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.

LiBRA 09.2020 / 総集編 2/2

448 views

Published on

https://libra.netcommerce.co.jp/

Published in: Technology
  • Be the first to comment

  • Be the first to like this

LiBRA 09.2020 / 総集編 2/2

  1. 1. ビジネス・プロフェッショナルのための 最新ITトレンド 2020年9月 未来を創るために知っておきたいITの常識 2/2
  2. 2. 新たなビジネス基盤となるIoT モノのインターネット/Internet of Things
  3. 3. IoTとは何か
  4. 4. IoTの定義とビジネス アナログな現実世界のものごとやできごとを デジタル・データで捉えデジタル・ツインを作る デジタルとフィジカルが一体となって 高速に改善活動を繰り返す状態を実現 最適解の導出 機械学習・シミュレーション アプリケーション データ収集 機器制御・指示命令・情報提供 など サービス利用 現実世界 デジタル・ツイン 狭義のIoT 広義のIoT システム構築ビジネス サービス提供ビジネス
  5. 5. 広義のIoTによってもたらされる5つの価値 5 ビッグデータ 見える化 制御 自律化 連係 拡張 過去・現在・未来が 事実・データに基づき 分かりやすく表現される モノ同士、サービスや アプリーション同士が 相互に連携する モノが独自にデータから学習/判断し 外部からの制御なく自律して動作する 遠隔であっても 外部(人間/サービスやアプリケーション) から命令されて動作する モノ単体ではできない 強力な処理能力や データ蓄積能力など の機能や性能を 持つことができる 機械学習 アプリケーション サービス クラウド
  6. 6. 社会基盤のシフト 「モノ」の価値のシフト IoTがもたらす2つのパラダイムシフト 1. 現実世界のデジタル・データ化 2. ビッグデータを使ったシミュレーション 3. 現実世界へのフィードバック 1. 「ハード+ソフト」がネットワーク接続 2. モノとクラウド・サービスが一体化 3. システム全体で価値を生成 ハードウェア ソフトウェア ハードウェア モノの価値は、 ハードウェアからソフトウェアへ そしてサービスへとシフト アナリティクス 人工知能+シミュレーション アプリケーション クラウド・サービス ビッグデータ 現実世界のデジタルコピー 現実世界のデジタルデータ化 IoT デジタル・ツインの実現 「モノ」のサービス化 インターネット クラウド・サービス CPS:Cyber-Physical System
  7. 7. 電脳世界 (Cyber World) 現実世界 (Physical World) デジタルツイン ビッグデータ センサ データ 最適解 制御 Cyber-Physical System 圧 力 ひずみ 振 動 重 量 電 流 ・・・ シミュレーション 現実世界をデジタルで再現し 条件を変えて実験を繰り返し 最適解を見つけ出す 変更や変化に即応して 最適状態・動きを実現 データ解析
  8. 8. 「モノ」のサービス化 モノの価値は、 ハードウェアからソフトウェアへ、 そしてサービスへとシフト ハードウェア ソフトウェア サービス 機能・性能を随時更新可能 機能・性能の固定化 機能・性能を継続的更新可能 モノの価値を評価する基準がシフト
  9. 9. ソフトウェア化するモノ 9 物理的・物質的なモノでしか実現できない部分 プログラムで制御または実現できる機能・性能  レンズ  シャッター  ボディなど  タイヤ  エンジン  車体など  機体・翼  ジェット・エンジン  燃料タンクなど  シャッタースピード  発色・感度  フォーカスなど  ブレーキ・タイミング  エンジン制御  機器のオンオフなど  姿勢や方向の制御  エンジンの制御  機内環境の制御など ソ フ ト ウ ェ ア ハ ー ド ウ ェ ア  製造コストの低減  故障要因の低減  保守容易性の実現 できるだけ シンプルに  開発コストの低減  高機能化のしやすさ  保守容易性の実現 できるだけ 多機能に IoT化 通信機能を組み込み インターネットにつ なげることでモノを サービス化する モジュラー化 機能を標準化・部品 化することで、生産 コストの低減と保守 性を向上させる
