画像認識の目的は、単に画像に何が写っているかを判別することだけではありません。業務上のルールに照らし合わせ、必要な情報が含まれているか、特定の条件を満たしているかを確認することも重要な用途です。

例えば、広告画像の審査では、商品やロゴの有無だけでなく、法律や各種レギュレーションで定められた表示が適切に含まれているかを確認する必要があります。酒類の広告であれば、対象となるルールに応じて、酒類マークや「ストップ！20歳未満飲酒」などの注意喚起表示、所定のレギュレーション表示などが確認対象になります。

これらを人が一つひとつ目視で確認するには、多くの時間と労力が必要です。画像認識を活用することで、確認作業の一部を自動化し、審査業務の効率化を目指すことができます。

ただし、こうした審査では、ロゴが存在するかどうかを判定するだけでは不十分な場合があります。ロゴの形状や文字を正しく識別できることに加え、表示位置や周辺の文章との関係など、複数の条件を確認しなければならないケースもあります。

このような要件を、どの画像認識技術で実現するかが重要なポイントになります。

開発を始めた当初、生成AIによる画像認識は、今回のような細かな条件を伴う広告審査には、十分な精度を発揮できないケースがありました。

2024年に登場したGPT-4oは、画像とテキストを組み合わせて扱えるマルチモーダルな生成AIとして注目を集めました。しかし、画像を理解して説明できることと、業務で求められる特定の対象を安定して識別できることは、必ずしも同じではありません。

例えば、小さなロゴやデザインが似ている表示を識別する場合、生成AIの判定結果が安定しないことがありました。そこで活用したのが、Azure Custom Vision（現在のAzure AI Custom Vision）に代表される、画像認識に特化したMLサービスです。

MLによる画像認識では、対象となる画像を収集し、ラベル付けを行ったうえでモデルを学習させます。対象となるロゴや表示を含む画像を十分に用意することで、特定の要件に合わせた画像認識モデルを構築できます。

この方法は、識別したい対象や判定基準が明確な場合に有効です。対象に合わせた学習データを用意し、モデルの評価を繰り返すことで、必要な精度を目指すことができます。

一方で、学習用データの収集やラベル付けには工数がかかります。また、対象や要件が変わった場合には、追加のデータ準備やモデルの再学習が必要になることもあります。

このように、従来型のMLは特定の対象を安定して識別するための有力な選択肢でしたが、開発や運用には一定の準備が必要でした。

その後、生成AIの画像認識能力は大きく進化しました。

開発当初はMLによるカスタムモデルで対応していた課題についても、近年の生成AIを使うことで、より高い精度で識別できるケースが出てきました。

その一例が、広告画像に含まれる「ストップ！20歳未満飲酒」のロゴの識別です。

当初、GPT-4oでは期待する精度を得られなかったため、専用のMLモデルを構築して対応していました。しかし、MLモデルでも画像のデザインや表示状態によっては、正しく識別できないケースが残っていました。

そこで、2026年9月にリリースされたGemini 3.8 Flashを用いて、改めて同じ課題を検証しました。その結果、今回の検証では、従来のMLモデルを上回る精度でロゴを識別できました。

さらに、追加の要件として、ロゴが所定のレギュレーション文章の近くに配置されているかどうかを確認する必要がありました。この確認も、同じ生成AIへのリクエストの中で、ロゴの識別と合わせて実施できました。

この事例で注目したいのは、生成AIがロゴを識別できたことだけではありません。画像内の対象を認識するだけでなく、周辺の文章を読み取り、それらの位置関係も踏まえて判定できたことです。

従来であれば、対象の識別と位置関係の確認を別々の処理として設計する必要があったところを、一つの生成AIの処理でまとめて実現できました。

もちろん、すべての画像認識タスクで生成AIがMLを上回るわけではありません。しかし、この開発経験を通じて、生成AIが従来の手法では対応しづらかった課題を解決できる可能性を実感しました。

こうした進化を踏まえ、ほかの確認項目についても、生成AI単体で対応する方式や、MLと生成AIを組み合わせるハイブリッド方式への見直しを進めました。

では、画像認識を実装する際、生成AIと従来型のMLはどのように使い分ければよいのでしょうか。

それぞれの特徴を整理してみます。

生成AIの強み

1. 学習データがなくても検証を始められる

従来型のMLでは、モデルの構築にあたって、対象を含む画像の収集やラベル付けが必要になることが一般的です。一方、生成AIは、画像と指示文を入力することで、学習データを事前に用意しなくても識別を試せます。

そのため、開発の初期段階やPoC（概念実証）で、実現可能性を素早く確認する用途に適しています。

2. 要件の変更に柔軟に対応できる

生成AIでは、指示文を変更することで、識別対象や判定条件を調整できます。新しい条件を追加するたびに専用モデルを再学習させる必要がないため、要件の変更が多いプロジェクトでは、開発負荷を抑えられる可能性があります。

