Azure Antenna AI 概要
•Download as PPTX, PDF•
1 like•1,108 views
2017/12/15 Azure Antenna でご説明時に使用した資料（一部）です。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Azure Antenna AI 概要
Similar to Azure Antenna AI 概要 (20)
More from Miho Yamamoto
More from Miho Yamamoto (18)
Recently uploaded
Recently uploaded (11)
Azure Antenna AI 概要
- 3. この資料は 2017 年 12 月 14 日時点での情報をもとに作成されています。 今後変更される可能性がございます。 あらかじめご承知おきください
- 6. 「人工知能のビジネス提供価値を考える」― 人工知能のビジネス活用概況2017年度版 (2017年06月26日) 株式会社 MM 総研 https://www.m2ri.jp/news/detail.html?id=238 競合他社は既に取り組んでいる可能性が高い！ 1.8% 17.9% 80.3% 4.9% 22.4% 72.7% 13.3% 32.9% 53.8% 導入済 導入検討中 導入する予定 なし 日本 ドイツ アメリカ
- 10. Microsoft Azure
- 11. Azure: The Trusted Cloud More certifications than any other cloud provider HIPAA / HITECH Act FERPA GxP 21 CFR Part 11 ISO 27001 SOC 1 Type 2ISO 27018 CSA STAR Self-Assessment Singapore MTCS UK G-Cloud Australia IRAP/CCSL FISC Japan New Zealand GCIO China GB 18030 EU Model Clauses ENISA IAF Argentina PDPA Japan CS Mark Gold CDSA Shared Assessments Japan My Number Act FACT UK GLBA Spain ENS PCI DSS Level 1 MARS-E FFIEC China TRUCS SOC 2 Type 2 SOC 3 Canada Privacy Laws MPAA Privacy Shield ISO 22301 India MeitY Germany IT Grundschutz workbook Spain DPA CSA STAR Certification CSA STAR Attestation HITRUST IG Toolkit UK China DJCP ITAR Section 508 VPAT SP 800-171 FIPS 140-2 High JAB P-ATO CJIS DoD DISA SRG Level 2 DoD DISA SRG Level 4 IRS 1075 DoD DISA SRG Level 5 Moderate JAB P-ATO GLOBALUSGOVINDUSTRYREGIONAL ISO 27017 https://azure.microsoft.com/ja-jp/support/trust-center/
- 16. 配布禁止
- 18. Spark SQL Server 仮想マシン GPU コンテナー サービス ノートブック IDE Azure Machine Learning Workbench SQL Server Machine Learning Server オ ン プ レ ミ ス A Z U R E M A C H I N E L E A R N I N G エ ッ ジ コ ン ピ ュ ー テ ィ ン グ Azure IoT Edge 実験およびモデル管理 A z u r e M a c h i n e L e a r n i n g サ ー ビ ス ト レ ー ニ ン グ と デ プ ロ イ の オ プ シ ョ ン A z u r e
- 19. ハ イ パ ー ス ケ ー ル の エ ン タ ー プ ラ イ ズ グ レ ー ド の イ ン フ ラ ス ト ラ ク チ ャ 開 発 者 用 ツ ー ル お よ び サ ー ビ ス デ ー タ サ イ エ ン ス の た め の オ ー プ ン プ ラ ッ ト フ ォ ー ム ハードウェア ストレージ管理 ソフトウェア M L お よ び A I プ ラ ッ ト フ ォ ー ム AI アプリケーション (ファーストおよびサード パーティ) コグニティブ サービス Bot Framework Spark AI Batch Training DS VM SQL Server ACS BLOB Cosmos DB SQL DB/DW ADLS CPU FPGA GPU IoT Azure Machine Learning モデルのデプロイおよび管理 機械学習ツールキット 実験の管理、データの準備、 コラボレーション CNTK TensorFlow ML Server Scikit-Learn その他のライブラリ PROSE Docker クラウド - Spark、SQL、その他の エンジン ML Server - Spark、SQL、VM エッジ