  10. 10. 「モノ」のサービス化 10 ダグラスDC7(1953) ボーイング787(2011) (グラス・コックピット) ハードウェア ソフトウェアハードウェア 遠隔からの保守点検、修理、自律化機能による自己点検や修復 ソフトウェア更新による機能・性能・操作性の改善が可能。 監視・分析・最適化監視・分析・最適化 全ての作業や操作は人間を介在し、機械の交換や修理などの、 物理的作業を必要とする。
  11. 11. 「モノ」のサービス化 自動車メーカー 航空機メーカー 工作機械メーカー アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア 運行データ走行データ 作業データ 制御 制御 制御 遠隔からの保守点検・修理、自律化機能による自己点検や修復、ソフトウェア更新による機能・性能・操作性の改善 インターネット
  12. 12. 使 用 の現場 センサー コンピュータ ソフトウエア モノ・製品 モノのサービス化の本質 ものづくり の現場 開 発 製 造 保守 サポート ソフトウェア 改修・更新 インターネット 直 結 ・ 連 係
  13. 13. サプライ・チェーンとデマンド・チェーン 生産 物流 販売 部品・材料サプライヤー/下請け会社 消費者/購入企業 製造業 卸売業 小売業 情 報 の 流 れ モ ノ の 流 れ 正確な需要予測 消費に見合った 円滑な商品の流れ を実現する 消費現場の 正確でタイムリー なデータ 消費現場の データに基づく 最適な商品の流れ を実現する POSや販売データだけでは なく、主義主張、趣味嗜好、 人生観や悩み、ライフログ、 生活圏などを含めて消費者 を深く知るためのデータ サプライ・チェーン Supply Chain デマンド・チェーン Demand Chain
  14. 14. サプライ・チェーンとデマンド・チェーン 正確な需要予測 消費に見合った 円滑な商品の流れ を実現する 消費現場の 正確でタイムリー なデータ 消費現場の データに基づく 最適な商品の流れ を実現する POSや販売データだけでは なく、主義主張、趣味嗜好、 人生観や悩み、ライフログ、 生活圏などを含めて消費者 を深く知るためのデータ サプライ・チェーン Supply Chain デマンド・チェーン Demand Chain 日本メーカは、製造現場の改善活動やTQC(Total Quality Control)活動を中心に、SCM(サプライチェー ン・マネジメント)に力を入れ、ムダのない効 率的なものづくりで競争優位を確保してきた。 しかし、グローバル競争に突入したいま、日本 メーカのこれまでの競争戦略が通用しなくなっ ている。とくに価格競争で強みを発揮する中国 やインドがグローバル市場へ進出したことで、 日本メーカの競争力はますます低下している。 ものづくりの付加価値の源泉は、「いかに作る か」という製造生産プロセス(SCM)から、「何 を作るか」という企画開発プロセス(DCM)へと 大きくシフトしている。日本メーカはこれまで 「下り車線」のSCMには強かったが、「上り車 線」のDCMに弱かった。日本メーカの営業利益率 が低いのはそのためである。デジタル時代のも のづくりでは、利益率の低いサプライチェーン よりも利益率の高いディマンドチェーンに強い 企業が生き残るといわれる。 デジタル時代のものづくりでは、利 益率の低いサプライチェーンよりも 利益率の高いディマンドチェーンに 強い企業が生き残る可能性が高い。
  15. 15. ビジネス構造の転換 人と組織 ビジネス・モデル テクノロジー サービス モノ ビジネスの基盤 価値創出の源泉 附帯する取り組み ビジネスの実態 自律・分散型・小規模統率・集中型・大規模 グッズ・ドミナント・ロジック モノを介して顧客価値を手に入れる 顧客価値 Before DX 企業の存在意義 Purpose・Vision・Passion モノのビジネスを支援 購入して価値を消費する データ ビジネス・モデル サービス モノ サービス・ドミナント・ロジック サービスを介して顧客価値を手に入れる After DX 継続的に使って価値を共創する サービス実現の手段/デバイス テクノロジー 差別化の手段
  16. 16. ビジネス価値の進化 コア・ビジネス  既存ビジネス  蓄積されたノウハウ  確実な顧客ベース 付加価値ビジネス  収益構造の多様化  既存ノウハウの活用  顧客ベースの囲い込み 新規ビジネス  顧客価値の拡大  ノウハウの創出  顧客ベースの拡大 製造・販売製造・販売 製造・販売 走行距離に応じた 従量課金サービス Pay by Mile 出力×時間に応じた 従量課金サービス Pay by Power 工事施工 自動化サービス Smart Constriction 建設機械 遠隔確認サービス KOMTRAX 安全・省エネ運転 コンサルティング 予防保守・交換 燃料費節約 コンサルティング 予防保守・交換
