3. 不正検知
機器予防保全
顧客属性分類 レコメンデーション
医療診断株式取引

4. モデル
学習 データを使ってモデルを教育すること
モデルの出来を精度から測ってあげること評価

5. 目標
設定
データ
収集
事前
加工
モデル
学習
モデル
評価
API
発行
導入

6. プロダクト導入までの壁が多い
一般的な機械学習での悩み
頻繁なコードの
書き換えが煩雑
環境構築が
手間だ
モデルの
システム導入への手間

7. Azure Machine Learning

8. 生活リズムの
色分け表示
各種統計
グラフ表示
空腹・オムツ替
の予測通知
新生児を育てるママの
10人に1人が
ダウンロード

9. さらにコストを削減するために
MLした結果を元にロジックを
Mobile Appsへ展開

10. お客様からの言葉 ～ Azure ML 採用による効果
「解析回数を大幅に増やすことができ、求めるクオリティレベルの
結果を得られた。
解析スクリプトの自社開発を検討していたが、
リソース的に困難であり Azure ML がなければ
実現できていなかった。
同レベルの解析回数を実施しての最適化は工数的に
想像できないレベル。」

11. 目標
設定
データ
収集
事前
加工
モデル
学習
モデル
評価
API
発行導入

13. 分類回帰

14. 分類回帰

15. https://aka.ms/tameso

16. 需要

18. Input data
Data Transformation
Train Model
Algorithm Split Data
Score Model
Evaluate Model

19. より機械が判別しやすい意味ある値に落とし込む
直近にレンタルされた台数
1時間前は？
2時間前は？
・・・
12時間前は？

21. 分類回帰

22. 分類回帰

25. % mecab -O wakati
私の名前は藤本です
↓
私 の 名前 は 藤本 です

26. 機械が活用できるデータに落とし込む
Feature Engineering

28. Deep Learning
得意分野
画像認識
音声認識

31. Face
Computer
Vision
Emotion
Video

32. A GOAL WITHOUT
A PLAN IS
JUST A WISH
Analyze image
OCR
Smart thumbnail
Category People; 1 face found
Adult False
Black & White? No
Dominant colors
Accent color

34. https://aka.ms/cvapi

35. "faceId": "48cdf8c8-841c-4d33-b875-1710a3fc6542",
"faceRectangle": {
“width”: 228,“height”: 228, "left": 460,"top": 125
},
"faceAttributes": {
"age": 23.5,"gender": "female",
"headPose": {"roll": -16.5,"yaw": 22.1,"pitch": 0},
"smile": 0.998,
"facialHair": {"moustache": 0,"beard": 0,"sideburns": 0},
"glasses": "ReadingGlasses"
}
Detection Result
Grouping
Identity

36. Demo
How-Old.net

37. Face
Computer
Vision
Emotion
Video

38. 8

41. Emotion API 必要コード量

43. Speaker
Recognition
Custom
Recognition
Bing Speech

44. Conversion
Convert text to spoken audio

46. スペシャルゲスト
伊藤直也氏、及川卓也氏、篠田庸介氏
Connect();2016 基調講演ライブ中継！
2016/11/16 23:30~
http://microsoft-japan-events.azurewebsites.net/2016/connect/