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.

トレLABO1_マイクロソフトが考えるAI活用のロードマップ

762 views

Published on

トレLABO1_マイクロソフトが考えるAI活用のロードマップ

Published in: Engineering
  • Be the first to comment

トレLABO1_マイクロソフトが考えるAI活用のロードマップ

  1. 1. Microsoft の Deep Learning への貢献
  2. 2. © 2017 Ebiya Ltd. All rights reserved. 商店 大食堂 © 2018 Ebiya Ltd. All rights reserved AI活用で生まれ変わったゑびや POINT
  3. 3. © 2017 Ebiya Ltd. All rights reserved. 画像解析AI(AZURE Cognitive Services) 来客予測AI(AZURE Machine Learning)
  4. 4. © 2017 Ebiya Ltd. All rights reserved. “お客様の幸せ” ゑびやは自社の製品/サービスを通じて、 お客様の貴重な時間を楽しい時間へと変換します。 時間というキーワード最重要視してビジネスを構築。 AfterBefore お昼時間の集中時注文が殺到 料理提供までに最大45分必要性 クレーム多数 クレームが少ない日はスタッフが 今日もクレームがなくて良かったなど 常にNegative Thinking状態 解決手法 1,事前に注文されるメニューを把握 2,時間別の来客数を把握 機械学習を用いて来客予測を作る お昼時間の集中時注文が殺到 提供メニューの事前準備&オペレーション構築 10分〜15分で料理提供が可能、 時間クレームが皆無へ
  5. 5. © 2017 Ebiya Ltd. All rights reserved. AfterBefore 生産者や問屋を叩き安く仕入れる 安かろう悪かろうで良い食材が入らない。 利益率は高いが顧客満足度が低い 店舗となる。食べログ2.86 解決手法 1日の来客数を予測し、販売数も予測 機械学習を用いて販売予測を作る 食材ロスを減らしロス見込み分を 仕入れ予算に組み込む 良い食材を回していただけるようになる。 良い食材=お美味しい料理=顧客満足が高 いい店舗となる。食べログ3.54 “取引業者さまの幸せ” ゑびやは仕入れの際、無理な値下げ交渉は一切せず、 作り手の価値を理解し、適正価格での取引を行う。
  6. 6. © 2017 Ebiya Ltd. All rights reserved.© 2017 Ebiya Ltd. All rights reserved. “誰でも見るだけで理解できるBIを開発中”
  7. 7. © 2017 Ebiya Ltd. All rights reserved. 来客予測式の効果 業務効率と収益率をあげて、 未来への投資や賃金上昇、休暇の付与に繋げる 炊飯残量:2升(3kg)以下へ 料理提供:5分〜15分 炊飯残量:4.5升(6.75kg) 料理提供:15分〜40分 人員:アイドルタイム30分 人員:他部門への応援 事前準備:なし(定量準備) 事前準備:あり(データに基づく) 広告:広告効果測定なし 広告:予測値との乖離から効果を測定 仕入:ロスを覚悟の仕入れ 仕入:ロスなし仕入れ Before(~2016年) After
  8. 8. © 2017 Ebiya Ltd. All rights reserved. 観光予報プラットフォーム大賞受賞
  9. 9. © 2017 Ebiya Ltd. All rights reserved. 入店人数のカウント 通行人数のカウント 性別年齢のカウント 入店人数のカウント 通行客数属性 + 入店客属性 = 1、自社の顧客属性を知る。 2、通行客属性と入店属性の乖離を見る。 3、入店率から店頭ディスプレイの 効果検証を行う。 “ ”お店の実力を知る ゑびやAI導入きっかけ2
  10. 10. © 2017 Ebiya Ltd. All rights reserved. 入店人数のカウント 通行人数のカウント 性別年齢のカウント 入店人数のカウント “定点カメラにて通行者数/入店数” 【左】通行客数 身長と人数 【中】画像解析AI Cognitive Services 【右】画像解析AI 拡大図 (弊社社員29歳)
  11. 11. © 2017 Ebiya Ltd. All rights reserved. Before After 肌感覚 根拠ありき 効果不測定 効果の見える化 不透明感 透明感 なんとなく感 現状と対策 入店率、購買率、属性などの顧客データが必要 “リアル店舗を ECのように根拠ある商売に変える。”
