人工知能技術のエンタープライズシステムへの適用

Copyright © 2015 TIS Inc. All rights reserved.
人工知能技術の
エンタープライズシステムへの適用
2015年7月19日
TIS株式会社
戦略技術センター
油谷実紀

Copyright © 2015 TIS Inc. All rights reserved. 2
自己紹介
油谷実紀(ゆたにみき)
TIS株式会社戦略技術センター
■新規技術の企画、検証、導入
■関心のある領域：AI, IoT, SDI, ロボット
■オープンソース・デザイン指向クラウドオーケストレータ
CloudConductorプロダクトマネージャー
http://cloudconductor.org/
Twitter: @blackaplysia
Facebook: 油谷実紀

本日は次のテーマについてお話します。
「エンタープライズシステムにおいて
人工知能技術がどのように適用できるか」
(1) いま人工知能で何ができるのか
(2) 人工知能のアプリケーションとしてのCPS
(3) CPSの実現する新しいシステム

ブームを繰り返してきたAI①
「第1次AIブーム」:
1956年～1960年代
■ダートマス会議(1956)
■Lisp (1958)
■パーセプトロン(1958)
■General Problem Solver
(GPS, 1957)
→ヒューリスティックス
目標手段分析
■Eliza (1964)
→botの源流
(defun doctor-nounp (x)
"Return t if the symbol argument is a noun."
(or (doctor-pronounp x)
(not (or (doctor-verbp x)
(equal x 'not)
(doctor-prepp x)
(doctor-modifierp x) )) ))
(defun doctor-pronounp (x)
"Return t if the symbol argument is a pronoun.
(memq x '(
i me mine myself
we us ours ourselves ourself
you yours yourself yourselves
he him himself she hers herself
it that those this these things thing
they them themselves theirs
anybody everybody somebody
anyone everyone someone
anything something everything)))
Eliza (emacs lisp版)
手書きルールまたは
会話から学習させる

ブームを繰り返してきたAI②
「第2次AIブーム」: 1980年代
■エキスパートシステム
■Prolog(1972)
→一階述語論理による
宣言的記述
rules([[remember,5],[
[1,[_,you,remember,Y],0,
[do,you,often,think,of,Y,?],
[does,thinking,of,Y,bring,anything,else,to,m
[what,else,do,you,remember,?],
[why,do,you,remember,Y,just,now,?],
[what,in,the,present,situation,reminds,you
[what,is,the,connection,between,me,and,Y
[2,[_,do,i,remember,Y],0,
[did,you,think,'I',would,forget,Y,?],
[why,do,you,think,i,should,recall,Y,now,?],
[what,about,Y,?],
[equal,[what,0]],
[you,mentioned,Y,.]],
[3,[_],0,
[newkey]]]]).
findkeywords([],[[memory,0],[none,0]]).
findkeywords([H|T],[[H,I]|T1]) :- rules([[H,I]|_]),
findkeywords([_|T],T1) :- findkeywords(T,T1).
Eliza (Prolog版)
If-thenルールの
簡潔な記述
ルールの検索

ルールベースシステムの現在
AIML: AI Markup Language
<category>
<pattern>YOU ARE * ME</pattern>
<template>I have no reason to do that to you, <get name='name'/>.</template>
</category>
<category>
<pattern>YOU ARE * POINT</pattern>
<template>What point are you referring to?</template>
</category>
<category>
<pattern>YOU ARE *</pattern>
<template>
<random>
<li>Thanks for telling me that </li>
<li>You think </li>
<li>Do you mind if I tell other people you say </li>
<li>I will tell my <bot name='botmaster'/> you said </li>
</random>
I am <person/>.
</template>
</category>
Pandrabot / bot.aiml
XML形式のif-thenルール

さまざまな論点
■「強いAI」
→現在の汎用人工知能(Artificial General Intelligence,
AGI)の議論へ
■表象主義(トップダウンアプローチ)
・フレーム問題→ルール記述の限界
・シンボルグラウンディング問題(記号接地問題)
■ニューラルネット
・単純パーセプトロン
・バックプロパゲーション

ブームを繰り返してきたAI③
「第3次AIブーム」: 2000年代後半～
■ニューラルネットによる機械学習・特徴抽出技術の発展
・深層学習(deep learning)
・自己符号化器(autoencoder)
・マシンリソースのコスト低減
・画像データの蓄積(ex. ImageNet)
・コンピュータ将棋、画像認識における飛躍的な進歩
■自然言語処理の実用化
・Apple Siri (パーソナルアシスタント)
・IBM Watson (質問応答システム)
・Aldebaran/Softbank Pepper (エンタメ系ロボット)
・コーパスと語彙データの蓄積(ex. WordNet)
・深層学習への期待(ex. Word2Vec)

