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】

2. 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

3. Azure Bot Service Azure Cognitive Services Azure Cognitive Search Azure Databricks Azure Machine Learning Pre-Trained ModelAI apps & agents Custom Build

4. • 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

5. 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

6. vs. vs. vs. vs. vs. 実装

7. • 雑草農薬にお金コンバイン x AI 大幅応用

8. © 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)」

9. 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の論文とコードも公開されているどんなデータが準備できるか? アプリケーションのどこにモデルを利用すべきか?

10. 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

11. Power BI

12. やばい！このラーメンやばいよ！美味しい！このラーメン美味しいよ！行動データ組み合わせ変化し続ける

13. StreetBump smartphone app • スマートフォン http://www.streetbump.org/

14. 分析の完了と共に役目を終える新たな価値を想像、維持し続けるリスクの高い外部データ活用 • 知的財産 (特許、著作権、意匠権、商標権など) • 説明責任 (製造物責任)

15. 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の論文とコードも公開されているどんなデータが準備できるか? アプリケーションのどこにモデルを利用すべきか?

16. My Computer Azure Notebooks Azure Machine Learning Services: Python SDK Azure Machine Learning Workspace AmlCompute (GPU) 学習用 Code

17. この車の妥当な価格は?

18. 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

19. 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

20. 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

21. 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

22. “Automated ML”

23. 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

24. 蒸気や電気ソフトウェア AI

25. https://aidemos.microsoft.com/machineteaching

26. • • • • • • シミュレーション、またはフィジカル・システムアクターアクション状態報酬検証環境評価

27. 数千万数か月誰でも数分でできる襟あり RALPH LAUREN Cognitive Services Custom Vision

28. Data

29. 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

30. Tech Intensity = (Tech Adoption)^Tech CapabilityVelocity Width/Depth Strength

31. 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

32. • Hack Hack シナリオベース • Hack 個別 Hack

33. 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

34. 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

35. aischool.microsoft.com

36. 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

37. www.microsoft.com/ja-jp/events

38. 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