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.

[Japan Tech summit 2017] MAI 003

639 views

Published on

[Japan Tech summit 2017] MAI 003 セッション資料

Published in: Technology
  • Be the first to comment

[Japan Tech summit 2017] MAI 003

  1. 1. Microsoft Tech Summit 2017本情報の内容(添付文書、リンク先などを含む)は、Microsoft Tech Summit 2017 開催日(2017 年 11 月 8日 - 9 日)時点のものであり、予告なく変更される場合があります。
  2. 2. まずはじめに
  3. 3. Azure Machine Learning Studio
  4. 4. もっと早いマシンを使いたい Web Serviceにしかデプロイできない
  5. 5. もっと早いマシンを使いたい Web Serviceにしかデプロイできない どの環境でも学習 どこでもデプロイ コードでごりごり全フレームワーク
  6. 6. どの環境でも学習 どこでもデプロイ コードでごりごり全フレームワーク
  7. 7. Azure Machine Learning Workbench A Z U R E M A C H I N E L E A R N I N G S E R V I C E S VM (CPU/GPU) Spark Container Services SQL Server ML Server ON-PREMISES EDGE Azure IoT Edge 学習とデプロイの選択肢 AZURE 学習履歴 & モデル管理 サービス
  8. 8. どの環境でも学習 どこでもデプロイ コードでごりごり全フレームワーク
  9. 9. 言語 任意のフレームワークまたはライブラリに対応 使い慣れたツール
  10. 10. St George Island
  11. 11. 学習ごとの履歴を管理学習履歴管理 サービス
  12. 12. デプロイ&運用データの準備 モデルの学習
  13. 13. デプロイ&運用データの準備 モデルの学習 Experimentation Service Model Management Service Azure Machine Learning Workbench
  14. 14. デプロイ&運用データの準備 モデルの学習 Experimentation Service Model Management Service Azure Machine Learning Workbench
  15. 15. デプロイ&運用データの準備 モデルの学習
  16. 16. データの準備
  17. 17. 192.128.138.20 - - [16/Oct/2016 16:22:33 -0200] "GET /images/picture.gif HTTP/1.1" 234 343 www.yahoo.com "http://www.example.com/" "Mozilla/4.0 (compatible; MSIE 4)" "-" log1 log2 log3 log4 log5 log6 log7 192.128.138.20 16/Oct/2016 16:22:33 -0200 GET images/picture.gif HTTP IIS ログ
  18. 18. デプロイ&運用データの準備 モデルの学習
  19. 19. モデルの学習
  20. 20. Local machine Data Science VM (CPU / GPU) Spark on HDInsight Azure Batch AI (Coming Soon) ML Server 学習用の環境を自由に選べます Workbench DOCKER 学習履歴管理サービス
  21. 21. 学習履歴管理サービス # Import Azure ML Logger library from azureml.logging import get_azureml_logger # Create a new instance of the logger run_logger = get_azureml_logger() # log a value run_logger.log("key", value)
  22. 22. デプロイ&運用データの準備 モデルの学習
  23. 23. デプロイ&運用
  24. 24. DOCKER VM (CPU/GPU) Azure Container Service Azure IoT Edge (Coming Soon) Microsoft ML Server Spark clusters どこでもデプロイ AZURE ML Services モデル管理 サービス
  25. 25. Model Manifest Image Service バージョン管理を サポート ロールバックが可能
  26. 26. GUI でのドラッグ & ドロップ コードファースト
  27. 27. どの環境でも学習 どこでもデプロイ コードでごりごり全フレームワーク
  28. 28. デプロイ&運用データの準備 モデルの学習
  29. 29. Microsoft Tech Summit 2017本情報の内容(添付文書、リンク先などを含む)は、Microsoft Tech Summit 2017 開催日(2017 年 11 月 8日 - 9 日)時点のものであり、予告なく変更される場合があります。
  30. 30. Session ID Title Time HOL007 Azure Machine Learning で始める データ分析の第一歩 Day2 15:10 – 16:00 MAI004 AI ディープ ラーニング入門 Day2 09:00 – 09:50 MAI001 ディープラーニングの産業応用とそれを支える技術 Day1 13:55 – 14:45
  31. 31. Session ID Title Time HOL007 Azure Machine Learning で始める データ分析の第一歩 Day2 15:10 – 16:00 MAI004 AI ディープ ラーニング入門 Day2 09:00 – 09:50 MAI001 ディープラーニングの産業応用とそれを支える技術 Day1 13:55 – 14:45
  32. 32. ■  http://aka.ms/mina-ai ■  http://aka.ms/psdc-ai   https://azure.microsoft.com/en-us/overview/machine-learning   http://aka.ms/aml_deep_dive
  33. 33. ➢ Data store - File system - Azure Blob - SQL Database ➢ File Types - Delimited Files (CSV, TSV, TXT) - Fixed Width - Plain Text - Excel - Json - Parquet ➢ Sampling Strategy - Top N - Random N - Full file - Random % Ingest and sample
  34. 34. Understanding Data
  35. 35. Inspectors ➢ Column statistics : Numeric ➢ Histogram ➢ Value Counts ➢ Box Plot ➢ Scatter Plot ➢ Time Series ➢ Map
  36. 36. AI Powered Spreadsheets
  37. 37. Transparent compute
  38. 38. コラボレーションと Git ➢ 再現性 = 各実験提出時の git コミット ➢ 各実験の実施はコミットであるため、特定の時点 のプロジェクトに復元できる VSTS アカウント AML の実験アカウント VSTS プロジェクト ワーク Git リポジト リ Git リポジト リ Git リポジト リ AML プロジェク ト AML プロジェク ト AML プロジェク ト ユーザーが両方の場所で アクセス許可を必要とする
  39. 39. Microsoft ML Spark CNTK Java Bindings OpenCV Java Bindings Spark core Scala API PySpark wrappers Wrapper generation Pre-trained DNN models
  40. 40. Notebook integration
  41. 41. Promote & download # setup environment az ml env setup -l <location> -n <environment name> # set environment az ml env set -g <resource-group> -n <environment name> # Create modelmanagement account az ml account modelmanagement create --name <modelmanagement name> --resource-group <resource-group> --location <region> # deploy model az ml service create realtime -m <path to .link file> -f <scoring script> -r <runtime (spark-py|python)> –n <webservice name>

×