深層学習(deep learning)
■深層学習により、特定のパターンに強く反応する
ノードが生成される
出典：http://theanalyticsstore.ie/deep-learning/

深層学習による画像認識問題のブレークスルー
ImageNet Large Scale
Visual Recognition
Challenge (ILSVRC)
SuperVision(2012)
→DLによる劇的な性能改善
ブレークスルー
出典：http://arxiv.org/pdf/1409.4842v1.pdf
出典：http://www.image-net.org/
GoogLeNet(2014)
→約100層(深さ22)
例) Siberian Huskey
vs Eskimo Dog

深層学習による顔認識の最新成果
■最新研究では、照明や顔の向き、年齢などの変動も加味し
99%以上の個人の分類ができた、という報告もある
(FaceNet, 2015)
出典：http://arxiv.org/pdf/1503.03832v3.pdf
照明や向きに影響
されない分類結果の例
個人の写真コレクションについて
同一人物であると分類した例

機械学習関連ライブラリの整備
■scikit-learn
・データ解析ライブラリ
・主成分分析による次元削減、
Support Vector Machine (SVM)による分類など
■Caffe、Chainer
・深層学習フレームワーク
model = chainer.FunctionSet(l1=F.Linear(784, n_units),
l2=F.Linear(n_units, n_units),
l3=F.Linear(n_units, 10))
…
def forward(x_data, y_data, train=True):
x, t = chainer.Variable(x_data), chainer.Variable(y_data)
h1 = F.dropout(F.relu(model.l1(x)), train=train)
h2 = F.dropout(F.relu(model.l2(h1)), train=train)
y = model.l3(h2)
return F.softmax_cross_entropy(y, t), F.accuracy(y, t)
…
loss, acc = forward(x_batch, y_batch)
loss.backward()
chainer / train_mnist.py

画像認識サービス
■ReKognition
出典：https://rekognition.com/
・体の向き
・感情
・年齢
・美しさ

画像認識サービス
■AlchemyAPI (現IBM)
出典：http://www.alchemyapi.com/
スコア化
・スポーツ：0.99
・フットボール：0.99

自然言語処理の応用
■自然言語処理ソフトウェアの特徴と課題
・素性選択→ドメインスペシフィック
・深層学習の適用(Word2Vecなど)
・日本語の特性
■活用分野(例)
・テキストマイニング
・音声認識、音声合成
・自動翻訳
・対話
・質問応答→Siri、しゃべってコンシェル

質問応答ソフトウェアの構造
■基本的な構造
■質問の類型
・ファクトイド型：事実(fact)をたずねる質問
・ノンファクトイド型
・記述型
・Yes/No型
・How-to型
・Why型
質問解析検索回答生成
質問
パターン
知識
データ
ベース
回答
テンプ
レート

Sirius - Intelligent Personal Assistant (IPA)システム
■Siriusはオープンソースとしては世界初となる、
Intelligent Personal Assistant (IPA)システム
(音声認識・画像認識を含む質問応答システム)
■各種の既存オープンソーステクノロジーを採用
・画像認識: OpenCV
・音声認識: Kaldi
・質問応答: OpenEphyra 出典：http://sirius.clarity-lab.org/

OpenEphyra – 質問応答(QA)システム
■OpenEphyraは世界初オープンソース質問応答システム。
Carnegie
Melon Univ.
が中心となり
開発を進めて
いる。
出典：https://mu.lti.cs.cmu.edu/trac/Ephyra/wiki/Docs/ArchitectureOverview

IBM Watson QAシステム
出典：http://www.nikkei.com/article/DGXMZO84596040Z10C15A3X11000/?df=2
■「Jeopady!」で74回連続優勝者と
最多賞金獲得者(約3億円)を破る
■大手金融機関コールセンターにて
活用検討・試行中
■現在、日本語対応中

Watson質問応答システムアーキテクチャ
■Watsonの特徴は「仮説検証」と「確信度」(Confidence)
出典：http://www.aaai.org/ojs/index.php/aimagazine/article/view/2303/2165
質問解析
仮説生成スコアリング
回答生成&確信度計算

