畠山 大有 | Daiyu Hatakeyama | dahatake
日本マイクロソフト株式会社
Cloud Solution Architect
デジタルトランスフォーメー
ション時代を生き抜くためのビ
ジネス力
- AI、Advanced Analytics の使いどころ

データが
ビジネスを動かす
新しい原動力になる

変化のスピード2007 $100,000
2013 $700
2007 $40,000
2014 $100
2007 $550,000
2014 $20,000
2000 $2.7bn
2007 $10m
2014 $1,000
1984 $30
2014 $0.16
2009 $30,000
2014 $80
2007 $499
2015 $10
DNA
Solar
Smartphones
Drones
3D Printing
Industrial
Robots
Sensor (3D)
手軽な価格で技術が手に入るようになり、
驚異的なペースで変革が加速
2
2
3
3
4
4
5
6
6
8
20
0 2 4 6 8 10 12 14 16 18 20 22
Xiaomi
Snapchat
Airbnb
CloudFlare
Uber
Average Unicorns
Tesla
Cloudera
Facebook
Google
Typical Fortune 500
years
時価総額が1,000億円に達するまで
Source: World Economic Forum

従業員 管理者 ID: xxx
仮説の域を出にくい世界
ユーザー 情報 使いや
すさ

仮説
今 (KPI)
Business Intelligence (BI)

過去

+ Big Data + BI =定量的に今を見る
未来を考察する
過去 未来

feedback
2
3

Open Data Initiative
Reimagining customer experiences

Announcing the
Open Data Initiative
Deliver unparalleled business
insight from your behavioral,
transactional, financial, and
operational data with the Open
Data Initiative —
a jointly-developed vision by
Adobe, Microsoft, and SAP.
https://news.microsoft.com/ja-jp/2018/09/25/180925-ignite-2018-open-data-initiative/

ユーザー中心
より 機敏 に 革新的 な サービス を提供する
Innovation

Realtime

Realtime

Cart

Simulation

•
•

User Experience
Recommendation

1つのビデオコンテンツを複数のチャネルに配信。様々なシナリオへ対応
• 契約開始時のフォロー
• Upsell / cross sell
• Relationship building –
感情に訴えかけるもの:
招待制、誕生日、記念日

x2 90% x300%
CTR WATCHED TILL THE END SALES RATE
numbers in transactions and
value even 300 % higher
Increased loyalty: on
average, more than 90%
viewers watch video till the
end
higher click-through rates and
engagement – even more
than 85%

Perception Cognition
Machine Learning の出番

トレーニング済みのモデル
ビジネスロジックにMLをアタッチ
Azure Databricks VMs
Deep Learning Framework
Deep Learning モデルの作成 TensorFlow KerasPytorch
Azure
Machine Learning
LanguageSpeech
…
SearchVision
On-premises Cloud Edge
生産性の高いサービス
データサイエンティストと開発チームの生産性を上げる
パワフルな Compute
Deep Learning の学習と推論の加速
柔軟な推論環境の選択肢
Cloud と Edge へのモデル展開と管理
Machine Learning on Azure
Chainer

引用: http://www.ics.kagoshima-u.ac.jp/~fuchida/edu/algorithm/sort-algorithm/

機械学習のプロジェクトの実態
推論
デプロイメントデータの準備 モデル構築・学習
世界中の研究者が
論文として公表。
多くの実証コードも
公開される。
最新の技術を利活用
んなデータを整備するか?
競争力のための
自社にしかないデータが
活用できるか?
ビジネスフロー全体の中の
どこでモデルを
利用すべきか?

データが定義するプログラム
Alpha Go Zero

分類モデルの評価 = Confusion Matrix
①True Positive（真陽性） : 100%に近いほど良好
⇒A/(A+C)
②False Positive（偽陽性） : 0%に近いほど良好
⇒B/(B+D)
③True Negative : 100%に近いほど良好
⇒D/(B+D)
④False Negative : 0%に近いほど良好
⇒C/(C+D)
⑤Accuracy（正解率） : 100%に近いほど良好
⇒「○」「×」を正しく予測できた割合
⇒(A+D)/(A+B+C+D) : 100%に近いほど良好
⑥Precision（適合率） : 100%に近いほど良好
⇒A/(A+B)
⑦Recall（再現率） : 100%に近いほど良好
⇒①に同じ
⑧F1 Score :1.0に近いほど良好
⇒⑥、⑦の複合指標
⇒2×(⑥×⑦)/(⑥+⑦)
検証用データ 予測で得たクラス
○ ×
正解の
クラス
○ A件 C件
× B件 D件
正解が「○」
のデータ
推測で「○」と
されたデータ
A件C件 B件
D件
予測結果例 主な評価指標

