Apache UIMA

Apache UIMA 2011/10/25 第 26 回あしたの研塩谷沢生 ( インフォサイエンス株式会社 )

今日のテーマ： UIMA
UIMA : 非構造化データ管理アーキテクチャ
Unstructured Information Management Architecture
You – eee – muh と読みます（公式ドキュメント FAQ より）
構造化されていないデータを処理するフレームワーク
⇔ 構造化されたデータ： RDB のデータ、 XML データなど
特に、元々の開発目的である自然言語処理がターゲット
OASIS の標準仕様の一つ
OASIS は電子ビジネスの基盤となるデータ仕様の標準化団体
SGML 、 DocBook, ebXML などを策定

Apache UIMA
Apache UIMA : UIMA 仕様のリファレンス実装
元々は IBM Research が自然言語処理用に開発 (2005 年 )
2006 年、 SourceForge で公開開始
同年 10 月、 Apache Incubator プロジェクトの一つに
2010 年 3 月、 Incubator から卒業
2011 年 2 月、 Apache UIMA で実装されたシステム Watson が米国クイズ番組 Jeopardy! で人間のチャンピオンを破って話題に
今回のあしたの研のテーマにしてみました

人間 vs. Watson
勝負の課題は、トリビアクイズ番組
いわゆる早押しクイズ
質問文を受け取り、回答する
人間のチャンピオンの正答率は 90% 近く
従来のキーワードベースの A.I. では、せいぜい 30% 程度
回答率と正答率のバランスを取るのが困難だった
IBM は DeepBlue に続くプロジェクトとしてこの課題に挑戦
UIMA 上に新しいシステムを構築し、人間を上回る性能を実現

Watson のアーキテクチャ
Watson のコアエンジンは、 DeepQA と呼ばれている
単に質問に対応する回答を探すのではなく、回答 -> 根拠づけ -> 自己評価という多段階プロセスを踏むエンジン
これらの処理が全て、 Apache UIMA 上のプラグインとして実装されている！
ちなみに HW はラック 10 本分、総メモリー容量 15TB 、総コア数 2,880 個
仮説作成質問解析仮説 DB 根拠付け根拠 DB 確信度判定過去問での学習データ回答質問自然言語処理データ

今日の話
UIMA の基本的な考え方
Apache UIMA を使ってみる
Apache UIMA での複雑な処理
Apache UIMA で作成したエンジンを使う
まとめ

UIMA は何をしてくれるのか
UIMA は、非構造化データと構造化データの橋渡し役
非構造化データ：テキスト、音声、画像など
構造化データ：データベース、インデックス、ナレッジベースなど
※ 図は公式ドキュメントより

UIMA がしてくれないこと
UIMA 自体は、何も分析しない
今日の話を聞いて Apache UIMA をインストールしても、それだけではクイズ王になれません
非構造化データを構造化データにするのは、開発者の役目
構造化されていないデータを扱う技術は様々ある
自然言語処理
機械学習
…
UIMA に準拠したプラグインとして書くことで、これらのロジックを自由に組み合わせることが出来る
データ構造が標準化されているので、再利用性が高い
第三者向けにプラグインを提供することも

CAS : 構造化データを表現する仕組み
CAS ： Common Analysis Structure
UIMA の基本となるデータ形式
分析対象となるデータを保持している
Java のクラスと同様の、階層構造の型を持つ
とりあえず Java Beans のイメージで OK
ただし、 CAS には独特の用語体系がある
Ex. Field （属性値）でなく Feature （特性値）
最も基本的な型（ Java で言う Object ）は TOP
たまに Feature Strucuture という言い方も：これはより一般的な用語
開発者は、この CAS を受け取り、分析結果を Annotation として追加していく処理をプラグインとして書く
これを分析エンジン (Analysis Engine) と呼んでいます

分析エンジン： CAS を作成するコンポーネント
分析エンジンが生成した注釈は、 CAS に追加されていく
この注釈の管理も CAS の重要な役割
（なので、 JavaBean のような単なるオブジェクトでもない）
今日のあしたの研のテーマは、 Apache UIMA です。前回のテーマは、 Flume でした。テキストを表す CAS 分析エンジン … Apache UIMA は OSS … Flume は OSS 今日のあしたの研のテーマは、 Apache UIMA です。前回のテーマは、 Flume でした。 OSS を表す注釈が追加される OSS: Apache UIMA OSS: Flume OSS 名 DB

分析エンジンを作る
記述言語は Java / C++ が基本
Eclipse プラグインや開発ツールも豊富
手順としては、
分析で作成する CAS 型を定義する
CAS データを表現するコードは自動生成されます
分析処理を書く
引数として文書を表す CAS が渡されます
作成したコードの内容を記述する XML ファイルを用意する
ツールに導入して動かしてみる
ということで実環境で