  17. 17. モノのサービス化 17 TOYOTA MaaS / e-Palette Concept KOMATSU SMART construction 土木工事における作業の自動化と高度化を実現す ることに加え、前後工程も効率化して、工期の短 縮に貢献できるパッケージ化したサービス 移動、物流、物販など多目的に活用できるモビリ ティサービス(MaaS)と、これを実現する専用 次世代電気自動車(EV) モノを売り収益を得るビジネス。サービスはモノ売りビジネスを支援する手段 サービスを提供し収益を得るビジネス。モノはサービスを実現なする手段
  18. 18. MaaS(Mobility as a Service) 18 電車 タクシー バス レンタカー自家用車 配車サービス カーシェア 自転車シェア 電車 タクシー バス レンタカー自家用車 配車サービス カーシェア 自転車シェア MaaS 経路検索 支払 予約 配車手配 現 在 MaaS あなたのポケットに全ての交通を個人で所有・個別に手配 手段の提供:マイカーの所有や個別の手配・予約ではできない最適化された「移動体験」提供 価値の実現:マイカー利用を減らし環境負荷の低減や移動の利便性・効率化を実現
  19. 19. MaaS(Mobility as a Service) 19 電車 タクシー バス レンタカー自家用車 配車サービス カーシェア 自転車シェア MaaS 経路検索 支払 予約 配車手配 MaaS交通についての悪しき悪循環  地方へ行くほどマイカーへの依存度が高くなる。  自動車は移動手段としては便利だが、保有コストが高いわ りには、稼働率は低い。  大気汚染や渋滞による社会的ロス、交通事故の死亡者数は 世界全体では年間100万人を超えている。  公共の交通機関の運営が、マイカー保有により危機に瀕し ている。乗り合いバスの利用者は近年大きく減少しており、 赤字で路線廃止に陥るケースが続いている。  公共交通路線の廃止により、移動手段がますますマイカー に偏り、公共交通機関の運営をさらに苦しめている。 MaaSによって悪循環を解消  公共交通が整備されると人々の流れが変わり、ガソリンや駐 車場代に向けられていた支出が、公共交通に回るようになる。 それによって地域全体が活性化する。  渋滞や交通事故の発生が減少すれば、社会全体のロスも低下、 行動履歴をビッグデータとして把握できれば、道路や都市計 画に活用できる。  高齢者や障害者などのハンディキャップを抱えた方々の移動 が容易になる。  運転ができるかできないかで住む場所が限定されるという不 自由さがなくなる。  マイカーに偏る今の社会が解消され、個人の暮らしは改善し、 街の中心部も活性化して地域が抱える問題の多くが緩和する。 公共交通も含めた交通手段の多様化により、 様々な社会的課題を解決できる可能性がある。
  20. 20. MaaSのレベル定義 20 スウェーデン・チャルマース大学の定義 社会全体目標の統合 Integration of social social スマートシティーのような上位の政策目標に統合された移動 手段を実現するサービスを提供 提供するサービスの統合 Integration of the service offer 予約や決済に加えて、サービス独自の料金体系を持ち、異な る移動手段をシームレスにつなぐサービスを提供 予約と支払いの統合 Integration of booking and payment 異なる移動手段をまとめて検索でき、予約や手配も行うこと ができる統合サービスを提供 情報の統合 Integration of information 異なる交通手段の情報を統合して提供 統合ない No integration 事業者個別に移動手段や附帯するサービスを提供 レベル 4 レベル 3 レベル 2 レベル 1 レベル 0 個別の交通事業者が提供する移動手段やカー シェア、自転車シェアなどのサービス Google Map、NAVI TIME、乗り換え案内 Citymapper、シアトルのTripGo、などによ るルートや所要時間、料金の検索など ダイムラーのMoovel、ロサンジェルスのGo LAなど フィンランドのWhim、スイスのGreen Classなど 該当するサービスがない MaaSに相当するサービス
