利用事例にみる AI技術活用のポイントと、Microsoft AI最新動向
•Als PPTX, PDF herunterladen•
4 gefällt mir•1,036 views
技術としてのAIは既に多様な業種・職種での利用が始まっており、企業規模に関係なく、大きな効果を出している企業も出ています。 そこからの学びを取り上げます。 また、激しく進化するAI技術をいち早く業務・製品・サービスにとりれている Microsoft の AI 技術についても紹介します。
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie 利用事例にみる AI技術活用のポイントと、Microsoft AI最新動向
Ähnlich wie 利用事例にみる AI技術活用のポイントと、Microsoft AI最新動向 (20)
Mehr von Daiyu Hatakeyama
Mehr von Daiyu Hatakeyama (20)
利用事例にみる AI技術活用のポイントと、Microsoft AI最新動向
- 1. 利用事例にみる AI 技術活用のポイントと Microsoft AI 最新動向 畠山 大有 | Daiyu Hatakeyama | dahatake Architect && Software Engineer && Applied Data Scientist (目指している) Microsoft Japan 次世代産業フォーラム in KOBE 2019【AI 編】
- 3. MSR Beijing MSR Cambridge MSR Redmond MSR Montreal MSR New EnglandMSR New York 96% RESNET vision テスト 94.9% Switchboard テスト 89.4% Stanford CoQA テスト 69.9% 機械翻訳 Research system 39.5 Tera FLOPS Intel Stratix 10 MSR India MSR Shanghai 人と同等の 機械翻訳 人と同等の 物体認識 Switchboar d Switchbo ard cellular Meeting speech IBM Switchboard Broadcast speech 人と同等の 音声認識 人と同等の 会話形式のQ&A 初めて FPGA を データセンターに展開
- 4. Azure Bot Service Azure Cognitive Services Azure Cognitive Search Azure Databricks Azure Machine Learning Pre-Trained ModelAI apps & agents Custom Build
- 5. • データを基にした統計に、機械 学習の推論結果も迅速に追加し たい (人員配置、価格設定、在庫設定、 リモート検査など) • アプリケーションに 迅速に ML を組み込みたい • ML 開発の生産性を上げたい • Model の説明性や解釈性を上げた い • Model のライフサイクルを管理し たい • Automated machine learning (Auto ML) • Model explainability and interpretability • ML Ops • Visual Interface • Auto ML in GUI • Cognitive Services • ML Ops • Auto ML in Power BI Model On- premises Cloud Edge
- 6. ハイブリッドでのソリューションにより、オ ンボードの 水使用量を予測し、20万ドル/船/年を節約 ショッピングカートのサイズが減少 デジタルサービスの一環として、 パーソナライズの機能を追加 ショッピングカートのサイズが増加 予期しないダウンタイムによるコスト 超過 メンテナンスを実行する時期を予測す る ダウンタイムの最小化 太陽エネルギー生産量が不安定 エネルギー供給を市場に最適化 収益の最大化 Product recommendation Predictive maintenance Demand forecasting 分散型発電は€1億以上の収益を増加ASOS は、毎秒33の注文を処理し、 1540万のパーソナライズされたサービスを提 供
- 8. • 雑草 農薬にお金 コンバイン x AI 大幅 応用
- 9. © 2017 Ebiya Ltd. All rights reserved. Challenge • 在庫適正化困難ゆえの 高廃棄コスト • 利益を圧迫する人件費 • 提供までの時間が長い ことによる低い回転率 Solution • 来客データ数値化、 AI で一週間 / 一日 / 一時間単位で それぞれ需要を予測 • 的中率 90% 超 • Power BI で ダッシュボード 化 Benefits • 定量的判断に基づく対処 • 4 年間で売上 4 倍・ 利益率10 倍・ 平均給与 20% Up •人員配置適正化実現、 配膳スピード改善、 回転率向上 来店予測 AI で調理準備最適化、回転率 3 倍以上 ピークタイム予測で効率よい人員配置を実現 「EbiLab (For 食堂)」
- 11. データ ML Code Configuration Data Collection Data Verification Feature Extraction Machine Resource Management Analysis Tools Process Management Tools Serving Infrastructure Monitoring 参考: “Hidden Technical Debt in Machine Learning Systems,” Google NIPS 2015
- 12. Power BI
- 14. StreetBump smartphone app • スマートフォン http://www.streetbump.org/
- 20. My Computer Azure Notebooks Azure Machine Learning Services: Python SDK Azure Machine Learning Workspace AmlCompute (GPU) 学習用 Code
- 21. この車の妥当な価格は?