3. 画像と文字を組み合わせた判定に強みがある

生成AIは、画像内の物体やロゴを識別するだけでなく、文字の読み取りや内容の理解、複数の情報を組み合わせた判定にも対応できます。

例えば、「特定のロゴが存在するか」という条件に加えて、「指定された文章が近くに配置されているか」といった複合的な条件も、一つの処理にまとめられる場合があります。

生成AIの課題

一方で、生成AIには考慮すべき点もあります。

1. コストが高くなる可能性がある

生成AIでは、画像の解像度や入力する情報量、使用するモデルなどによって処理コストが変わります。大量の画像を継続的に処理する場合、従来型のMLと比較してコストが高くなる可能性があります。

2. レスポンスに時間がかかる場合がある

生成AIは、モデルへのリクエストごとに推論処理を行うため、用途によっては応答時間が課題になります。大量の画像を処理するシステムでは、処理時間も含めた評価が必要です。

3. 精度の改善方法が異なる

MLでは、誤認識した画像を分析し、学習データを追加してモデルを再学習させるという改善方法を取れます。

一方、生成AIでは、指示文の改善やモデルの変更、入力画像の調整などが主な改善手段になります。こうした方法で十分な精度を得られない場合や、特定の対象について継続的に精度を改善したい場合には、MLのほうが適していることもあります。

MLの強み

従来型のMLにも、引き続き重要な役割があります。

例えば、クラウド上のMLサービスには、モデルの評価や認識結果の確認を支援する機能が用意されているものがあります。こうした機能を活用すれば、学習データや評価結果を確認しながら、モデルを改善していくことができます。

また、対象が明確で、必要な学習データを十分に用意でき、処理コストやレスポンス時間に厳しい要件がある場合には、MLが有力な選択肢になります。

重要なのは、どちらか一方が常に優れていると考えるのではなく、実現したい要件に応じて技術を選択することです。

ここまでの経験を踏まえ、画像認識の技術検証やシステム開発において、特に重要だと感じたポイントを2つ紹介します。

ポイント1：画像認識の技術検証は、まず生成AIで試す

画像認識の実現可能性を検証する際は、まず生成AIで試してみることをおすすめします。

従来型のMLでは、モデルを構築するために学習データを集め、ラベル付けを行う必要があります。提案段階や開発の初期段階では、十分な学習データを確保できないことも少なくありません。

その点、生成AIであれば、対象となる画像と指示文を用意することで、比較的短期間でPoCを実施できます。

まずは生成AIを使って、「この要件は技術的に実現できるのか」「どの程度の精度が期待できるのか」を確認することが重要です。

その結果をもとに、本番環境ではMLを採用するという判断もできます。技術検証に生成AIを使うことと、本番システムに生成AIを採用することは、必ずしも同じではありません。

最初から特定の技術に絞るのではなく、検証のスピードを重視して選択肢を広げることが、効率的な開発につながります。

ポイント2：MLで十分な精度が出ない場合は、生成AIも試す

すでにMLによる画像認識を導入している場合でも、期待する精度が得られないときは、生成AIによる検証を試す価値があります。

特に、画像内の文字を読み取る必要がある場合や、複数の情報を組み合わせて判定する必要がある場合には、生成AIが有効な選択肢になることがあります。

今回の事例でも、従来のMLモデルでは識別が難しかったロゴについて、生成AIを活用することで認識精度を改善できました。さらに、ロゴの識別だけでなく、周辺の文章との位置関係も合わせて確認できるようになりました。

もちろん、生成AIに切り替えれば必ず精度が改善するわけではありません。実際の画像を使って、認識精度、処理時間、コストなどを比較しながら判断することが大切です。

これまで、画像認識の実装では、従来型のMLやコンピュータービジョンの技術が重要な役割を担ってきました。そこに生成AIという新たな選択肢が加わり、画像認識の実現方法は大きく変わりつつあります。

生成AIは、学習データを用意する前の技術検証や、画像と文字を組み合わせた複合的な判定など、従来のMLでは開発コストが高くなりやすかった課題に対応できる可能性があります。

一方で、処理コストや応答速度、精度の改善方法など、MLが適している場面も引き続き存在します。また、生成AIとMLを組み合わせることで、それぞれの強みを活かせるケースもあります。

これから画像認識のシステムを開発する際には、従来の手法だけにとらわれず、生成AIも含めて複数の選択肢を検討することが重要です。

生成AIの進化は今後も続いていくでしょう。2年後には、現在では難しいと考えている画像認識の課題も、より簡単に解決できるようになっているかもしれません。今後の技術の進歩にも注目していきたいと思います。