  21. 21. MaaSエコシステムのフレームワーク MaaS プロバイダー (MaaSオペレーター) データ プロバイダー 交通事業者 顧客 ユーザー コア・ビジネス クラウド サービス会社 決済ソリューション企業 チケット発券ソリューション企業 経路検索 サービス企業 通信会社 保険会社 拡張企業体 ビジネス・エコシステム 政府・規制当局 投資家 調査研究機関 大学 メディア& マーケティング会社 労働組合 The Business Ecosystem of Mobility-as-a-Service/2017 を参考に作成
  22. 22. IoTとAR/MR デジタル・ツイン (ビッグ・データ) 機械学習 シミュレーション クラウド IoT ものごと・出来事 現実世界のデジタルコピー 機器制御 作業指示 情報提供 デジタル フィジカル AR (拡張現実/Augmented Reality) MR (複合現実/Mixed Reality) デジタルとフィジカルの 一体化された世界の実現
  23. 23. IoTの仕組みと使われ方
  24. 24. IoTの機能と役割の4段階 24 モニタリング Monitoring 制御 Control 最適化 Optimization 自律化 Autonomy センサーと外部データ ソフトウェア アナリティクス 人工知能(機械学習)  製品の状態  外部環境  製品の稼働、利用状況  製品機能の制御  パーソナライズ  製品機能・性能の向上  予防診断  サービス、修理  製品の自動運転  他製品やシステムとの自 動的連携  自己診断と修理・修復  製品の自動改良とパーソ ナライズ センサー、CPU、メモリーな どの小型化・低コスト化 ソフトウェアやクラウドの進 化とネットワークの低コスト 化 モデリングやシミュレーショ ンのアルゴリズムの進化と ビッグデータ 人工知能アルゴリズムの進化 製品への組み込み
  25. 25. IoTの3層構造 25 クラウド クラウド エッジ・サーバー ゲートウェイ センサー/モノセンサー/モノ 通信料の削減 最低限のデータを送受信 セキュリティ確保 機密データをローカルに保持 低遅延 機器をリアルタイム制御 拠点内/地域内 遠隔通信遠隔通信 データ活用 と機能連携 データ集約 と高速応答 データ収集 と遠隔送信 データ受信 と遠隔制御 通信料の増大 全データを送受信 セキュリティ困難 機密データを送受信 高遅延 機器を遠隔制御 ネットワーク負荷低減 スループット安定 ネットワーク負荷増大 スループット低下 デバイス層 エッジ・コンピューティング層 クラウド・コンピューティング層
  26. 26. 超分散の時代 26 インターネット 専用ネットワーク インターネット 専用ネットワーク 専用ネットワーク テキスト テキスト+ 画像 マルチメディア(テキスト×画像×動画) マルチメディア + センサー 全てのデータ保管・処理は集中 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 高速な処理・応答・制御は超分散 集中コンピューティング 分散コンピューティング クラウド・コンピューティング 超分散コンピューティング 通信経路上の エッジサーバー 分散サーバー 分散サーバー ローカル エッジサーバー 1960年代〜 1980年代〜 2000年代〜 2015年〜 組み込みコンピューター
  27. 27. IoT World Forumのリファレンス・モデル 27 物理的なデバイスとコントロー Physical Devices &controllers モノと設備・モノの周辺に配置される制御機器類 接続 Connectivity ネットワークや機器との通信 エッジコンピューティング Edge Computing モノの周辺でのデータ分析や変換処理 データ抽象化 Data Abstraction データ集約とアクセス アプリケーション Application データ活用(業務処理・分析・レポート) 協働とプロセス Corroboration & Processes 人と業務プロセス データの蓄積 Data Accumulation データの蓄積と管理
  28. 28. ファシリティ 工作機械・センサー・ 建屋・電源・地域など ヒューマン スキル・意欲・文化・ 組織・戦略・経営など デジタル データ・機械学習・自動化 シミュレーション・アプリなど IoT実践の3つの課題 データ量・種類 管理能力 適用範囲など 企画や設計 監理や運用 戦略や業務 理解や知識 テクノロジー進化 開発や運用
  29. 29. IoTの社会実装
