[Developers Festa Sapporo 2018] Azure AI ～Microsoft AzureでのAI開発のイマ～

1. Azure AI ～Microsoft AzureでのAI開発のイマ～佐藤直生 (Neo) | @satonaoki 日本マイクロソフト株式会社 Azureテクノロジスト

2. Perception Cognition

3. https://www.youtube.com/watch?v=Duw-C6prVkE

4. https://www.youtube.com/watch?v=Qs3eTiTdrPs

5. AI で自動化が期待されるビジネスの例

6. Vision Analysis Decision making Analysis Decision making Speech Language Learning

7. AI が人々の助けになる

8. AnalysisVision Vision Knowledge LanguageSpeech

9. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI

11. Bot Service Microsoft で学習させ公開している pre-trained AI 容易なカスタマイズ多様なプログラミング言語のサポートテンプレートベースの多様な言語での開発多様な Bot Skill の接続先のサポート Vision Speech Language Search …

12. 14

13. AI Capabilities Bot Features: Personality Dialogs Language Model ナレッジソース Manuals (PDF) Data Sources General Knowledge Azure Bot Service + Cognitive Services LOB Apps Enterprise stores Language Understanding Speech Vision QnA Type Speak Tap ユーザーデバイス Channels Azure Bot Services Adaptive Cards 16

14. 画像動画音声 Machine Learning

15. Serverless を使ったイケているサービス

16. データ入力が変わる (かもしれない) データAI

18. companies Google Microsoft Facebook record-id companies 1 [ “v02”, “v01”, “v05” ] メタデータ化 | 構造化データ自然言語処理 (NLP) は大変… Deep Learning は、2012年に Googleの研究者によって飛躍的に技術向上しました。その後Microsoftや Facebookなどの企業も本格参入。 2015年から写真の識別など幾つかの分野でMicrosoftが人と同程度のModelを開発しました。

19. Deep Learning がもたらしたもの Text (OCR) “(1) Validate enrichment pipeline”

20. Deep Learning がもたらしたもの Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”

21. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.” Deep Learning がもたらしたもの

22. Documents Cognitive skills Fully text-searchable rich index Knowledge mining with Azure Search

23. 文書・画像 Cognitive skills 一括テキスト検索と絞り込み 28 Cognitive Servicesと連携し、文書や画像から情報を抽出し検索が可能従来では、人がタグ情報などを準備していた部分が、AIにより自動抽出

24. 29

25. Recommendation <- 行動履歴

26. Dataset = 要特徴を増やすことで、解析や機械学習に利用

27. Machine Learning で、Feature 抽出 Surface は品川で買えるみたい! XXX店はいつも混んでいて嫌

29. 機械学習の作業 1. 課題の特定 2. データの取得と加工 3. モデルの設計 4. モデルの学習5. モデルのテストと評価 a. 初期化 b. データセットからミニバッチデータ取得 c. 損失(差分)を計算d. 最適化: 損失(差分)の最小化 e. 重みづけの更新 y =Wx + b loss = |desired – actual outcome|δ 6. 展開と推論

30. 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

31. Databricks Platform Azure Databricks (Unified Analytics Platform) PaaS によるゼロメンテナンスエンタープライズセキュリティクラウドに最適化されたエンジン他の Azure サービスとの統合独自のコラボレーション Databricks Notebook Microsoft 1st Party 商用サポート Azure 36

32. Databricks Platform 37

33. 38 Azure Machine Learning Studio Azure Machine Learning は、未来を予測し「自立的」に判断するアプリケーションをコードを書かずに素早く開発でき、それを稼働させるスケーラブルなプラットフォームであるブラウザだけで開始できる Azure サブスクリプションにログインすれば、ブラウザだけで開発が可能。誰とでも、どこからでも、簡単に共有が可能オープンで優れた統合環境 “R” や “Python” で利用される数百ものアルゴリズムやパッケージを利用可能。 Xbox や Bing で養われた優れたアルゴリズムを利用可能。ソリューションを数分で展開できる１クリックで学習が完了したモデルをWeb サービスとして即時ディプロイ。あらゆる場所からスケーラブルに利用可能。世界への展開グローバルな Azure Machine Learning Marketplace を介して、ソリューションを販売可能

