饵料是养殖鲔鱼最大的成本，为了降低成本，渔民必须精准掌握鲔鱼数量。传统的做法，是请潜水员拍视频，然后再人工计算鲔鱼数量。这个过程旷日废时，渔民平均每年要花上250到500小时“算鲔鱼”。如果这个过程可以用AI自动化呢？
《深度学习的商战必修课》的作者是日经xTREND与日本深度学习协会，将通过本书，带我们了解AI在商业界的实际应用。下文，我们将通过双日鲔鱼养殖场的案例，了解一套应用于产业的AI系统，它要经历的开发过程以及预期效益。
鲔鱼养殖业的重点之一是正确掌握饲养网笼里的鲔鱼数量，这样才能计算最理想的饵食需求量。鱼饵的开销占了一半以上的成本。双日与电通国际情报服务（ISID）合作，利用深度学习来掌握鲔鱼的数量。据说一开始相关人士认为是“不可能”的挑战，但经过实测后效果颇佳，已经朝正式研发迈出一大步。
综合商社双日为了稳定供应日渐减少的鲔鱼，2008年于长崎县松浦市鹰岛以全额出资的方式成立了子公司双日鲔鱼养殖场鹰岛，展开鲔鱼养殖业务。2016年12月，在和歌山县串本町取得渔场，该公司成立十年来业务持续扩大。
饵料占一半以上的成本，掌握鲔鱼数量是养殖业的获利关键
鲔鱼养殖业花3年时间才能出货，超过一半的成本花在饵食上。因此，如何估算出最理想的饵食量成了当务之急。要推测估计理想的饵食量，必须正确掌握饲养网笼里究竟有多少鲔鱼。饵食给得太多，造成资源浪费；反之若给太少，又导致鲔鱼品质下滑。
双日食料暨农业业务本部食料暨水产部水产业务课专任课长石田伸介说明，“水产业有很多地方还是个人经验的传授，业界发展科技信息化的脚步较慢。假设饵食量差一成，几年下来数量很可观。不过，目前仍然普遍依赖渔夫的经验法则来制定饵食量。如果这个部分能够数据化，没经验的年轻人也能轻松进入这一行。对于劳动力逐渐高龄化的水产业来说，推动信息科技化具备各种不同层面的意义。”
然而，计算鲔鱼的数量可没那么容易。饲养网笼的直径有40米，最深的地方达20米，相当巨大。鹰岛大约有30处饲养网笼，以不同饲养年分来管理。每一处饲养网笼大约有1,500尾幼鱼，但随着时间过去，网笼内的情况大幅改变。有些鲔鱼死掉，有些其他种类的鱼从渔网缝隙钻进来。过去只能靠渔夫从鲔鱼吃饵的情况来判断大致的数量。
若能使用AI计算鲔鱼数量，每年将可省下250小时的工时
将幼鱼放进饲养网笼后，得等到把鲔鱼移到另一处饲养网笼时才有机会计算数量。拉开网笼之间的网子，然后由潜水员深入海中拍摄鲔鱼通过时的视频。把这几十分钟长的视频逐格播放，由工作人员一尾一尾计算，长的时候大概花上5小时观看。5名工作人员各自进行之后，对照结果推算出一个正确的数量。这是过去采用的方法。
石田说明，“这种做法非常耗耗时间和人力成本。但鲔鱼数量又是重要的关键，不可能不计算。这项作业该怎么提升效率，始终是一大课题。”
近30处饲养网笼，到可出货的3年多期间，鲔鱼需要在网笼之间移动一、两次，也即1年有10次至20次计数作业。5名工作人员需各花费5小时在这项作业上，总计每年耗掉250小时至500小时。如果能够自动化计数，将大幅减少作业时间。此外，能让年轻人的就业环境变得更好，进一步期待改善雇佣情况。
由于这样的需求，让相关人员想到是否能运用深度学习来估算鲔鱼的数量。于是2017年初，该公司与电通国际情报服务展开合作。为了因应2020年的奥运和残障奥运，电通国际情报服务其实原已进行运动中人类动态可视化的研究，所以想到是否能将这项技术运用于计算鲔鱼数量。
鱼影识别不易，计数AI开发难度高
电通国际情报服务通信IT业务部策划总监西川敦坦言，“其实一开始看到视频中鲔鱼移动的速度这么快，主动认为那是不可能办到的。”
实际上，研发过程极度困难。首先，鱼影的判断非常不容易。拿到的视频受到天候、潮流等各项条件影响，而且有很多浮游生物和光线等容易误判为鲔鱼的物体信息。此外，这些视频是由潜水人员在水中拍摄，鲔鱼出没地点会移动，或者出现手震。再者，现场除了鲔鱼还有其他鱼类，也要判别出来，训练数据的正确性必须非常高。
将拿到的视频分成学习数据和测试数据，在原先运动领域研发的算法中，调整加入为鲔鱼专用之后，进行一次又一次试误学习。
实例识别很困难，必须针对一格一格静止画面进行图片分析，再加入动态预测的功能，例如从鲔鱼的移动速度来判断，这一格画面跟那一格画面里的鲔鱼不是同一只。经过多次反复作业，2017年底终于有了成果。只要有条件完备的视频，估算出的数量跟人工计算的结果差不多。
西川说明，“例如光线的差异、增长条件的不同等，仅用一个模型无法因应所有条件，还有改善的空间，需要持续研究。”
研发鲔鱼专用计数应用程序，提升AI的计算精确度
两家公司逐渐掌握窍门后，电通国际情报服务研发出鲔鱼专用的计数应用程序，2018年6月上线运行。这个程序的目的在于提升第一线作业效率的同时，改善训练数据的品质。
在视频上画出一条终点线，鲔鱼通过这条线时敲打键盘来计算数量。用这个状况下判断为鲔鱼的数据当作训练数据，逐渐累计数量。此外，已计算过的鲔鱼出现数量以直方图显示在视频下方，之后计算的工作人员可以预测鲔鱼出现的情景。
这项做法让作业时间大幅缩短，也能和其他工作人员的估测数据做比较，进一步改善第一线的作业状况。此外，有别于过去以整段视频计算尾数的数据，现在是以一格画面有多少尾来计算，训练数据的品质更为提升。
今后的课题是视频标准化。为了完成目标，仍持续不断进行试误学习，使用各种不同的摄影方法，以及图片处理的技术。进行深度学习之前，目前还在摸索借由数据预处理，可以将准确率提高到什么程度。
鲔鱼计数AI就跟自动驾驶一样，开发无法一蹴而就
目前还在评估提供实际服务的方式。由于鹰岛当地的网络环境并不理想，运营上该怎么交换数据，必须进一步评估服务器构建在云计算或在现场设置功能更强大的设备。
计数应用程序的下一步，是在深度学习识别的鱼影上加框，让计数变得更容易，最终目标希望能区分鲔鱼与其他鱼种，达到完全自动化。
西川谈到今后的预期，“就像汽车的自动驾驶一样，不可能一蹴而就。我们将配合运动界的技术研发，目标是在2020年实现这项技术。”
石田表示，“正因为有我们这样的规模，才能收集到够多的数据。想到或许能帮助其他养殖企业解决课题，我们希望尽量做出贡献。借由收集更多数据，让图片更加鲜明，就能提升准确率，最后达到超越人工作业的效果。”他在言谈中充满期待。