  30. 30. 社会全体がCPSによって変革されるデータ駆動型社会 30 産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ~CPSによるデータ駆動型社会の到来を見据えた変革~
  31. 31. データ駆動型社会の課題と可能性 31 産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ~CPSによるデータ駆動型社会の到来を見据えた変革~
  32. 32. データ駆動型社会の分野別の取り組み 32 産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ~CPSによるデータ駆動型社会の到来を見据えた変革~
  33. 33. IoTデバイスとしての自動車 33
  34. 34. ガソリン自動車と電気自動車 34 部品点数 3万点(エンジン 8000点) 部品点数 1〜2万点(モーター 30〜40点) 機能・性能 ハード>ソフト 機能・性能 ハード<ソフト 専用設計・製造が必要 ハードウェアのコモディティ化は困難 汎用部品の適用範囲が広い ハードウェアのコモディティ化は比較的容易 競争力の源泉 ハードの開発や製造に必要な ノウハウの蓄積や資金力/規模 競争力の源泉 ソフトウエアの開発力 (車載OSの覇権・Google vs Apple vs Tesla) 供給力とノウハウの 垂直統合(系列)による囲い込み 供給力とノウハウの 水平分業によるオープン・エコシステム ガソリン自動車 電気自動車 異業種・ベンチャーの参入障壁は高い トヨタ、日産、ホンダなどの自動車メーカー 異業種・ベンチャーの参入障壁は低い Google、Apple、Teslaなどの異業種企業
  35. 35. 自動車産業に押し寄せるCASE Share 共有 Autonomous 自律化 Electric 電動化 タクシーやレンタカー が不要になる 自動車が売れなくなり 売上が低下する バスや鉄道などの 役割が変わる 自動車が低価格化し 収益確保が難しくなる 自動車損害保険 が不要になる 不動産ビジネスが 影響を受ける 物流コストが 大幅に下がる ガソリンスタンド が不要になる 渋滞が解消し 環境負荷が低減する ドライブインやモーテル が不要になる Connected つながる CASEShare Autonomous Electric Connected
  36. 36. インダストリー4.0
  37. 37. インダストリー4.0がやろうとしていること 37  標準化  複雑なシステムの管理  通信インフラの高度化  安全と情報セキュリティ  労働組織とワークライフバランス  人材育成、専門能力の開発  規制の枠組  エネルギー効率  通信規格の国際標準化  サプライチェーンや顧客との間でリアルタイムにデータを共有・分析  設備稼働率平準化、多品種変量生産、 異常の早期発見、需要予測などが可能に ドイツの2つの狙い  国内製造業の輸出競争力強化  ドイツ生産技術で世界の工場を席巻  インダストリー4.0仕様の生産システムがコスト競争上優位となり、我が国企業の海外生産 における競争力劣位が発生するおそれあり。  インダストリー4.0仕様の標準化が進むと、我が国のFA関連機器が海外市場において参入 できなくなるおそれあり。
  38. 38. コレ1枚で分かるインダストリー4.0 38 インダストリー4.0 Industry 4.0 自ら考える工場 製造コストの極小化 個別仕様オーダーでも 量産品と同じコストで対応 カスタマイズ対応 お客様毎に異なる 個別仕様のオーダーに対応 短納期対応 個別仕様オーダーでも 短納期で対応 IoT Internet of Things 工場内外の設備、機器、 部材からの情報を収集 IoP Internet of People 工場や関係事業所で働 く人々の情報を収集 IoS Internet of Service ECサイト、店舗、 サポート拠点な どからのサービ ス情報を収集 Cyber-Physical Systems 他工場 他工場 他工場 他工場 Internet 人工知能 ロボット
  39. 39. 産業革命の区分 39 電力蒸気機関人力・自然力 大量生産注文生産 多品種化 マス・カスタマイゼーション パーソナル・ファブリケーション 機械生産手作り コンピューターによる自動化 標準化・規格化個別仕様 個別仕様 コンピューターによる自律制御 工場・機器・人間の自律連携 産業革命以前 第1次産業革命 第2次産業革命 第4次産業革命第3次産業革命  水力  馬力  蒸気機関  鉄道  化学産業  科学的管理  コンピューター  インターネット  IoT/ビッグデータ  人工知能/クラウド 第1次産業革命 第2次産業革命 第3次産業革命 米国での理解 ドイツでの理解 産業革命以前 18世紀中〜 20世紀初〜 2010年代〜1970年代〜 デジタル・ファブリケーション時代  農業社会から工業社会への転換  労働力の田園地帯から都市部への移動  資本家や企業の台頭と労働者との役割分離 内燃機関