34. • 使い慣れたフレームワークを利用可能 • 様々な実行環境 • ローカルPC / GPU VM / Azure Batch AI / Azure Kubernetes Services / Databricks .. • 実行履歴/モデルの管理 • Azure ML Python SDK • Pythonから、AML Servicesを利用 • 機械学習の自動化 • Automated ML • 機械学習のモデル選択/ハイパーパラメータのチューニング Azure Machine Learning Services 様々な革新的な技術を利用使い慣れたツールの利用使い慣れたフレームワーク / ライブラリの利用 39

35. Automated Machine Learning Hyper parameter tuning Distributed Deep Learning New FPGA-powered models Python SDK Azure Notebook 連携

36. Services Schema モデルスキーマファイル (Option) 推論実行コード推論環境の全体像 Azure Kubernetes Services Azure Machine Learning Services

37. 今回は、どの Feature (列) が有効なの? 次のボーナス2018/12

38. Source: http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html 今回は、どのアルゴリズムが効く?

39. 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 モデルの開発には、多くの試行錯誤が必要…

40. 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

41. 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

42. データセット目標設定学習の一貫性出力入力学習を並列処理 Compute リソース管理ベストなモデルの選択 Optimized model Automated Machine Learning

43. “Volume” 膨大 “Velocity” スピード “Variety” 多様性社内の資産サーチやソーシャルオープンデータコラボ可視化 Big Data の構成要素

44. STORE & EXPLORESensors and IoT (unstructured) Files (unstructured) Media (unstructured) Logs (unstructured) Business/custom apps (structured) Power BIAzure Analysis Services Real-time Apps Cosmos DB INGEST PREP & TRAIN MODEL & SERVE STORE Azure Data Lake Storage Gen2 SQL Data Warehouse (Polybase) Azure Databricks Cosmos DB Azure Data Explorer Azure SQL Data Warehouse Azure Data Explorer Azure Databricks Azure Machine Learning Azure Data Factory Data Lake as “Product” Sensors and IoT (unstructured) Azure IoT Hub Kafka

45. Azure Operational Data Services

46. Azure Cosmos DB: マルチモデル/マルチ API • キー/バリュー • ドキュメント • グラフ • SQL (DocumentDB) • MongoDB • Azure Table Storage • Gremlin グラフ

47. Delivery Service Refund Service Notification Service Azure Functions + Azure Cosmos DB

48. 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

49. 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

50. 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

51. https://www.youtube.com/watch?v=y-IBE4k-ZU0

52. © 2018 Microsoft Corporation. All rights reserved. Microsoft, Windows, Windows Vista and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries. The information herein is for informational purposes only and represents the current view of Microsoft Corporation as of the date of this presentation. Because Microsoft must respond to changing market conditions, it should not be interpreted to be a commitment on the part of Microsoft, and Microsoft cannot guarantee the accuracy of any information provided after the date of this presentation. MICROSOFT MAKES NO WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, AS TO THE INFORMATION IN THIS PRESENTATION.

[Developers Festa Sapporo 2018] Azure AI ～Microsoft AzureでのAI開発のイマ～

Esté a ler uma amostra.

Confira estes a seguir

[Developers Festa Sapporo 2018] Azure AI ～Microsoft AzureでのAI開発のイマ～

Mais Conteúdo rRelacionado

Diapositivos para si (20)

Semelhante a [Developers Festa Sapporo 2018] Azure AI ～Microsoft AzureでのAI開発のイマ～ (20)

Mais de Naoki (Neo) SATO (20)

Mais recentes (20)