SAS Viyaによる意識改革からみえたData Scientistの生き方 ～僕たちはどう生きるか～
•
1 gefällt mir•828 views
SAS Viyaによる意識改革からみえたData Scientistの生き方 ～僕たちはどう生きるか～ ○木口亮，北西由武 （塩野義製薬解析センター） Way of Life as Data Scientist from Viewpoint of Awareness Reform by SAS Viya ~How do we live?~ Ryo Kiguchi, Yoshitake Kitanishi SHIONOGI & CO., LTD. AIはデータ形式に依存しないデータガバナンスが重要で従来のSAS製品では限界があった．本発表ではSAS Viyaによるデータガバナンス戦略と，整備したデータを活用したイノベーション事例を紹介したい．
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie SAS Viyaによる意識改革からみえたData Scientistの生き方 ～僕たちはどう生きるか～
Ähnlich wie SAS Viyaによる意識改革からみえたData Scientistの生き方 ～僕たちはどう生きるか～ (20)
Mehr von SAS Institute Japan
Mehr von SAS Institute Japan (20)
SAS Viyaによる意識改革からみえたData Scientistの生き方 ～僕たちはどう生きるか～
- 1. SAS Viyaによる意識改革からみえた Data Scientistの生き方 ～僕たちはどう生きるか～ ○木口亮，北西由武 （塩野義製薬 解析センター） Way of Life as Data Scientist from Viewpoint of Awareness Reform by SAS Viya ~How do we live?~ Ryo Kiguchi, Yoshitake Kitanishi SHIONOGI & CO., LTD.
- 2. 要旨： AIはデータ形式に依存しないデータガバナンスが重要で従来 のSAS製品では限界があった．本発表ではSAS Viyaによる データガバナンス戦略と，整備したデータを活用したイノベー ション事例を紹介したい． キーワード： 2 SAS Viya, AI, Data Governance, Data Scientist
- 3. Agenda • AIを理解する ～私たちが定義するAI～ • AIにおけるデータガバナンスの重要 ～SAS Viyaによるデータガバナンス戦略～ • データガバナンスに基づくイノベーション ～AI SAS Programmer～ • Data Scientistとして生きるために 3
- 6. • 科学的な立場 人間の知能そのものを持つ機械を作ろうとする立場 汎用型AI / 強いAI • 工学的な立場 人間が知能を使ってすることを機械にさせようとする立場 特化型AI / 弱いAI AIとは？ 6
- 7. 専門家による人工知能の定義 浅田聡 大阪大学大学院 工学系研究科教授 知能の定義が明確でないので，人工知能を明確に定義 できない 松原仁 公立はこだて未来大学 教授 究極には人間と区別がつかない人工的な知能のこと 山川宏 ドワンゴ人工知能研究所 所長 計算機知能のうち，人間が直接・間接に設計する場合を 人工知能と呼んでよいのではないかと思う 松尾豊 東京大学大学院 工学系研究科准教授 人工的につくられた人間のような知能，ないしそれをつく る技術 （敬称略） “人工知能は人間を超えるか ディープラーニングの先にあるもの.”（松尾豊 著）より抜粋 AIとは？ 7
- 8. 認識 学習 行動 人工 知能 • 私たちの考える「人工知能技術」 Point：人工知能は様々な技術・知識の組み合わせ 人工知能 この一連のプロセスで使用する 技術を「人工知能技術」 AIとは？ 8
- 11. • データ形式によってAI技術の認識・学習・行動は異なる • いずれのデータ形式においてもイノベーションを目的とした， データ収集，管理，アーカイブ化するデータガバナンスは重要 – 先(未来)を見越した上で，データガバナンスをしていくことが重要 • これを達成すれば，特に，「認識」から「学習」までをスムーズ に行うことが可能になり，AI獲得が近づく AIで重要なポイントとは？ 11
- 12. 12 解析環境の変遷と進化 解析システム構築のポイント データサイエンス戦略の内容と進捗状況，さらには時代に合わせたシス テム構成を考える データサイズの巨大化と解析方法の複雑化により，データサイエンティ ストが効率的に解析できる環境が必要である． 複数のシステムの役割を明確化し，組合せ，最適化を行う 2011年 BigDataの解析環境整備開始 解析環境の進化 解析環境の進化 解析センターの解析環境の変遷
