Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

先行事例から学ぶ IoT / ビッグデータの始め方

3,735 views

Published on

<AI、IoT、ビッグデータ>といった言葉を聞かない日が無いほど、この分野については注目が集まっています。しかしながら、実際に自社でのこれからの取り組みを考えると、「何から手を付けるべきか見当もつかない」と仰る方が多数いらっしゃる現状があります。本セッションでは、既にこういった取り組みを実現してきた先進活用事例を御紹介しながら、どのように始めるべきかといったポイントを紹介します。

Published in: Business
  • Be the first to comment

先行事例から学ぶ IoT / ビッグデータの始め方

  1. 1. 1© Cloudera, Inc. All rights reserved. 先⾏事例から学ぶ IoT / ビッグデータの始め⽅ 製造業担当 瀧久 寛之(タキヒサ ヒロユキ)
  2. 2. 2© Cloudera, Inc. All rights reserved. ⾃⼰紹介 u 瀧久寛之(タキヒサ ヒロユキ) u 製造業全般及び⼤⼿Webサービス事業者顧客の⼀部を担当する営業
  3. 3. 3© Cloudera, Inc. All rights reserved. IoT / Bigdata 何のためのデータ活⽤か?
  4. 4. 4© Cloudera, Inc. All rights reserved. よく頂くご相談 ü AIを使って、「よしなに」やってくれる仕組みがほしい ü IoTに取り組むよう指⽰があったので、何か良いのない? ü 社内にデータはあるので、コレを活⽤して何かしたい ü とりあえず良くわからないから、「ビッグデータセット」あります?
  5. 5. 5© Cloudera, Inc. All rights reserved. 質問返しで恐縮ですが。。。 データ活⽤のビジネス的な価値・ゴールは何ですか? 【AI/IoT/ビッグデータ/データ活⽤】⾃体が⽬的化していませんか?
  6. 6. 6© Cloudera, Inc. All rights reserved. 散⾒される上⼿くいかない例 nそもそも動向調査に終始していつまでも始まらない Ø他社と抱える課題や状況は同じですか? Ø「ROI」が、やらない理由になっていませんか? n何となく始めたのは良いけれど、上⼿くいかないのですぐ⽌めた Ø簡単に⽬覚ましい成果を得られるケースは多くありません Ø⽌めた結果失われるもの(⼈的資源・知識・技術)もあります n社内に分析の知識・経験がある⼈材が少ないので、外部に依頼してみた Ø⼤企業で多いケースですが、上⼿く⾏かないケースも多いそうです Øデータの持つ意味合いを理解できる業務知識が重要
  7. 7. 7© Cloudera, Inc. All rights reserved. データをビジネスに活⽤する流れ
  8. 8. 8© Cloudera, Inc. All rights reserved. 我々が⽇々お伝えしているメッセージ n まず、データを使って解決したい問題を⼀緒に考えてみませんか? Ø「実現したいこと、解決したい課題」を洗い出す n その問題解決に、活⽤できるデータは持っていませんか? Ø 解決したい問題と、持っている&使えるデータの照らし合わせ n ひとまず⼿を動かしてみませんか? Ø やってみないと腑に落ちないことが沢⼭あります n ⼩さな成功体験を積み重ねることの重要性 Ø 世の中で宣伝される華々しい事例の裏側
  9. 9. 9© Cloudera, Inc. All rights reserved. データ活⽤のトレンド・実態について
  10. 10. 10© Cloudera, Inc. All rights reserved. <AI>という素敵な響き 現在AIと呼ばれているものは、 機械学習やそれにつらなるもの が⼤半で、⼀般にイメージされる ものとは⼤きく異る 全て「よしなに」やってくれる 素敵なAI(⼈⼯知能)はまだない 話す⼈によって⼤きく期待値が変わります (明確な定義もない) まずは現実に向き合いましょう
  11. 11. 11© Cloudera, Inc. All rights reserved. 機械学習って具体的には? <機械学習の出来ること> ⾮常にざっくりとした分類では • 分類/認識 (⽂字・⾳声・画像など) • 数値の予測 ※勿論組み合わせたものも多い 既存のテクノロジーとの⼤きな違いは、 上記のような取り組みを休むこと無く、 精度を上げながら回し続けられること。 ※アルゴリズムの変更が不要という意味ではない