  40. 40. インダストリー4.0(第4次産業革命)とIoT 40 第1次産業革命 Industry 1.0 第2次産業革命 Industry 2.0 第3次産業革命 Industry 3.0 第4次産業革命 Industry 4.0 機械化 効率化 自動化 最適化 水力・蒸気機関 手仕事から機械を利用 電力・科学的管理 統計的手法と電気による制御 コンピュータ 労働力を機械に置き換え デジタル 生産性を維持し個別最適 製造業 製造業 製造業 製造業 + 非製造業 18世紀後半 20世紀前半 1970年代以降 2015年代以降 科学的管理 ERP 情報の一元管理と連係 前工程 生産 後工程 デジタル 社内外を含めたデジタル連係 自 動 化 自 動 化 自 動 化 自 動 化 自 動 化 第2.5次産業革命 Industry 2.5
  41. 41. ドイツでインダストリー4.0の取り組みが始まった背景 41 経緯:  少子高齢化による労働人口減少や原発の停止等に起因する国内立地環境の悪化  ドイツ国内でGDPの約25%・輸出額の約60%を占める製造業の存在感が低下  EU全域でアジアへの製造業流出の懸念 2011年11月、独政府は“High-Tech Strategy 2020 Action Plan” のプロジェク トの1つとして、 独製造業の競争力強化のための構想であるIndustry4.0を提示 連邦教育研究省(BMBF)、連邦経済エネルギー省(BMWi)が所管 実施主体: ドイツ機械工業連盟(VDMA)、ドイツ情報技術・通信・ニューメディア産業連 合会(BITKOM)、ドイツ電気電子工業連盟(ZVEI)を事務局とする、産学連携 プラットフォーム
  42. 42. 第4次産業革命(インダストリー4.0)とIoT 42 Recommendations for implementing the strategic initiative INDUSTRIE 4.0 【第1次:機械化】 【第2次:電力活用】 【第3次:自動化】 【第4次:自律連携】 Cyber-Physical System  蒸気機関  大量生産  移動手段の革新  電力  科学的管理  化学産業の発展  コンピュータ  自動制御  大量生産と品質安定  IoT/M2M  自律制御  つながる工場
  43. 43. インダストリー4.0を支える繋がり 43 Recommendations for implementing the strategic initiative INDUSTRIE 4.0
  44. 44. 従来の工場とインダストリー4.0がめざす工場の違い 44  決められた工程に従って進められるライン生産方式が主流。  混流生産もあるが、多くの製造機械によるラインを組まないと いけないので、製品の仕様を多様化することは簡単ではない。  製造実行システムは、本来は生産ラインに柔軟性をもたらすは ずだが、生産ラインを構成するハードウェアの制約によって活 用できる機能が限定的。  生産ラインで働く人々も個々の現場で全体像が把握できず、定 められた役割を果たすための作業を行う。  結果としてリアルタイムで顧客ごとの個別の要望に応えること は難しく、要望があったとしても、生産現場で動的に実現するこ とは困難。  製品個々の仕様ごとに工程の組み替えがダイナミックに行わ れる(ダイナミックセル・システム)。  顧客、機械、設備、部材、製品、作業者の情報が全て収集連 携され、製品毎に個別最適化された工程を自動的に作る。  生産工程は、コンピューター上で構築・検証され、それに合わ せた実際の工程が実行される(Cyber-Physical System)。  結果としてリアルタイムで顧客ごとの個別の要望に応えること ができ、要望があれば、生産現場で動的に実現する。 http://blog.livedoor.jp/ail01u9j10taw/archives/4075532.html
  45. 45. インターストリー4.0を支えるCPS 45 Cyber-Physical Systems