- 21. 大規模に構築、 デプロイ、管理 どこにでも構築してデプロイ - クラウド、 オンプレミス、エッジ、およびデータ内 データ ドリブン型の管理とすべてのモデルの 再トレーニングによりわずか数分でデプロイ ローカルでプロトタイプを作成し、その後 VM、 Spark クラスター、および GPU で スケールアップ/スケールアウト Excel 統合を含め、リアルタイムでスループットの 高い洞察をどこででも提供
- 22. HTTP サービスとしてモデルをデプロイおよび管理 リアルタイムおよびバッチ処理をコンテナーベースでホスト Azure による管理と監視 (例: AppInsights) SparkML、Python、CNTK、TF、TLC、R の最高クラスのサポー ト、その他 (Caffe、MXnet) をサポートするよう拡張可能 Python および .NET Core でのサービス作成 モデルの管理
- 23. DOCKER 単一ノードのデプロイ (クラウド/オンプレミス) Azure Container Service Azure IoT Edge Spark クラスター どこででもデプロイ
- 24. Excel での Azure Machine Learning モデルの使用
- 25. アジャイルな開発により 生産性が向上 組み込みのインテリジェントなデータ ラングリングに より、準備時間を短縮し、より多くの時間をモデリングに 費やすことが可能に ノートブックと Git により、コラボレーションと共有を 拡大 バージョン コントロールと再現性により、 データの損失を回避 指標、系列、実行履歴、資産管理などにより、 最もパフォーマンスの高いモデルを特定
- 26. データのサンプル化、理解、および準備を迅速化 PROSE SDK などを活用して、例示による インテリジェントなデータ準備を実現 Python による変換の拡張/カスタマイズと特性付け 大規模な実行のための Python と PySpark の生成 データの準備
- 27. 実験 ローカルおよびクラウドでの実験のためのジョブの管理 Spark + Python + R のためのサポートを見つける (ロードマップ) ジョブをローカル、リモート VM 上 (スケールアップ)、 Spark クラスター上 (スケールアウト)、または SQL オンプレミスで実行 コード、構成、パラメーター、およびデータに対する Git の実験追跡を使用して作成 詳細な履歴メタデータによる検索と比較
- 28. 使い慣れたツールと プラットフォームに より今すぐ構築を開始 視覚的なドラッグアンドドロップか、 コードファーストの作成のどちらかを選択 好みの IDE を使用 VS Code で直接 Azure Machine Learning サービスを呼び出し* 最も人気の高い言語を使って任意の フレームワークまたはライブラリ上に構築 業界をリードする Spark および GPU を 使用したより迅速で簡単なトレーニング
- 30. 好みの IDE を使用 あらゆる種類のデータを活用 好きなものを使用 最 も 人 気 の 高 い イ ノ ベ ー シ ョ ン を 使 用 任 意 の ツ ー ル を 使 用 任 意 の フ レ ー ム ワ ー ク ま た は ラ イ ブ ラ リ を 使 用
- 31. 希望の IDE に統合 Visual Studio Code 拡張機能 (より多くの IDE および ノートブックをサポート予定) 希望の IDE で構築開始 - 追加のツールは不要 機械学習とディープ ラーニングのための統合された 機能豊富な作成 ご使用の IDE またはノートブックから Azure Machine Learning サービスを直接呼び出し
- 33. Azure Blob Storage Azure Machine Learning Model Management Service GPU Data Science Virtual Machine 機械学習モデル Java ETL Azure Container Registry 予測的 Web アプリケーション 画像分類の精度の強化 転移学習、畳み込みニューラル ネットワーク (CNN)、および勾配ブースティング デシジョン ツリー (GBDT) といった 学習アルゴリズムにより、画像分類を再定義 Azure Container Service
- 34. Azure Container Service Azure Machine Learning Azure GPU Data Science Virtual Machine Web アプリ (Jupyter Notebook) Workbench Experimentation Service Microsoft SQL Server Azure Machine Learning Operationalization クラスター テキスト予測の強化 ディープ ラーニングと自然言語の処理により、検索の有効性とタグ付けの正確性が向上 SQL
- 36. 課題 • 従来の電線検査サービスは非常に高コスト • 低コストの画像スコアリングと複数の同時顧客の サポートに対する需要 • ドローン ソリューションで実行できる強力な AI が必要 ソリューション • ディープ ラーニングにより複数のストリーミング データ フィードを分析 • Azure GPU は Single Shot Multibox Detector を サポート • Azure Batch Shipyard による信頼性が高く、 一貫性があり、弾力性に富むスケーラビリティ ディープ ラーニングによって 強化されたドローンベースの 配電網検査機能
