2017年春、ベルリンのスタートアップSpil.lyはとある問題に直面していた。
当時、同社はとある拡張現実（AR）アプリを開発しているところだった。友だちの全身を携帯電話のカメラで写せば、「ファー」や「炎」といったエフェクトがかかるという、Snapchatのフィルターの全身版のようなアプリだ。
アプリを機能させるには、動画内で人の体を詳細にトラッキングできるよう機械学習アルゴリズムを訓練する必要がある。しかし、Spil.lyには、その訓練に必要な数万、数十万のラベル付きデータに費やす資金がなかったのだ。
スタートアップを阻む資金&データ不足
「AI分野のスタートアップは大変なんです。そんな大量のデータにかける資金がないので」と、同社のCTOであるマックス・シュナイダーは話す。
彼の解決策は、データをでっちあげることだった。
Spil.lyのエンジニアたちは、訓練用のラベル付きイメージを自作しはじめた。彼らが使ったのは、映画やヴィデオゲームのグラフィックス制作に使うのと同じ技術だ。
Spil.lyは同社が「シミュラント（模擬人間）」と呼ぶデジタル人間を現実世界の風景写真に貼り付けることで、1年のうちに約1千万点のイメージをつくりだした。
見た目は奇妙だが、たしかに機能するイメージだ。「わたしたちが合成データだけで訓練したモデルは、本物のデータを使って訓練したモデルとほぼ同等です」と、Spil.lyのエンジニアであるアダム・シュスターは言う。
アプリのデモでは、iPhoneのカメラ越しにみるテーブルの上にヴァーチャルのサルが現れ、そばにいる本物の人間の服にペンキを塗りつけていた。
データのでっち上げという正当手段
Fake it ‘til you make it（実際にできるまでは、できているフリをしろ）──競合大手がつきまとう市場で生き延びようとするスタートアップたちの、長年のモットーだ。血液検査の“イノヴェイター”と称していたセラノスのような企業は、こうした姿勢のせいで問題を起こしている［日本語版記事］。
しかし、機械学習における訓練データのでっち上げは、資金や訓練データ不足にあえぐスタートアップがプロジェクトを活性化するための正当な手段になりつつある。データが新しい“石油”だとすれば、これは庭で製造する“バイオディーゼル燃料”なのだ。
この「いんちきデータムーヴメント」は、生活やビジネスの新しい分野でのAI活用を加速させるかもしれない。
機械学習アルゴリズムは、人間の知能に比べて柔軟性に欠ける。アルゴリズムを新しい問題に応用しようと思うと、そのシチュエーションに合う新しいトレーニングデータを必要とするのだ。
例えば、エストニアのタリンを拠点とするスタートアップのNeuromationは、偽のブタが含まれたイメージを大量生産している。カメラを使って家畜の成長をトラッキングするためだ。またアップルやグーグル、マイクロソフトは、合成訓練データの利便性を主張する研究論文を発表している。
大企業と同じスピード感を
ヴェンチャーキャピタルのLDV Capitalでパートナーを務めるエヴァン・ニッセルソンいわく、スタートアップたちは合成データが巨大AI企業たちと戦う武器になることを期待しているという。
才能あるチームがデータ不足のせいで身動きができなくなっているケースは多いと、彼は話す。「合成データを制作し、それを使ってモデルを訓練できれば、スタートアップは巨大企業と同じ土俵に立てるようになるのです」とニッセルソンは話す。
Spil.lyの話は、この主張にさらに重みをもたせる。2018年2月、フェイスブックは動画内の人間に特殊効果を加えられる独自の機械学習ソフトウェアを発表した。
「Densepose」という名のこのソフトウェアは、5万点のイメージで訓練されている。映像には、手作業で500万のアノテーション（注釈）がつけられていた。
そしてそれから数日後、Spil.lyはフェイスブックのものと似たデータを合成しはじめた。同社はDenseposeのアイデアを自社のプロダクトに組み込んだのだ。
目指すはフェイクデータのブローカー
Neuromationなどの企業は、自社をフェイクデータのブローカーにしたいと考えている
Neuromationのプロジェクトのひとつは、OSA HPという企業のために食料品店の棚の画像をつくることだ。OSAは小売分析企業で、フランスのスーパーマーケットチェーンであるオーシャンなどを顧客にもつ。