  12. 12. 12© Cloudera, Inc. All rights reserved. データサイエンティストという存在 http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram <2010年に発表された有名な図> •ITスキル •深い(業務)知識 •統計数学的な知識 この3つを兼ね備えたのが 【データサイエンティスト】と 呼ばれる⼈材である、と定義されて います。
  13. 13. 13© Cloudera, Inc. All rights reserved. 社内にデータサイエンティストはいますか? ⼀⼈の英雄を求めるのではなく、様々な部署の様々な⼈が 役割を分担しつつ、連携しながら取り組むチームプレーが必要
  14. 14. 14© Cloudera, Inc. All rights reserved. この状況は⽇本特有のもの?
  15. 15. 15© Cloudera, Inc. All rights reserved. 誰がデータを分析・活⽤するの? あなた(のいる会社)です
  16. 16. 16© Cloudera, Inc. All rights reserved. 分析する⼈がデータの意味について 正しく理解できていなければ、結果は全く役に⽴たない
  17. 17. 17© Cloudera, Inc. All rights reserved. データ活⽤にチームプレーが必要な理由 n ビジネス部⾨の⼈が居ない場合… Ø そもそもの問題設定を間違えてしまう Ø 解決の⽷⼝に繋がりやすい普段の取り組み・経験・問題意識を活⽤できない Ø 取り組みに⾃体に理解を得られず、反発を受ける・反感を買う n ITスキルのある⼈が居ない場合… Ø システム化・実装のハードル Ø 最適な道具の選択を誤る可能性 n 統計数学的な知識がある⼈が居ない場合… Ø 意味や背景を理解しないまま、適当に道具を組み合わせると、 それらしい結果が出て、信憑性を判断できない・誤った分析で判断・実⾏する ※全てを⾃前(インハウス)で賄うことは難しいケースがありますが、 最も⽋かしてはならないのは、ビジネス部⾨のコミットです。
  18. 18. 18© Cloudera, Inc. All rights reserved. アメリカで感じた「話すことは⼀緒だな」、という話 ビジネス上の課題に始まり、データ を活⽤して得た知⾒を基に、実⾏に 移すサイクルを回すことの重要性 実は、このサイクルを回す上で、 最も時間を要するのはデータへの アクセス・加⼯プロセスであること
  19. 19. 19© Cloudera, Inc. All rights reserved. ストレージ? マート? レイク? そのデータは、誰が何のために保存するのでしょう? u ストレージ:データ(ファイル・データベース)の保管場所 u データマート:予め分析⽬的・要件に則して設計されている u データレイク:データをそのまま蓄積し、分析するときに必要な形式に変換 データマート データレイク 主なデータ形式 構造化データ 構造化データ・⾮構造化データ データ保存の⼿法 RDBMS NoSQL データの構造 先に定義する 後から必要な形式を定める
  20. 20. 20© Cloudera, Inc. All rights reserved. データ活⽤スタイルの変化 これまで = データを処理へ送る 最近のトレンド = 処理をデータに送る データ データのある場所で試 ⾏錯誤しながら、最適 な分析、モデルの作成 を⾏う 利⽤するデータは、分 析によってマチマチ 処理 データ 処理 処理 処理 処理 処理 データ データ データ 予め定められた処理 フローにデータを流 し込む 主に構造化データ ⼀部の主要のみ 定型レポーティング
  21. 21. 21© Cloudera, Inc. All rights reserved. 解決したい問題は多種多様 既存のデータ SNS・テキストデータ センサー/ログデータ 情報システム部 工場・研究部門 マーケティング部
  22. 22. 22© Cloudera, Inc. All rights reserved. データレイク・分析基盤を持つ意味 Ø データ活⽤の準備を整える ü 欲しいデータの場所を探す時間を省略する、無いデータを明らかにする ü データの『オーナー』を煩わせない、活⽤⽂化の阻害要因を無くす ü 同僚の過去の労⼒・成果を上⼿く活⽤して、その発展に注⼒できる ü ⼤量のデータが必要になる機械学習への下準備
