貫き、顧客に対して本質的に価値があるものを提供する 困難を克服しベストを目指すために、粘り強く探究し続ける どんな困難な状況においても、可能性に目を向け、前向きに議論をする 社内の枠にとらわれず、世の中の動きやお客様の状況、競合環境に目を向け、外部と交流し、新たな価値や視点を取り入れる For the Team チームのために自分がどのように役立てば良いのかを常に念頭に置き実践する
37. Confidential & Proprietary 37 選考フロー 二次選考は職種によって選考の内容が変わります(詳細は次ページ) リモート・来社いずれかを 選択できます。 • 職種によって選考の内容が変 わります。 • 弊社の雰囲気を知れるので、 来社を推奨しています。 • 弊社CEO河邑とCTO伊藤が 選考担当します。 • 来社を推奨しています。 書類選考 一次選考 二次選考 最終選考 履歴書・職務経歴書を 送っていただきます。
38. Confidential & Proprietary 38 二次選考の内容 機械学習エンジニア ワークサンプル形式 平日1日間を使い、MVTecのデータセットの異常検知アルゴリズムの開発を行います。 画像処理エンジニア ケース面接形式 画像処理に関するお題に対して、アルゴリズムの実装方針をホワイトボードを使いながら説明していただきます。
39. Confidential & Proprietary 39 Thank you very much for your time!!
40. Confidential & Proprietary 40 Appendix
41. Confidential & Proprietary | 産総研特許技術高次局所自己相関（HLAC）特徴抽出法とは？ 高次局所自己相関特徴（HLAC: Higher-order Local Auto Correlation）は、画像の解析や認識等 に用いられる認識精度に優れた汎用かつ高速な特徴抽出法です。 積和演算のみで算出可能なので、検査対象の形状を市販PCで高速に計算することができま す。HLACは画像内の各ピクセルを中心とした小領域（3x3のマスクパターン）を用いて、そ の領域内での各ピクセルの相対的な位置関係に基づく輝度の自己相関を計算します。自己 相関は、同じ領域内の複数のピクセル間での輝度の相関関係を表しています。例えば、1次 のHLACでは、中心ピクセルとその1つ隣のピクセル間の自己相関を計算します。高次のHLAC では、更に離れたピクセル間や複数のピクセル間の自己相関を計算します。これにより、 より複雑なパターンやテクスチャーを捉えることができます。 41
42. Confidential & Proprietary | 正常部分空間の作成 : 画像の準備 良品画像を集め(100枚程度)、特徴を表現することができるサイズに画像を分割します。 分割されたそれぞれの画像をパッチと呼びます。 42 拡大 拡大 パッチ内の各ピクセルを中心とした 小領域（3x3のマスクパターン）を用 いて、その領域内での各ピクセルの 相対的な位置関係に基づく輝度の自 己相関を計算します。マスクパター ンは25種類あります。
43. Confidential & Proprietary | 正常部分空間の作成 : 特徴抽出 43 HLACは画像（パッチ）内の各ピクセルを中心とした小領域（3x3のマスクパターン）を用いて、その領域内での各 ピクセ ルの相対的な位置関係に基づく輝度の自己相関を計算します。自己相関は、同じ領域内の複数のピクセル間 での輝度の相 関関係を表しています。2値HLACにおいては25種類のマスクパターンを用いてHLAC特徴量を計算し、25次元の空間にマッ ピングを行います。この特徴空間上においては近い特徴を持つ画像は近い座標に配置されます。 0.81 0.11 0.85 0.08 ... 0.76 0.17 0.87 0.71 0.05 0.73 ... ... 0.12 0.09 0.67 0.22 0.64 ... 0.07 x(a1,…,aN)=∫f(r)f(r+a1)・・・f(r+aN)dr ※わかりやすさのために[0, 1]で記載
44. Confidential & Proprietary | 正常部分空間の作成 : 判別特徴抽出 25次元から余分な次元を削減し（主成分分析）、 より良品を表現することができる特徴空間（正常部 分空間）を作成することで、異常検知が可能になり ます。この作成した空間を用いて、正常との距離を 測ることで異常検知を行います。 44 主成分2 主成分1