Neuromationのデータは、画像を使って棚の在庫管理を行うアルゴリズムの訓練に使われる。「スーパーでは売られている製品のカテゴリーも多く、売り場の環境もばらばらなので、本物の画像を集めてラベリングするのは非現実的なのです」と、OSAのCEOであるアレックス・イサエフは言う。
大切なのは「コンピューターが何を理解するか」
DataGenは、イスラエルのスタートアップだ。共同創業者であるオフィル・チャコンいわく、同社はカスタムされた（ちょっと気味の悪い）手のシミュレーション動画の制作を最大数百万ドルで行っているという。
同社が制作する動画のリアルさは、最近の機械学習コミュニティーではやっている「敵対的生成ネットワーク（Generative Adversarial Networks=GAN）」という技術からきている。この技術をつかうと、リアルなイメージ生成が可能になるのだ。
前述したNeuromationの偽のブタの画像は、人間の目には本物として映らない。「合成されたデータセットを初めて見たとき、『最悪だ。こんなものでどうやってコンピューターを訓練するんだ』と思いました。」と、Spil.lyのシュスターは言う。「でも大切なのは、画像を見たコンピューターが何を理解するかなんですよね」
コンピューターに正しいことを理解させるには、時間がかかることがある。もともとSpil.lyが合成したのは、裸の体だった。しかし、その結果ソフトウェアは肌を探すことを覚えてしまったという。現在Spil.lyが合成しているのは、さまざまな体型、肌の色、髪、洋服を身に着けた人間の姿だ。
Spil.lyのような企業は、数百万の合成データに加えて本物のイメージも少数使ってシステムを訓練することが多い。
大企業も目をつけはじめたフェイクデータ
世界で最も豊富な資金とデータをもつAI開発チームでさえ、合成データの利用を始めている。
グーグルの研究者たちは、自社のロボットを人工的につくられた世界のなかで訓練している。2017年にはマイクロソフトが、アラビア語のレバント方言の翻訳精度を上げるために、200万の合成文を使った結果を報告するレポートを公開した。
AIに関する思いつきを秘密にしたがるアップルもまた、訓練データの合成に興味を示している。2016年、同社はリアルな眼のイメージを合成することによって視線検出ソフトウェアの精度向上を目指す研究論文を発表している。
それから約1年後、同社はユーザーの視線と顔を認証することによってロックを解除する「iPhone X」を発表した。研究者の何人かは、同社の2つの研究の両方に携わっている。視線検出ソフトウェアの研究がロック解除に応用されたかについて、同社はコメントしなかった。
ロボティクス界からも熱視線
ロボティクスの分野では、訓練用の合成データを利用することによって、現実世界よりも大きなスケールでの実験が可能になる。
アルファベット傘下のウェイモ（Waymo）は、自律走行車で何百万マイルにもおよぶ公道実験を行ったとしている。しかし、その制御ソフトウェアは、シミュレーションされた仮想道路を何十億マイルも走行しているのだ。
機械のデジタルダブル［編註：デジタル上の代役］をつくることで、ロボットは工場や家で物をより上手に扱えるようになるだろう。
イーロン・マスクが共同創設したオープンAIの研究者たちは、シミュレーションされた人工世界で訓練を行うことによって、現実世界のロボットでもそこそこよく機能するソフトウェアを開発できることを発見した。
コツは、人工世界のなかにランダムな色や質感を混ぜ込むことによって、ソフトウェアが核となる物理的な問題に集中するように仕向けること。そして、何百万の複雑な形状をつくってソフトウェアにつかませることだ。
「2年前に広まっていたのは『人工データは使えない』という考え方でした」と、オープンAIの研究者であるジョシュ・トービンは言う。「でもここ1年で、その考え方もシフトしているようです」
フェイクデータは全能ではない
こうした成功例があるものの、フェイクデータは全能ではない。複雑な問題の多くは、現実に即してシミュレートできるほど十分に理解されていないと、DataGenのチャコンは話す。
さらに、現実世界から切り離してシステムをつくるリスクが高すぎる場合もある。