  23. 23. 23© Cloudera, Inc. All rights reserved. 我々の提供する価値について
  24. 24. 24© Cloudera, Inc. All rights reserved. Clouderaの提供する機能と役割の概要図
  25. 25. 25© Cloudera, Inc. All rights reserved. ビッグデータプラットフォームとしての進化 ビッグデータ・機会学習プラットフォームとして、様々な⽤途に対応 そして、全てをCloudで簡単に利⽤できる世界へ(順次展開中)
  26. 26. 26© Cloudera, Inc. All rights reserved. Clouderaで作るデータプラットフォーム IoT データ分析 ⼤規模 バッチ処理 データ サイエンス カスタマー360 DWHオフロード 機械学習 プラットフォームCloudera Enterprise クラスタ管理 Cloudera Manager クラウド管理 Cloudera Director セキュリティと データ管理 Cloudera Navigator Data Science Workbench Spark MLlib Spark Hive Impala Navigator Optimizer Kudu HBase Kafka Spark Streaming サイバー セキュリティ メインフレーム オフロード
  27. 27. 27© Cloudera, Inc. All rights reserved. 弊社顧客のデータ活⽤事例について
  28. 28. 28© Cloudera, Inc. All rights reserved. 様々な業界でのデータ活⽤事例及びテーマ Finance Government Telecom Manufacturing Energy Healthcare 不正検知 科学研究 ブロードキャスト モニタリング サプライチェーンの 最適化 天然資源の最適化 製薬の開発 アンチ- マネーロンダリング タックス コンプライアンス 解約防⽌ 故障予測 地震データの処理 ゲノム解析 リスクマネジメント トラフィックの 最適化 宣伝広告の最適化 RFIDデータの 収集 スマートメーターの 分析 臨床品質 コスト分析 共通するテーマ 感情分析 Webアプリケーションの最適化 ソーシャルCRM / ネットワーク分析 ロイヤリティ / プロモーション分析 ERP 価格の最適化 マーケティング施策の最適化 内部リスクのアセスメント 収益保証 ブランド管理 物流の最適化 ITインフラの分析 法的ディスカバリー 企業内での検索 機器の監視
  29. 29. 29© Cloudera, Inc. All rights reserved. Cloudera データの⼊⼒・下処理・活⽤サイクル
  30. 30. 30© Cloudera, Inc. All rights reserved. 3種類の機器設備保守アプローチ 修理型メンテナンス • 損傷⼜は故障が発⽣してか ら保守作業を実⾏する • 対処型対応 予防型メンテナンス • 状態に関係なく⼀連の保守 作業を実⾏する • ルール型対応 予測型メンテナンス • 継続的な監視による、異常 を検知した場合の保守作業 の実施 • 予測型対応 Business Value REACTIVE PROACTIVE 多くの組織で現状⾏われて いるのは、この組み合わせ
  31. 31. 31© Cloudera, Inc. All rights reserved. 予測型メンテナンスの基礎 Predictive Preventative • センサーは絶え間なく、温 度・圧⼒・振動などの主要な 項⽬を監視し続ける • 機械学習を活⽤することで、 異常や、故障につながる⼀連 のデータを検出する • 初期障害の兆候が検出された ら、即時対応する • そうすることで、修理に伴う 時間やコストを抑える
  32. 32. 32© Cloudera, Inc. All rights reserved. 世界中の顧客から定期的な診断データを受領し、 分析を⾏うことで、約15%の障害発⽣を未然に防⽌ PaaSサービス(Altus)では、同様の仕組みから更に前 進し、失敗したJobの致命的な原因や、パフォーマンス のボトルネックを明⽰する機能を実装し、顧客の早期問 題解決を実現する仕組みを実装 顧客から⾃動的に送信される診断データを⾃社分析基盤 へ蓄積し、過去の重⼤障害と同じログを⾒つけた場合に は、⾃動的に対応策を記載した通知を顧客へ送付する (Proactive Support)ことで、障害発⽣を未然に防⽌