- 13. 13 Data Loader for Hadoop IMSTAT： In-Memory Statistics for Hadoop IMSTAT/DataLoader/VA導入経緯とシステム連携図 LASR Head Hadoop Master Slave Hadoopクラスター上の データを分散並列処理 (データ収集，変換) LASR メモリに保持して データを可視化 Hadoopクラスター上で、 In-memory分散並列処理 Visual Analytics IMSTAT / Data Loader / VAの導入により Hadoopを有効活用し，ビッグデータ解析環 境の利便性を飛躍的に向上 Hadoop環境に対しては順次拡張可能 ソフトウェア・プログラム言語の 選択と集中が必要 初期のHadoopユーザ：2～3名 Hadoopユーザ育成に時間を要する 解析環境の変遷と進化
- 15. 解析環境の変遷と進化 SAS Viya Hadoop Master Slave Hadoopクラスター上の データを分散並列処理 (データ収集，変換) 高速演算マシン上で、 In-memory処理 マルチCPU（マルチコア） マルチGPU搭載 HDD（SSD換装を検討） ビッグデータ解析手順の成熟化 ⇒やりたいことに合わせた解析環境の整備 解析環境は順次アップデートしていく ソフトウェア・プログラム言語の選択と集中 ⇒多様化を許容したPython，Rとの統合 全社解析環境のニーズ Data Reservoirの必要性 Hadoop(HDFS)と演算環境の分離 SAS/ACCESS Interface to Hadoop NAS SAS Viyaとシステム連携図 15
- 16. SAS Viyaによるデータガバナンス戦略 SAS Viyaで注目した特徴 16 https://blogs.sas.com/content/sasjapan/2017/06/01/python-r-sas-viya/ CASと呼ばれる単一プラットフォームでデータを 一元管理しガバナンスを強化できる点 SAS以外のPythonやLua，Rなどの言語が 利用可能な点 SAS Viyaを用いた 「データの貯水池」の整備の戦略
- 17. SAS Viyaによるデータガバナンス戦略 SAS Viyaで注目した特徴 • SAS以外のPythonやLua，Rなどの言語が利用可能な点 17 SAS Viyaを用いた 「データの貯水池」の整備の戦略 Pros Cons SAS • データハンドリングが得意 • バリデーションが担保されている • 最新の解析手法を実装するにはプログラム を作成する必要がある • WordやPDFを処理できない R • Libraryが豊富 (最新の解析手法を 実装することが可能) • データハンドリングが不得意 • バリデーションが担保されていない Python • WordやPDFを処理できる • パッケージやGitHubを用いて，最新 手法を実装可能 • データハンドリングが不得意 • 実行時間が遅い Lua • データ形式に依存しない変数の設定が 可能なため，データガバナンスが得意 • 処理時間が比較早い • デバッグが難しい • 動的エラーの解消が難しい 様々な言語のPros/Consを理解し，複数の言語を用いることで， データの種類 / 形式に依存しないデータガバナンスを実現できる
- 18. SAS Viyaで注目した特徴 • CASと呼ばれる単一プラットフォームでデータを一元管理しガバナン スを強化できる点 SAS Viyaによるデータガバナンス戦略 18 SAS Viyaを用いた 「データの貯水池」の整備の戦略 単一プラットフォームでデータ管理で きることは，その後の解析を見据える と大きなポイントである • 解析エンジンは言語問わず共有して CASであるため，解析結果は必ず一致 • 共有プラットフォームから必要に応じて データを取り出し，適切なプログラム言 語で解析することができる • データ駆動型のプログラミング言語選 択が円滑に行える
- 19. データガバナンス戦略のまとめ SAS Viyaによるデータガバナンス戦略 19 SAS Viyaを用いた 「データの貯水池」の整備の戦略 データの貯水池 Data Reservoir データ駆動型 イノベーション Deep Learning CNN Machine Learning Text Mining Longitudinal Data Analysis Hidden Markov Model Propensity Score etc.