45. Confidential & Proprietary | 正常部分空間を用いた異常検知: 画像の準備 良品画像を取得したのと同じ条件で検査画像を取得します。 得られた検査画像も良品学習に用いた画像と同様のサイズに分割を行います。 45
46. Confidential & Proprietary | 正常部分空間の作成 : 判別特徴抽出 46 距離を異常値とする 主成分1 主成分2 パッチごとに正常部分空間からの直行距離を算出し、異常度とします。そしてパッチごとに異常値に基づいた色 で 塗りつぶし、ヒートマップで表現することで画像内の欠陥の個所を確認することができます。
47. Confidential & Proprietary | 正常部分空間の作成 : 判別特徴抽出 47 異常値にしきい値を設け、しきい値以内におさまっている画像は「良品（Pass）」、画像内にしきい値以上の異常 値を示す欠陥があった場合には「不良品」と判定することで検査結果が得られます。欠陥箇所を異常として検知で きるかだけでなく、異常値の高い箇所はどの特徴量が良品と異なることで異常となっているのか統計的な指標から 解釈できるため、調整および調整限界を理解するのに役立ちます。 Pass Pass Fail 撮像 正常部分空間を 用いた異常検知 ヒートマップに よる可視化 しきい値を使った Pass / Fail判定
48. Confidential & Proprietary | 動画異常検知への応用 48 HLACの技術を動画に応用した技術: CHLAC (Cubic Higher-order Local Auto Correlation; 立体高次局所自己相関) になります。CHLACはテロ対策の一貫で行われた「無人監視・認識技術」のコンテストで、MITなど名だたる大学 を抑えて産総研の技術が世界１位になりました。
49. Confidential & Proprietary | 動画異常検知への応用:特徴抽出 49 動画は連続した画像の連なりで表現されます。 その画像1枚1枚をフレームと呼びます。画像内の各ピクセルを中心とし た 小領域(3x3のマスクパターン)を用いて、その領域内での各ピクセルの相対的な位置関係に基づく輝度の自己相関を 計算す る点においては、HLACと同様です。動画の場合は時系列での変化を見るため、3枚の前後するフレーム間差分画 像に対し て、CHLACの各マスクパターンをX,Y方向にスキャンして積和演算していきます。その結果として、251次元ベクトルの特 徴 量が得られます。 時間 時間 時間 入力画像 フレーム間差分 フレーム間差分 CHLACのマスクパターンの一 例
50. Confidential & Proprietary | 動画異常検知への応用:判別特徴抽出と異常値の計算 50 外観検査への応用の場合位と異なりパッチにはわけず、画像一枚でフレームごとの異常値を計算します。画像と同様に正 常部分空間からの距離を異常値とし、異常値を時系列でモニタリングし、しきい値を超えた時点で異常ありとアラートを 発砲します。 異常値 フレームごとに異常値を計算。 閾値を超えたら異常 時間 閾値
51. Confidential & Proprietary | 51 正常の定義が一律に決まらないもの • 正常学習のため、正常状態が複数パターン存 在するものは対応困難 位置ずれや公差が大きいもの • 画像を複数エリアに分割して個別に検査する ため、公差により外形サイズが大きく異なる ものは苦手 定量判定が必要なもの • ルールベース（ブロブ解析）で行う定量的な 判定、計数、寸法測定、OCRはできません 一定の形状が繰り返されるもの • メッシュや皮革などテクスチャ系の素材 • 外形を検査対象としないシート状の素材 特異な形状を検出したい（キズ・ワレ等） • 検査対象の持つパターンの崩れを検出したい • 線状、円状など、元の検査対象にない形状欠陥を検出 したい 高速に解釈性を持って判定したい • 処理が単純なためGPUなしで200～300msec程度で判 定可能（画像サイズやPC Specによります） • 使用特徴量や統計処理が単純で、判定根拠の解釈性が 高く調整も可能 不得意なケース 得意なケース 深層学習 深層学習 ルールベース • 深層学習やルールベースとは得意なシーンが異なるため、組み合わせて使って頂くケースも多く なっています。 HLACを用いた画像検査プロダクトの得意・不得意