  33. 33. 33© Cloudera, Inc. All rights reserved. ⼤型機器(タービン)の予兆保全 : • ノイズレベル情報を収集、保存、 分析してタービンの異常を検知 ソリューション: • タービンからの⾳響データ/オーディ オ をリアルタイムに収集しCloudera プラットフォーム上で分析を実施 • タービンの健全性診断ソリューショ ンと組み合わせて、健全性の監視と 障害の予知を実施 産業IoT – 予兆保全
  34. 34. 34© Cloudera, Inc. All rights reserved. リアルタイムでの産業機械を予知保全 チャレンジ: • 数千台にも及ぶ様々な製造機器やシス テムからのデータを収集し分析する必 要がある ソリューション: • Azure上のClouderaを利⽤したiTrakア プリケーションで、個々の製造システ ムのパフォーマンスをリアルタイムに 監視 • 予知保全 - 問題が発⽣する前に、問題 の兆候を特定し修正 産業IoT – 予兆保全
  35. 35. 35© Cloudera, Inc. All rights reserved. データ量の増加に伴うシステム再構築 チャレンジ: 顧客/データ量の増加(⽉間30TB)に 伴うシステム再構築 ソリューション: • 世界中のデータを収集・蓄積・処理を 統合した、IoT分析プラットフォーム をクラウド上(Azure)に作成 • データ管理の統合、機械学習モデルの 作成 • 既存技術と⽐較して、⼤幅なコストの 削減を実現 産業IoT – IoT分析のコスト最適化
  36. 36. 36© Cloudera, Inc. All rights reserved. データ量の増加に伴うシステム再構築 チャレンジ: 研究や製品開発に直結した、ユーザーの インタラクション情報の分析 ソリューション: • コンテンツの共有が新規購買を促進す るサイクルになっていることから、 コンテンツのアップロードを促進する 機能及び使⽤パターンを分析して、新 製品の開発に活⽤ • 製品ログ、SNS/Webログなど、 データを分析することで、顧客が ⾃社製品をどのように使⽤しているか を理解する 産業IoT – 研究・製品開発への活⽤
  37. 37. 37© Cloudera, Inc. All rights reserved. ⾼度なトラッキングシステムの実現 チャレンジ: プロセス横断型システムによる、早期の 不良品特定を実現 ソリューション: • サプライヤー、製造現場、コールセン ター、修理窓⼝からのデータを集約 • ほぼリアルタイムで問題点を特定する ことが可能となり、顧客体験を改善 • シーメンスの顧客は年15-25百万ドル のサポートコストを節約 統合データ分析 – 不良品特定の⾼速化
  38. 38. 38© Cloudera, Inc. All rights reserved. まとめ
  39. 39. 39© Cloudera, Inc. All rights reserved. まとめ u まず、データを使って解決したい課題を明確にしましょう u 関係者を巻き込んで、活⽤サイクルを回せる体制を作りましょう u 蓄積されている&活⽤できるデータと、課題を整理しましょう u 実験と⼩さな成功体験を積み重ねましょう Clouderaはそんなお客様(パートナー様)の 取り組みを全⼒でバックアップします
  40. 40. 40© Cloudera, Inc. All rights reserved. Thank you ご清聴ありがとうございました htakihisa@cloudera.com
  41. 41. 41© Cloudera, Inc. All rights reserved. Data-driven journey BUSINESS VALUEUSECASETYPES SIMPLE VISIBILITY SELF-SERVICE BUSINESS TRANSFORMATION COMPLEX STRATEGICTACTICAL
  42. 42. 42© Cloudera, Inc. All rights reserved. 5 keys to success 1) Build a data-driven culture 2) Develop the right team and skills 3) Be agile/lean in development 4) Leverage DevOps for production 5) Right-size data governance 42© Cloudera, Inc. All rights reserved.

×