  12. 12. © 2017 Ebiya Ltd. All rights reserved. 店頭入口の商品陳列を「幸せ度」で検討 入店人数のカウント レジ通過のカウント 購買率 算出 幸福度測定 目玉商品の購買数 1 位 2 位 3 位 “個客の購買動向&属性を取得する ”
  13. 13. © 2017 Ebiya Ltd. All rights reserved. 入店率15.78% 購買率26.9% 女性比率 56.8% 客単価1,046円 (2017/9/1~9/30) 入店率9.63% 購買率22.6% 女性比率 53.6% 客単価1,413円 (2017/10/1~11/22) 入店率13.17% 購買率20.9% 女性比率 57.9% 客単価1,593円 (2017/11/23~12/15) A B C “画像解析AIを元にA/B分析” A B C 夏の「A」のディスプレイ入店率がよく 秋に「C」ディスプレイを検討し、冬に設置 夏ディスプレイに近い入店率を獲得 前年売上対比80%増(C期間)
  14. 14. © 2017 Ebiya Ltd. All rights reserved. 入店率15.78% 購買率26.9% 女性比率 56.8% 客単価1,046円 (2017/9/1~9/30) 入店率9.63% 購買率22.6% 女性比率 53.6% 客単価1,413円 (2017/10/1~11/22) 入店率13.17% 購買率20.9% 女性比率 57.9% 客単価1,593円 (2017/11/23~12/15) A夏ディスプレイ B秋ディスプレイ C冬ディスプレイ “画像解析AIを元に設備投資を検討” A B C 冬に向けてディスプレイを製作するいくらの予算がよいか? (仮定:通行客数客数が10,000名/日) 入店率A-B=6.15%のAディスプレイ入店押し上げ効果と仮定 ディスプレイ有無で日当たりの入店者数615名差 (615名×購買率22.6%) ×客単価1200円×利益率45% =75,000円の粗利 30日回収とすると 2,250,000円の予算で冬ディスプレイを製作する。 ここの 意思決定
  15. 15. #dllab 北海道大学大学院 工学研究院工学系研究教育センター様 大学院後期課程の授業の eラーニング化への先進的な取り組み 遠隔地の社会人大学院生の受講支援として、授業を録画して配信 外国人留学生の学習支援のために、コンテンツに日本語や英語の字幕を入れることも コンテンツ総数 1600件以上 総再生時間 / 約2400時間 110科目 147単位分 これまでの配信方法 Moodle 上に 教材を配置 オンプレのストリーミングサーバーを利用 字幕はアルバイトや職員が作成 翻訳は外注等で賄っていた
  16. 16. #dllab 90分のコンテンツ 現状 導入後 字幕起こし費用 最低15,000円? 平均153円 字幕起こし時間 900分? 平均30分 字幕翻訳費用 20,000円? <50円 字幕翻訳期間 15~20日? 平均20分 1/100 1/30 1/400 1/1080
  17. 17. 機械学習(深層学習含む)のライフサイクル 運用(推論) データの準備 アノテーション モデル構築・学習
  18. 18. Cognitive Services
  19. 19. http://www.visionaidevkit.com
  20. 20. ● 0.1mm以下の微細なキズも検知 ● 人間の評価基準に合わせて判定条件を調整可能 ● キズ・汚れの詳細な教示が不要なので楽々立ち上げ ● 判定結果に加えてキズ・汚れ位置の推定結果を表示 ディープラーニング技術を活用した 製品不良検査システム
  21. 21. 検知結果例 キズ 汚れ 異物
  22. 22. ● クラウド移行による 高負荷時の安定稼働 ● Microsoftのサポートにより、 短期間でインフラ移行 ● 「自動スケール」により 運用コストが1/4に PaintsChainer AIによる線画自動着色サービス https://paintschainer.preferred.tech/ イラスト@cotubuuuun
  23. 23. 推論 デプロイメント データの準備 アノテーション モデル構築・学習 ここは世界中の研究者が 論文として発表。基本的に、 GitHubで公開される。 それを利活用すべし どんなデータを整備するか 企業内のデータ利活用 戦略が競争力の源泉 ビジネスにインパクトがある 領域の特定、そのための 機械学習利活用