  46. 46. 46 製造業とそれに関連する産業製造業に限らず広範な産業 Industrial Internet と Industry4.0 Industrial Internet Industry 4.0
  47. 47. アメリカとドイツの取り組みの違い 47
  48. 48. Industrial Internet と Industry4.0おける標準化の取り 組み 48 IIRA IIC Reference Architecture RAMI4.0 Reference Architecture Model Industrie 4.0 デジュール寄り 国際標準化組織による標準 デファクト寄り 市場の要請などによる事実上の標準 マッピングの比較・分析リーダー by 日本
  49. 49. インダストリー・インターネットのモデルベース開発 49  自動車の高機能化(電子制御、安全運転支援システム、快適性、ネットワーク化)、パワートレイン 方式の多様化等により、設計開発業務は複雑化。一方で、製品の開発サイクルは短縮化。  こうした状況に対応するため、モデルベース開発(モデル化、シミュレーションを活用し開発を進め る手法)がエンジン開発を中心に進展。  開発環境の変化に対応できない中小サプライヤーが、欧州メガサプライヤー等に淘汰される可能性も 存在。  航空機分野は、安全性要求の高さ等から自動車に比べモデルベース開発が先行。重工各社は、モデル ベース開発を踏まえたエンジン部品開発を、エンジンメーカー(GE、P&W、R&R)に提案し付加価値 を獲得。
  50. 50. 日本産業システムが抱える課題 50  製造プロセスのデータ収集・活用によるカイゼン活動(暗黙知の形式知化、不可視知の可視知化)に は多くの日本企業が取り組んでいるが、カイゼン以上の付加価値提供にまでは至っていない。  他方GEは、データ解析ツールの外販により、様々な分野で他社製の機器も含めたデータプラット フォーマーとなる動き。  今後、付加価値獲得競争が激化する中でビジネスモデルの構築が課題。  ITを活用した生産自動化により、工場内の生産性向上の分野では世界をリード。必要に応じて、混流 生産(一つのラインで複数の製品を生産)も実施。 → 大量生産を念頭に置いたもので、機械どうしを繋ぎ自律的に生産ラインを変えて 変種変量生産を実現する動きには至っていない。  我が国にも、製造物や生産ラインに取り付けたセンサーからデータを取得し、製品の保守や生産ライ ン効率化に活用する先進的な動きがある。 → 自社で閉じたシステムで、GEのように競合他社へのシステム提供を通じ付加価値 を獲得しようとする動きにまで至っていない。  製造業のデジタル化による「つながり(Connectivity)」(工場内の機械や製品などのモ ノのデジ タルなつながり)が、消費者の多様な需要に対応した変種変量生産ラインの構 築に不可欠。 → デジタルものづくりのプラットフォームとなるツールやそれを工場内に導入するSIer不足  データの蓄積・解析による付加価値づけが、競争力の源泉へ。 → データ蓄積のためのプラットフォーム作りを率先して行うことが必要。 → データの解析を通じた予測モデル等の付加価値づけにむけた人材が不足。  国際標準化、サイバーセキュリティへの対応。 → IEC(国際電気標準会議)で始まっている国際標準化活動に積極的に参画することが必要。
  51. 51. GEが推進する産業用IoTプラットフォーム“Predix” 51 発電設備 機関車 航空機エンジン 工作機械 他の産業機械 ネットワーク APM OO BM 他のアプリケーション 通知 Redis キャッシュ BLOB ストレージ Postgres RDB NewRelic 監視 RabittMQ キューイング Spark 分散処理 Storm ストリーミング処理 Kafka 分散メッセージング処理 Taitan グラフDB Kasandra KVS Cloud Foundry オープンソースを駆使した独自基盤 Asset Performance Management 産業機器性能管理 (APM) Operation Optimization オペレーション最適化 (OO) Brilliant Manufacturing 製造現場最適化 (BM) サードパーティ アプリケーション アプリケーション エッジ・コンピューティング クラウド・コンピューティング APM OO BM 他のアプリケーション APM OO BM 他のアプリケーション APM OO BM 他のアプリケーション APM OO BM 他のアプリケーション