複雑な分析：エンジン同士の連携
今書いたのは、与えられたデータを直接処理する分析エンジン
これを Primitive な分析エンジンと呼びます
Aggregate 分析エンジン
分析エンジン同士の組み合わせ
XML でエンジン同士の関係を記述して作成する
エンジン同士で連携する場合もあるし、無関係なエンジン同士を同時実行しても良い

データを様々な観点から捉える
文書データの分析では、他の形式のデータを生成する場合がある
例：動画を処理しよう
動画からテキストを抽出して、字幕を作る
字幕に検索インデックスを付ける
動画から音声部分だけ取りだす
…
こういう場合は、単に対象データに注釈を付けるだけでは収まらない
Sofa :
1 つのデータに対し、複数の観点からのデータを追加する仕組み
Structure of Analysis

アーティファクトと Sofa
アーティファクト：分析対象のデータそのもの
Sofa ： CAS の中で、アーティファクトを表すデータ構造
テキスト・配列・ URI の三種類がある
音声や動画などは配列データとして扱う
分析エンジンが作る注釈は、正確には Sofa に対して紐づけられている
CAS テキストの Sofa 今日のあしたの研のテーマは、 Apache UIMA です。 CAS の中には・対象データ (sofa) ・それに紐付いた注釈がある OSS: Apache UIMA

CAS-View
Sofa は分析に従ってどんどん追加出来る
もちろん Sofa を生成するのは、開発者の仕事
追加した Sofa は、他のエンジンからも CAS に見える
これを CAS-View と呼びます
下の例では、翻訳データを作成している
CAS 今日のあしたの研のテーマは、 Apache UIMA です。 OSS: Apache UIMA Today’s theme for Ashita no Ken is Apache UIMA 英訳データの Sofa 他の分析エンジンで、この英文を CAS として処理できる

分析エンジンを使う
エンジンの使い方はいくつかある
附属の開発ツールを使用する
アプリケーションからエンジンを直接初期化し、解析したいデータを渡す
CAS オブジェクトが手に入るので、そこから注釈などを取得して利用する
CPM : Collection Processing Manager
データ収集・出力をプラグインとして管理する仕組み
CPE : Collection Processing Engine を作って CPM に任せる
Collection Reader : 外部から入力を受け取って CAS を作る
CAS Consumer : 生成された CAS を外部に出力する
分析エンジン

分析エンジンを使う (2)
処理の分散化のため、 CPM に代わる仕組みが登場
AS : (UIMA) Asynchronous Scaleout
メッセージキューを使用した、非同期分散処理システム
すみません、今日はそういうものがある、という話だけで…
※ 図は公式ドキュメントより

UIMA がしてくれないこと（再）
UIMA はほんとうに分析しかやってくれない
文書をエンジンに渡して、単語リストを作るところまでが UIMA の仕事
例えば単語 X が含まれた文書はどれ？という処理は開発者の仕事
This is a pen. Collection Reader My 単語抽出エンジン CAS Consumer DB Application UIMA の仕事はここまで-> -> ここからは全て要開発

UIMA との連携
検索エンジン
UIMA が分析した結果を、インデックスに活用する
UIMA は複雑な意味内容を抽出できるので、単なるキーワードエンジン以上の処理が可能
Apache Solr
IBM OmniFinder
UIMA を使用したシステム
公式サイトでいくつか紹介されている
特に自然言語処理系のプロジェクトが多い
UIMA コンポーネントを分析エンジンとして提供する企業もちらほら

まとめ
非構造化テキストを処理するためのフレームワーク
OASIS によって仕様が標準化されている
開発者は、分析アルゴリズムをプラグインとして書く
処理の基本は CAS というデータ形式
Annotation をラベルのように貼りつけていくイメージ
コンポーネント同士は、 XML で記述して組み合わせが可能
UIMA がしてくれるのは、分析結果を作るところまで
分析結果をどう活用するかは、別の話
既存の検索エンジンなどと組み合わせる
分散処理の話や他エンジンとの連携はまた改めて
すみません

Apache UIMA

by あしたのオープンソース研究所　 on Nov 23, 2011

Accessibility

Categories

Upload Details

Usage Rights

2 Embeds 12

Statistics

Apache UIMA — Presentation Transcript

http://a0.twimg.com	11
http://us-w1.rockmelt.com	1

Apache UIMA

by あしたのオープンソース研究所 on Nov 23, 2011

Accessibility

Categories

Upload Details

Usage Rights

2 Embeds 12

Statistics

Apache UIMA — Presentation Transcript

by あしたのオープンソース研究所　 on Nov 23, 2011