- 37. データ ソース 取り込み 準備 分析 公開 使用 ア ク シ ョ ンイ ン テ リ ジ ェ ン スデ ー タ ドローンが収集した 画像 ドローン画像の 一括アップロード オンプレミスの コマンド センターAzure Blob 未加工ストレージ Cosmos DB 在庫の結果と状態の 変化を含む Azure Batch Docker イメージ Docker イメージに 含まれる DNN Azure Blob Azure Functions Cosmos DB 10 01 10 01 eSmart アーキテクチャ
- 38. 課題 • カタログから類似した衣料品アイテムの正確な オプションを提供することでバイヤーの検索を支援 • 色、柄、ネック スタイルなどに基づいた 改善されたスマート画像マッチング機能の必要性 ソリューション • Bing およびドメイン固有の画像を使用して 作成されたトレーニング データ • 転移学習を使用して事前トレーニングされた ImageNet ディープ ニューラル ネットワークを 活用 • 衣料品の類似性の指標を使用した最も類似した 衣料品アイテムの正確なリスト • 74% の一致精度 画像分析による一致精度の 改善
- 39. 価格設定 すべてのサービスは別個に使用可能 • • 管理されたモデル デプロイされたモデル コア数 価格 (月額) 20 2 4 無料 100 10 16 50 ドル 1,000 100 120 375 ドル 10,000 1,000 800 2,500 ドル •
- 41. C L I C K T O E D I T M A S T E R T I T L E S T Y L E
- 42. 機械学習と AI のポートフォリオ いつどれを使用するか? どのエンジンを使用するか? デプロイ対象 どちらの経験を優先するか? 独自に構築するか、事前トレーニングされたモデルを 使用するか? Microsoft ML および AI 製品 独自に構築 Azure Machine Learning コードファースト (オンプレミス) ML サーバー オンプレミスの Hadoop SQL Server (クラウド) AML (プレビュー) SQL Server Spark Hadoop Azure Batch DSVM Azure Container Service ビジュアル ツール (クラウド) AML Studio 使用 コグニティブ サービス、ボット
- 43. アプリ + 洞察 ソーシャル LOB グラフ IoT 画像 CRM 取り込み 保存 準備 & トレーニング モデリング & 提供 データの調整 & 監視 Data Lake & ストレージ Hadoop/Spark/SQL & ML 増え続けるデータ量。新たなデータ ソースと種類。オープン ソースの言語。 Azure Machine Learning IoT デ ー タ 資 産 の 進 化
- 44. 顧客 増大するデータおよび AI のエコシステム システム インテグレータ― ISV トレーニング パートナー
- 46. C L I C K T O E D I T M A S T E R T I T L E S T Y L E
- 47. Spark アプリケーション (ドライバー) SparkContext マスター (クラスター マネージャー) スレーブ (ワーカー) Executor タスクタスクタスク タスクタスクタスク スレーブ (ワーカー) Executor タスクタスクタスク タスクタスクタスク Apache Spark フォールト トレラントな分散コンピューティング フレームワーク
- 48. Spark へのディープ ラーニングの統合 ライブラリを作成して Spark 上で学習アプリケーションを簡単に開発 オープン ソース コミュニティにおけるマイクロソフトのプレゼンスを拡大 Spark をハードウェアに依存しない柔軟なディープ ラーニング フレームワークと統合: Cognitive Toolkit (CNTK) さまざまな規模でモデルを簡単に実行および運用化する方法を提供 ML プログラミング モデルを強化 • 既定の特性付けを強化 • 並列モデルの評価 • モデルの比較および概要作成 Spark Summit 2017 でリリース
- 49. その他のサンプル ノートブック並びに Scala および PySpark のための MMLSpark ドキュメントを 参照してください。 CIFAR-10 データセット内の画像を分類するよう 事前トレーニングされた CNN Microsoft ML for Spark 例
- 50. GitHub の使用を開始するには、以下の GitHub リポジトリにアクセス: https://github.com/Azure/mmlspark Docker の使用を開始するには、Docker イメージを使用: サンプルの Jupyter ノートブックを表示するには、以下に移動: http://localhost:8888 Microsoft Machine Learning for Spark の使用を開始する
- 51. C L I C K T O E D I T M A S T E R T I T L E S T Y L E