- 22. Mileage Condition Car brand Year of make Regulations … Parameter 1 Parameter 2 Parameter 3 Parameter 4 … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Mileage Gradient Boosted Criterion Loss Min Samples Split Min Samples Leaf Others Model Which algorithm? Which parameters?Which features? Car brand Year of make 試行錯誤
- 23. Criterion Loss Min Samples Split Min Samples Leaf Others N Neighbors Weights Metric P Others Which algorithm? Which parameters?Which features? Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Nearest Neighbors Model 繰り返し Gradient BoostedMileage Car brand Year of make Car brand Year of make Condition
- 24. Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Gradient Boosted SVM Bayesian Regression LGBM Nearest Neighbors Which algorithm? Which parameters?Which features? 繰り返し Regulations Condition Mileage Car brand Year of make
- 25. データセット 目標設定 学習の一貫性 出力入力 アンサンブル モデル 仮想マシンの自動起動・オートスケール モデルの説明性 (解釈性) ベストなモデルの選択 Optimized model 分類、回帰、時系列予測 ONNX サポート
- 26. “Automated ML”
- 27. データ探 索 変数の重要度 各予測値に対する説明 サマ リー 要因探索、与信管理などの業務で はブラックボックスなモデルは使 えない... https://docs.microsoft.com/en- US/azure/machine-learning/service/machine- learning-interpretability-explainability Model interpretability with Azure Machine Learning service
- 29. 蒸気 や 電気 ソフト ウェア AI
- 35. 数千万 数か月 誰でも数分でできる 襟あり RALPH LAUREN Cognitive Services Custom Vision
- 36. Data
- 37. 94 77 236 25 0 50 100 150 200 250 300 350 1 2 (万人) Series1 Series2 IT 技術者 0 20 40 60 80 1 2 3 労働生産性 2017 年 OECE 加盟諸国の時間当たり労働生産性 購買力平価換算 US ドルベース より引用 IPA グローバル化を支える IT 人材確保・育成策に関する調査 より引用
- 41. Tech Intensity = (Tech Adoption)^Tech CapabilityVelocity Width/Depth Strength
- 42. Data= 事実に基づく判断 勘 と 経験 と 度胸 に加えて 変更しやすさ クラウド前提 外注は最小限に 人こそ資産 社員の成長の場
- 43. • Hack Hack シナリオベース • Hack 個別 Hack
- 48. Step-by-Step Achievements スムーズな学習環境 無料 日本語対応 ブラウザーのみでOK ハンズオン環境も含めて ダウンロード可能なサンプ ルコード Product/Service, 技術レベル, job role, などに応じたガイダ ンス Video, チュートリアル, ハンズ オン スキルアップを促す ユーザー プロファイ ル毎に カスタマイズ www.microsoft.com/learn
- 50. 会員数 4,150 名 全国 6 都市で 36 回イベント開催 福岡 大阪 広島 名古屋 東京 札幌 オンライン・オフライン含めた 機械学習教育講座の全国での推進 機械学習 SI エコシステム日本最大の AI コミュニティ
- 51. © 2019 Microsoft Corporation. All rights reserved. 本情報の内容（添付文書、リンク先などを含む）は、作成日時点でのものであり、予告なく変更される場合があります。