業務に使用する画像認識システムの精度を上げるため、データの前処理や、現システムの問題原因調査から、手法の選定・学習まで、顧客のニーズに応じた提案・実装・実験をし、最終的に顧客からの制約条件の中に認識精度を大幅に改善した。

物体認識の精度を高めていくために、大量の訓練データによる学習を継続的に行う必要があり、人力での作業負荷に懸念があった。学習結果の評価や改善を自動化するパイプラインを構築した。

売上の変遷や地域性など様々な観点を加味した最適な配置を自動的に行えるモデルの開発・チューニング。数理最適化・クラスタリング・状態空間モデルを用いたプロトタイプを開発した。

研修対象者（受講者）のレベル感やニーズを事前にヒアリングし、教育の狙いに合わせてプログラム設計。弊社CTO新村が開発事例などを交えて講義実施いたしました。

顔の特徴点抽出には、Microsoft AzureのFace APIを活用して開発コストと工期を抑えて開発。
またアプリ挙動の遅延を防ぐため、サーバ／DB上での処理を優先する構成にて構築した。

過去実績値を元に、気候データや年間利用者動向などの変数を加味して使用電力を30分毎に予測。さらに結果から学習モデルの評価を繰り返し行い、改善の自動化を図った。

画像データを入力し、カメラから対象物の相対位置と相対姿勢を推定する。

具体的な商品名を入力すると、該当確率の高い順にその商品カテゴリの候補を推定する。

クライアント社内用の基幹システムのクラウド化に伴う、業務フロー再整備を伴うプロジェクトに参加。平均、月10名規模（最大で月15名体制）のチームを編成して進行。