Watsonはどの程度賢いか
■IBMが無償公開している旅行ドメイン知識の質問応答例
○うまくいった例(確信度0.97)
質問
回答
回答全文
The Hong Kong dollar, US dollar, Canadian dollar, Euro, pound sterling, Australian dollar, Japanese
yen and South Korean won can be easily changed in China. Southeast Asian currencies are generally not
accepted, the exception being Singapore dollars. Currency should only be changed at major banks (Bank of
China in particular) or with the licensed money changers usually found at airports or high end hotels
although these offer very bad rates. A black market for currency exchange does exist but you are highly advised
to avoid as counterfeiting is a major issue when exchanging money in China.
(Document Title: China : China : Buy : Currency exchange

Watsonはどの程度賢いか
■IBMが無償公開している旅行ドメイン知識の質問応答例
○珍答例(確信度0.07)
質問
回答
回答全文
Independence Day: 17 August 1960 (from France). National holiday: Founding of the Gabonese Democratic
Party (PDG), 12 March (1968).
(Document Title: Gabon : Gabon : Understand : Important holidays)
Watsonは知識の集約と検索のシステムであり、
対象ドメインに含まれる文書の整理とチューニングが肝要

ロボットと人工知能技術の発展に関する予測①
・ロボット産業は2035年には現在の約6倍の規模に増大
・サービス分野(AI連携可能性大)の伸びがもっとも大きい
NEDO(2010),
「2035年までのロボット
産業の将来市場予測」
出典：http://www.nedo.go.jp/news/press/AA5_0095A.html

ロボットと人工知能技術の発展に関する予測②
・全米の雇用の47%は20年以内にコンピュータ(自動化)に
置き換えられる
Frey, C.B. and Osborne, M.A. (2013), The future of employment:
how susceptible are jobs to computerisation?
出典：http://www.oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf

ロボットと人工知能技術の発展に関する予測③
・人工知能が社会進出をはじめる
2015〜2025年頃
◎感情理解・
行動予測・
環境認識
→Pepper
ビッグデータ
防犯、監視
◎自律的な行動計画
→自動運転
農業の自動化
物流ロボット
2020〜2030年代
◎環境認識能力の
大幅向上
◎言語理解
◎大規模知識理解
出典：http://www.projectdesign.jp/201501/robotbiz/001794.php
松尾(2015), 「今日から始めるロボット事業ホワイトカラーの仕事が
なくなる？人工知能の『10年後』とは」

まとめ
■現在の状況は「第3次AIブーム」といわれている
■機械学習(深層学習)を用いた画像認識は人間の能力に匹敵
または凌駕するほどにまで到達しており、今後は
動画像やマルチモーダルな対象認識の成果が期待される
■自然言語処理は幅広い応用範囲がある
■質問応答システムは質問の解析、結果の検索、回答の生成
のプロセスからなり、対象ドメインの文書の収集と整理、
チューニングが重要

(そもそも論にもどって)エンタープライズシステムとは
■エンタープライズシステムの目的は
経営資源(ヒト・モノ・カネ・情報)の計画と管理
→可視化、予実管理、帳票出力
■経営資源の変動の例
・製品を販売する
・材料を購入する
・社員を雇用する
・工場を建てる
・銀行から借金する

エンタープライズシステムの全体像
■製造業のエンタープライズシステム(例)

製造業(例)におけるエンタープライズシステムの課題
■製品需要の多様化と顧客ニーズへのよりきめ細かい対応
・大量生産から個々の顧客ニーズにあわせた製品の生産へ
・販売(POS, CRM)と生産設備や倉庫とが常時情報連携を
行うことによる、業務プロセスのダイナミックな改善
＝バリューチェーンとサプライチェーンの統合
・設計段階から顧客ニーズを取り込み、かつ設計段階から
生産・調達との連携を行うことによるリードタイム削減
・Industrie 4.0 (ドイツの政策)→日本も追随
・Smart factories
・Cyber Physical Systems (CPS)
■顧客ニーズはオープン／ソーシャルな顧客コンテキストへ
(周縁、非構造化、ストリーミング、特徴抽出などの特性)
＝System of Engagement (SoE) (Moore, 2011)
⇔System of Record (SoR)

経済産業省の考えるCPS (産業構造審議会, 2015より)①
出典：http://www.meti.go.jp/committee/sankoushin/shojo/johokeizai/pdf/report01_01_00.pdf

典型的なCPSアーキテクチャ
Cyber World
Capture
Platform
Data
Platform
Analytics
Platform
Physical World
Sensors
Robots
Head Mount Display
Hologram
Interaction by
Smart Devices
Feedback
Loop
CPSアーキテクチャの3層構造