Confusion Matrix for karugamo
karugamoが写っているの
に、
モデルは推定できなかっ
た
▶モデルの見逃し
あり[予
測]
なし[予
測]
あり[正
解]
XX XX
なし[正
解]
XX XX

Confusion Matrix for karugamo
Karugamo でないもの
に、
Karugamo と推定
▶モデルの過検知？
あり[予
測]
なし[予
測]
あり[正
解]
XX XX
なし[正
解]
XX XX

何を優先するかは、一概に決められない!
再現率(Recall)
適合率
(Precision)
ヒット数↑
ノイズ ↑
精度↑
漏れ↑
再現率、適合率の最適な
ブレイクポイント

精度とビジネスモデルの関係
緑に所属する企業
青に所属する課題
自動運転

AI と 人 のコラボレーション

写真の
Upload
映っているも
のはどれです
か?

写真の
Upload
映っているも
のはどれです
か?

写真の
Upload
映っているも
のはどれです
か?

AI everywhere !!!
カスタマイ
ズ

「危なくて外部にデータおけな
いよ…」

90%企業の 9 割は侵入された経験あり

560日企業が侵入から発見するまでの日数（APAC）

出典：Trustwave
https://www2.trustwave.com/GSR2015.html
ハッカーのROI
1425%

サイバークライムは
新たな戦場
セキュリティスキル
の不足
すべてが攻撃対象
サイバーセキュリティ環境の急速な変化

Trusted Cloud

共同責任
Microsoft だけで、守れるわけではない。
皆様 Microsoft
On-Premises IaaS PaaS SaaS

Object Detection 技術の進化

2017年からあります…
GUI で誰でもできる
襟あり
RALPH LAUREN
Cognitive Services
Custom Vision

Polyglot Persistence

課金: クエリ能力 と ストレージ の分類

Microservices
= サービスの容易な追加
APPLICATIONS
DASHBOARDS
BUSINESS / CUSTOM
APPS
(STRUCTURED)
LOGS, FILES AND MEDIA
(UNSTRUCTURED)
r
SENSORS AND IOT
(UNSTRUCTURED)
DATABRICKS
SQL DB
SQL DW
ANALYSIS
SERVICES
DATA
FACTORY
DATA EXPLORERDATA LAKE
STORAGE
IOT HUB STREAM
ANALYTICS
AKS
APPLICATIONSAKS
Time Series Insight
時系列データの表示
開発しやすいものを
リアルタイム以外の
データジョブ管理

インタラクティブ クエリ
巨大なデータセットへの
高速クエリ実行
テラバイト級に数分で
スケール
ストリーム、ファイル な
ど
多様なデータ をサポート

交通渋滞
予測
○○線
運行情報
△ △線
運行情報
イベント
開催情報
TV番組
情報
物流
車両情報
道路工事
情報
空調負荷
予測
販売計画
混雑予測
駅員・警
備計画
空調制御
計画
故障予知
集荷予測
天候情報
保守計画
売上予測
混雑予測
有機的に相互作用する社会

交通渋滞
予測
○○線
運行情報
イベント
開催情報
TV番組
情報
物流
車両情報
道路工事
情報
空調負荷
予測
販売計画
空調制御
計画
故障予知
集荷予測
天候情報
保守計画
売上予測
混雑予測
△ △線
運行情報
混雑予測
駅員・警
備計画
有機的に相互作用する社会

Step-by-Step Learning Achievements スムーズな Learning 環境
 無料
 日本語対応
 ブラウザーのみ。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
 Videos, チュートリアル, ハン
ズオン
 スキルアップを促すため
 ユーザー プロファイル毎に
カスタマイズ
www.microsoft.com/learn

© 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。