- 52. 入力層 隠れ層 1 隠れ層 2 出力層 A A x x x + tanh tanhơ ơ ơ Cognitive Toolkit (CNTK) マイクロソフトのディープ ラーニング ライブラリ
- 53. CNTK x Spark ステップ 1: CNTK Java バインディング CNTK は C++ で記述されるが、Python、Brainscript、および C# にバインド SWIG (Simple Wrapper and Interface Generator) を 使用して、CNTK の評価ライブラリを Java に公開 注: すべての Java バインディングはマシンで生成されるため、 メンテナンスはほとんど不要 (CNTK の新しいリリースで提供)
- 54. CNTK x Spark ステップ 2: Spark トランスフォーマー Spark は Scala に基づいて構築されているため新しい CNTK Java バインディングを使用 (Java と相互運用可能) クラスター内の各ノード上でカスタムの Scala マップを実行 すべての Spark Executor で CNTK モデルを自動的に分散、 ロード、および実行 各マシンはデータセット全体の小さな部分をマップするた め、パフォーマンスはマシンに応じてスケーリング パフォーマンス対パーティション 観測値 完璧な並列処理 コンピューティング時間(秒) パーティション数
- 55. 無料の PySpark バインディング Scala はコア コードで、Python はデータ サイエンス言語 Spark は PySpark パッケージに Python へのバインディングを公開 すべての作業に対する Python バインディングを瞬時に生成することで、CNTK Spark 統合を Python に 自動的に公開 Databricks と連携することで、このツールは Spark Core に貢献し、SparkDL と作業をマージできる
- 56. ユキヒョウ? ディープ ニューラル ネットワーク Spark ML 分類子 デシジョン ツリーまたはロジスティック回帰画像の特性画像 クラス 1 クラス 1 ギャップ コンピューター ビジョンと Spark での分類
- 57. 使 用 し た 場 合使 用 し な い 場 合 89% の精度68% の精度 15.1% の精度 83.7% の精度 深い特性付け スケール + LR に正規化された CM 正解ラベル 精度 = 68.0% 予測ラベル 正解ラベル CNTK2 + LR に正規化された CM 正解ラベル 精度 = 89.5% 予測ラベル LR に正規化された CM正解ラベル 予測ラベル 精度 = 15.1% CNTK モデル + LR に正規化された CM 正解ラベル 予測ラベル 精度 = 83.7%
- 58. C L I C K T O E D I T M A S T E R T I T L E S T Y L E
- 60. サポートされる API パターン 断続的または連続的 ジョブあたり単一ノード (現時点) 複合モードまたはバッチのみ 大規模な要求 - 応答パターン リ ア ル タ イ ム 操 作バ ッ チ 操 作
- 61. ACS w/ Kubernetes ACR App Insights Storage 必要に応じて スケールアウト/ イン アクセスが 登録された コンテナー Get 要求ログ データ Windows Linux Mac Spark ML Python CNTK AZURE サービスOS サポート ML フレームワーク R Operationalization CLI 環境および技術スタック
- 62. Empower today’s innovators to unleash the power of data and reimagine possibilities that will improve our world
- 63. 本書に記載した情報は、本書各項目に関する発行日現在の Microsoft の見解を表明するものです。Microsoftは絶えず変化する市場に対応しなければならないため、ここに記載した情報に対していかなる責務を負うものではなく、提示された 情報の信憑性については保証できません。 本書は情報提供のみを目的としています。 Microsoft は、明示的または暗示的を問わず、本書にいかなる保証も与えるものではありません。 すべての当該著作権法を遵守することはお客様の責務です。Microsoftの書面による明確な許可なく、本書の如何なる部分についても、転載や検索システムへの格納または挿入を行うことは、どのような形式または手段（電子的、機械的、複 写、レコーディング、その他）、および目的であっても禁じられています。 これらは著作権保護された権利を制限するものではありません。 Microsoftは、本書の内容を保護する特許、特許出願書、商標、著作権、またはその他の知的財産権を保有する場合があります。Microsoftから書面によるライセンス契約が明確に供給される場合を除いて、本書の提供はこれらの特許、商標、 著作権、またはその他の知的財産へのライセンスを与えるものではありません。 © 2017 Microsoft Corporation. All rights reserved. Microsoft, Windows, その他本文中に登場した各製品名は、Microsoft Corporation の米国およびその他の国における登録商標または商標です。 その他、記載されている会社名および製品名は、一般に各社の商標です。