- 21. CDISC標準 MedDRA 「添付文書」という成果物 社内標準テンプレート “何らかのガバナンス”の例 モデル プログラム パラメータ マクロ etc. 21 データガバナンスの一歩前と一歩後 SAS Viyaによる真のデータガバナンス戦略 何らかのガバナンス が働いているから， そう人は感じるはず！ データ駆動型 イノベーション デリバラブルガバナンス (Deliverable Governance) Deep Learning CNN Machine Learning Text Mining Longitudinal Data Analysis Hidden Markov Model Propensity Score etc. 流し込むデータは，成果物としてのガバナンスが取れているデータは，または， 何らかの規則性を持たせたデータである時ほど，イノベーションが起こる イノベーションの成果物も利用 (ガバナンスの対象) することで，新しい“何らかの ガバナンス”を持ったデータでイノベーションを起こしたいとき，過去のイノベー ションのガバナンス体制と類似していれば横断利用も可能で，未知（既知でも OK）であれば既存の選択肢を拡張・応用・統合・排除した上で，新しいイノベー ションに繋げることが出来る（同じ轍は踏まない．ゼロからスタートしない） イノベーション成果物 モデル プログラム パラメータ マクロ etc +α
- 23. イノベーション事例 AI SAS Programmer 臨床試験解析を準自動化 – 解析資料作成プログラム等の準自動生成 テキスト 数値 実装1回目（2017.9） 約20%の業務改善達成 画像 実装2回目（2018.5） 約33%の業務改善達成 23
- 24. 対象の臨床試験の 計画書 通常，数百の 背景，有効性，安全性の 解析が計画される 解析結果 Table,Listing,Figure 統計解析プログラマが 解析用プログラムを 作成する 解析結果は検証解析の 結果として，申請資料に 掲載される 生成された 解析用プログラム Database Electric Data Capture SDTM Study Data Tabulation Model ADaM Analysis Data Model Target! イノベーション事例 AI SAS Programmer 臨床試験の検証解析の流れ 24
- 25. 対象の臨床試験の 計画書 生成された 解析用プログラム 通常，数百の解析用 プログラムを作成すること が計画される 教師データ(社内外データ) 過去試験の データ 社外の 標準メタデータ CDISC 計画書からプログラム生成 に必要な情報を取得 教師データに基づき， プログラム生成に必要 な情報を予測・検索 プログラムを出力 イノベーション事例 AI SAS Programmer システムの概略とGovernance 計画書 Data Governance Data Governance Deliverable Governance プログラムは定型では ないが類似性は高い →“何らかのガバナンス” あり！ 25
- 27. Data Science Data活用とデータ駆動型医薬品開発 Real World Data ≒Big Data? （Un-controlled Data） Clinical Trial Data （Controlled Data) 一般化可能性 Inferential Statistics Machine Learning疫学 Biostatistics Multiple Comparison Adaptive Design Enrichment Design等 ※Bigになればなるほど， populationに近くなる サンプリング 仮説を立てる トレンドの把握 マクロ的解析検証 因果の追求 ミクロ的解析 Simulation Data （Prediction Data） e.g. 疾患モデル データ更新 予測 データ更新 予測 （Bayesian） 将来予測 仮想臨床試験 各学問領域の融合は加速的に進む Informatics SVM（1990年代） Random Forest （2000年代） Deep Learning （2010年代） Database 27
- 28. Data活用とデータ駆動型医薬品開発 Data Scientistとして生きるために ～科学的にデータを活用するスペシャリストとして～ データ駆動型の医薬品開発 臨床試験計画及び戦略立案，効率的な解析業務のOperationを遂行をする 社内外データに基づき，開発の効率化および化合物の価値最大化を目的として， 計画立案時または試験後にデータ解析により新たな仮説を立案する データ駆動型の業務改善 • 社内外データに基づき，多角的な視点から業務改善の検討を行い， 最新技術等を活用し実際に改善推進を図る データ駆動型のプログラマー • 上記活動を遂行するために，特定のプログラム言語に依存しない プログラマーの意識改革が必要である Our Mission 製品価値最大化 業務改善 28
- 29. Reference • 木口亮，馬場崇充，藤原正和，北西由武 (2017). “人工知能技術と集合知SAS プログラミング.” SAS Life Science Forum 2017. • 人工知能学会. “人工知能学会 倫理指針.” http://ai-elsi.org/wp- content/uploads/2017/02/%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8% 83%BD%E5%AD%A6%E4%BC%9A%E5%80%AB%E7%90%86%E6%8C %87%E9%87%9D.pdf. • 松尾豊 (2015). “人工知能は人間を超えるか ディープラーニングの先にある もの.” 角川書店. • 北西由武 (2018). “データサイエンティストとSAS Viya～仮説⇔検証サイク ルを高速化～.” SAS FORUM JAPAN 2018. • 畝見真 (2017). “Python, Rで使うSAS Viya！.” https://blogs.sas.com/content/sasjapan/2017/06/01/python-r-sas-viya/. • 木口亮 (2018). “SHIONOGIにおける開発領域のData Scientistとは?.” SAS FORUM JAPAN 2018. 29
- 30. 30