株式会社ＡｌｌＣｌｉｐ

スポーツ・ダンス等の「人物や物体の動きを含む映像」について、映像の利活用の需要が高まっている一方で、多くの瞬間は撮影されず、撮影しても手作業の編集・分析に膨大な工数がかかり、映像の価値を十分に活かせていない。こうした撮影・編集業務の自動化が求められているものの、精度・スケーラビリティ・汎用性の面で越えるべき技術的障壁が残っている。 我々は、学習データの構築に膨大な手作業のラベリングを要するためスケールしない、個別タスクのためのAIモデルを別々に学習するため統合的な映像理解ができない、という2つの課題をクリアすることで、自動生成データによるマルチタスク事前学習を通じて「誰が・どこで・何を・いつ」を統合的に表現する時空間特徴表現を獲得し、競技や領域に依存しない動的映像理解の基盤モデル（Vision Foundation Model）を実現する。