  24. 24. Kepler (2012) Maxwell (2014) Pascal (2016) Volta (2017) GeForceゲーミング Quadro プロフェッショナル グラフィックス M40 M6000K6000 GTX 980 GTX 780 HPC 用 GRID 用 K80 DL 用 M60 GP100P5000 K2 K1 GTX 1080 TITAN X V100データセンタ & クラウド Tesla P40 P100 P6 TITAN V Fermi (2010) M2070 6000 GTX 580 P4 GV100 M6 M10 NC NCv2 NCv3ND NV
  25. 25. 42 Azure Amazon Google IDCF Sakura Gen Kepler Pascal Volta Kepler Volta Kepler Pascal Pascal Pascal GPU K80 x 1 P100 x 1 V100 x 1 K80 x 1 V100 x 1 K80 x 1 P100 x 1 P100 x 1 P100 x 1 CPU Core 6 6 12/1- 4 8 *** *** 56 8 RAM 56GB 112GB 12/1- 61GB 61GB *** *** 256GB 128GB Cost / Hour $0.9 $2.07 $3.06 $0.9 Preview $0.45 $1.46 $3.94 $3.19
  26. 26. GPU 構成済みの環境 データサイエンス & モデリング、開発、展開 データサイエンス 仮想マシン (DSVM)
  27. 27. ②クラスター(Ubuntu / データサイエンスVM)の作成 ①ストレージの作成 ③ジョブ投入
  28. 28. Azure Platform Services Containers + Serverless
  29. 29. Bringing the best of AI to Azure and the best of Azure to AI Microsoft AI Platform AI Services AI Infrastructure AI Tools PRE-BUILT AI CONVERSATIONAL AI CUSTOM AI Cognitive Services Bot Framework Azure Machine Learning AI ON DATA AI COMPUTE Data Lake SQL Server Cosmos DB Spark DSVM Batch AI AkS Azure ML Studio Azure ML workbench VS Tools for AI/AML DEEP LEARNING FRAMEWORKS Cognitive Toolkit TensorFlow Chainer Others (Azure Notebooks, Pycharm…) Others (Scikit-learn, Keras, PyTorch, MxNet, Caffe…) CODING AND MANAGEMENT TOOLS IoT AI SILICON
  30. 30. TABLE
  31. 31. © 2017 Ebiya Ltd. All rights reserved.
  32. 32. 深層学習ソリューション開発 Chainer / Partner Solution / Microsoft Azure を組み合わせて、深層学習の 実用化を推進 Deep Learning Lab 深層学習 開発事例や最新技術動向を 情報発信するコミュニティ PFN x MS 認定トレーニング 3 年間で 5 万人 深層学習人材育成
  33. 33. 深層学習の事例や利活用方法を学べる勉強会 を毎月開催、オンライン配信あり 深層学習 PJ 推進に必要なビジネスマンや エンジニア育成講座を全国展開 実績のある深層学習関連 企業との共同 PJや 分科会活動を推進する機会の提供 目的 人工知能や深層学習の実社会での活用を推進 知る 学ぶ 使う 3 つ の 機 能
  34. 34. 福岡 大阪 広島 名古屋 東京 札幌 https://dllab.connpass.com/ http://dllab.ai/dllab-day-2018/reports/
  35. 35. CommunityEvent 8/24 推論ナイト 9/21 DLLAB Case Study Day 10/26 学習ナイト(仮) 12/14 3/** 6/** DLLAB DAYS Business Engineer 1/** TBD 4/** TBD SubComitteeTech 7/13 Osaka 7/30 Hiroshima 9/8 Classification 8/10 Retail AI/POS Databricks 8/24 9月の会がうまくいくようであれば、12月3月も継続実施 10/13,14 Fukuoka
  36. 36. 全国 5 都市(東京・大阪・名古屋・札幌・福岡) 330 名
  37. 37. こんな実用的な セミナーを 待ってました!

×