長時間動画AI推論、コスト93%削減へ

ノースカロライナ大学シャーロット校の研究チームは、数時間に及ぶ長尺動画から質問に関連する証拠を効率的に抽出するAIフレームワーク「TimeProVe」を発表した。従来手法と比較して推論コストを93%削減しながら、精度では主要ベンチマークで7.3ポイント上回る結果を示した。

TimeProVeは「提案してから検証する」という二段階構造を採用する。まず軽量な言語モデルが動画内の行動情報を解析し、質問への回答候補と根拠となる時間区間を生成する。次に、高コストな大規模視覚言語モデル（VLM）の処理を、その候補区間のみに限定して適用する。この選択的呼び出しにより、全体の動画をVLMで処理する従来アプローチと比べ、計算資源の消費を抜本的に抑制することに成功した。また研究チームは、日常生活行動（ADL）シナリオにおける時間的推論を評価する新ベンチマーク「OpenTSUBench」も公開した。

この技術が直ちに事業価値をもたらす分野として、介護・医療施設の行動モニタリングが挙げられる。高齢者施設では入居者の転倒検知や服薬確認のために24時間映像を保存しているが、全映像をAIで精査することはクラウド処理費用の観点から現実的でなかった。TimeProVeを活用すれば、「転倒した時間帯はいつか」「薬を飲んだか」といった自然言語による問い合わせに対し、低コストで時間特定を伴う回答を得られる。介護事業者の映像解析コスト削減により、現場スタッフの記録業務負担軽減という人件費KPIへの貢献も期待できる。

製造業においても応用範囲は広い。工場の品質管理部門では作業ライン全体を記録した映像から不良発生の原因工程を特定する需要が高い。従来は担当者が映像を目視確認する必要があったが、本技術を組み込んだシステムを導入すれば、「製品Xの不良が発生した前後30分で異常な操作はあったか」という問いに自動で回答できる。不良品発生率（不良率KPI）の早期改善や根本原因分析の所要時間短縮につながる。

小売・流通分野では、店舗防犯カメラや物流倉庫の作業映像への適用が見込まれる。ロス対策を担う保安部門は膨大な映像データの中から特定の行動を検索する作業に多大な工数をかけている。商品の棚への補充作業や顧客動線の分析を自動化する際にも、長時間映像を低コストで処理できる点は重要な競争優位となる。映像解析のAPIコストは売上高に対する間接費率に直結するため、93%のコスト削減は損益計算書上の効果として経営層にも訴求しやすい。

システムインテグレーターやSaaSベンダーにとっては、映像解析プラットフォームの価格競争力を高める基盤技術となる。VLMの推論コストはクラウドAPIの従量課金と直結しており、顧客への提供価格の引き下げやマージン改善に直接寄与する。GPUリソースの調達コスト削減という観点では、情報システム部門の設備投資KPIにも影響する。

一方、実用展開にあたっては課題も残る。TimeProVeの精度は行動認識モジュールの性能に依存するため、工場や医療現場など特定ドメインの映像では追加の学習データが必要になる場合がある。また、動画のプライバシー保護規制への対応も各国・各業界で異なり、システム設計段階での法務部門との連携が不可欠である。研究チームは今後、時間的位置特定の精度をさらに向上させる取り組みを継続するとしており、産業応用に向けた実装の成熟度が注目される。