典型的なCPSアーキテクチャ(詳細)
Capture
Platform
データ
ストリーミング
特徴量抽出
Data
Platform
Analytics
Platform
外部データ
静的データ
非正規化データ
正規化データ
構造化
正規化
知識化
ダッシュボード
ダイアローグ
コミュニケー
ション
データ解析
シミュレー
ション

IoT/ネットからの環境認識に基づく超知覚をもったCPS
IoTデータ
①Cyber&Physicalな
環境情報の収集
プライベート
データ
パブリック
データ
分析・学習・計画システム
②異種クラウドの
混成利用
④多様なデバイス・
ユーザインタフェース
③カスタマイザブルな
分析・学習・計画機能
(c)機械学習
(e)ネットワーク
ロボティクス
(a) IoT
(d)自然言語処理
(b)SDIおよびオーケ
ストレーション

CPSプラットフォームアーキテクチャ
Higher CPS Functions: Planning, Conversation and Communication
Perception Functions: Visual, Acoustic, and Linguistic Attention
Behavior Functions: Speech, Motion and Gesture
Physical Robot Driver Virtual Robot Driver
Pattern Analyzer
Government
and
Open Data
Corporate
and
Supply Chain
Personal
and
Social
Networks
Recognition Functions:
Collective Intelligence,
Feature Extraction,
Pattern Filter,
Autonomic Device Cluster
(IoT Orchestration)
Language Analyzer
CPS Association Base
Robot Framework (ROS, RTM) Agent Framework (iOS, Android)
Recon-
figurable
IoT
Sensor
Network
Sensor
Framework
■CPSのあらゆる機能は機械学習を用いて自律的に変化する
■CPSは社内外ドキュメントの自然言語処理結果も活用する

人工知能を備えたCPSができることとは?
■CPSが人類より優れている点
・大量のデータと機械学習にもとづく精度の高い分類
・環境に埋め込まれたセンサを含む超知覚情報の活用
=「遍在する知覚」
・24時間365日の休むことのない活動
■CPSができること
・論理的な根拠に基づいた意思決定支援
・環境情報分析にもとづいた監視と状態変化の検知
・お客様が親しみを感じるロボット
・定型業務の代替および効率化
■ポイント
・人間が行っている業務や作業の代替・拡張
・人間では行うのことのできなかった新規業務や作業

まとめ
■エンタープライズシステムに向けた人工知能の
具体的なアプリケーションとして
Cyber Physical Systems (CPS)がある
■CPSを使うことで、
人間が行っている作業を代替・拡張し、また、
人間には行うことのできなかった新規作業を実現できる
可能性がある

人に寄り添うパートナーとしての人工知能
状況認識に基づくレビューやアドバイス
例)会議診断士「さゆり」：会議中の参加者の表情認識から
会議の状態の良し悪しを判定しアドバイスを行う

専門的な知識をもったコンシェルジュ
例)薬コンシェル：薬剤師の代理もしくは補助として
症状を聞き出しながら薬の選択をサポートする

https://youtu.be/85ujkBJtKQk
お客様と対話し適切な市販薬を推薦してくれるロボット

https://youtu.be/LmbT4W9odtQ
観光客にかわり最適な旅行プランを探してくれるロボット

環境に配備され超知覚をもったエキスパート
ライブカメラクラウド型AI
混雑度の判定
環境配備型
インタラ
クティブ
ロボット状況に応じた
ロボットへの
対応指示
近場のライブカメラ映像を活用した対話
【応用例】
工場、学校、モール、
イベント会場、観光地など

まとめ
■人工知能を搭載したCPSを活かす具体的なケースとして
以下が考えられる
・人(お客様、社員など)に寄り添うパートナー
・環境に配備された、超知覚を持ったエキスパート
■これらの実現を通して、
「変化する環境を認識し、知識に基づいて状況を理解し、
自然言語により対話を行う人工知能が、
豊かな暮らしを人類にもたらす」
世界を実現したい。

人工知能技術のエンタープライズシステムへの適用

人工知能技術のエンタープライズシステムへの適用

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Destaque

Destaque (20)

Semelhante a 人工知能技術のエンタープライズシステムへの適用

Semelhante a 人工知能技術のエンタープライズシステムへの適用 (20)

Mais de Miki Yutani

Mais de Miki Yutani (7)

人工知能技術のエンタープライズシステムへの適用