  52. 52. ファナックが推進する産業用IoTプラットフォーム“FIELD system” 52 故障予知 ZDT ファナック+シスコ 品質情報管理 LINKi ファナック 機械学習 アプリケーション基盤 DIMo PFN サードパーティ アプリケーション アプリケーション エッジ・コンピューティング クラウド・コンピューティング ネットワーク FIELD system ミドルウェア フィールドAPI コンバータAPI PLMSCM ERP ロボット CNC/MC ECM PLC 他社機器 FIELD system 機器の制御や データの読み出し *仕様公開* 機器固有のデータ形式を 共通データ形式に変換 *仕様公開*
  53. 53. 次代を支えるデータ連係基盤 5G (次世代移動体通信システム)
  54. 54. 1G 2G 3G 4G 5G 音声 テキスト データ 動画 あらゆるモノがつながることを前提とした 社会課題の解決通信・コミュニケーションの性能向上 移動体通信システムの歴史 1979〜 1993〜 2001〜 2012〜 2020〜 9.6Kbps 28.8〜384Kbps 2.4〜14.4Mbps 0.1〜1Gbps 10Gbps〜
  55. 55. 5Gのビジネスの適用領域 データ量超増大 × 即時性向上 1通信あたりのデータの嵩が増える  リッチ化する:高精細や高音質になり臨場感、没入感 が増す  多角化する:同時に取り扱える情報の選択肢が増える 1通信あたりのデータの種類が増える  制御用の情報(センサーやカメラからの情報)が増え る:自動○○が実現する  参考可能な情報(ログ情報)が増える:パーソナライ ズのパターンが増える、レコメンドの精度が向上する、 対象への理解が深まる タイムラグがほぼ無くなる  距離の制約が消える:各地に散らばる人たち同士で同 時に何かやる、今やった/起きたことをすぐに取り込 んですぐ活かす 社会(利便性)向上系 医療分野  超高信頼低遅延通信の実現で移動中や遠隔地の高度診療が可能になり、 医療格差が解消される 農林水産分野  超大量端末同時接続の実現で作物や家畜などの状況を把握するセン サーと散水・薬剤散布や給餌を実施するロボットやドローンの制御が 可能になり、減少する従事人口を補える 土木建築分野  超大量端末同時接続と超高信頼低遅延通信の実現によって遠隔制御が 可能になり、危険度が高い高所・鉱山・災害地などの現場での安全な 作業が確保でき、またドローンの活用による高精度測量などの精度が 向上する 生活分野  自動運転と遠隔制御によって、細分化された公共交通が実現する  センサー情報を駆使して状況を把握する店舗運営が可能になる  遠隔授業や家庭教師の実現によって、学習格差が解消される  大量センサーと自動判定AIによって、防災・防犯・減災力が向上  VRオフィスとテレワークが実現する コンテンツ向上系 スポーツの場合⇒体験が深くなる  自動制御が可能になってカメラ台数を一気に増やせることで、多地 点・ドローンなどによる多角度撮影ができるようになる  取得データの種類が増え分析できる情報が増えることで、選手のバイ タルデータ・顧客のバイタルデータ・環境データが取得できるように なる  AIが発達することでデータの有効活用レベルが上がり、多角的な分析 結果を提示できるようになる エンタメの場合⇒現実を超える仮想実現へ  即時性が向上することで出演者の居場所を問わない制作環境を実現さ せることや、同時多人数対応の参加型体験の提供ができるようになる スポーツ&エンタメに共通  1通信あたりの送信データの嵩が増え、高画質・高音質・8K360°リ アルタイムな高臨場感映像が提供できるようになり、また視聴者に合 わせた多種多様な映像・情報を提供できるようになる 生活者データ・ドリブン・マーケテイィング通信より https://seikatsusha-ddm.com/article/10129/
  56. 56. コレ1枚でわかる第5世代通信 1G 2G 3G 4G 高速・大容量データ通信  10G〜20Gbpsのピークレート  どこでも100Mbps程度 大量端末の接続  現在の100倍の端末数  省電力性能 超低遅延・超高信頼性  1m秒以下  確実な通信の信頼性担保 5G 音声 テキスト データ 動画 IoT 多様なサービスへの適用を可能にする  異なる要件のすべてを1つのネットワークで実現する。  各要件をに応じてネットワークを仮想的に分離して提供する(ネットワーク・スライシング)。 1979年〜 1993年〜 2001年〜 2012年〜 2020年代〜
  57. 57. 5Gの3つの特徴 先送り 高速・大容量 大量端末接続 超低遅延・高信頼性 100万台/k㎡ 1ミリ秒 20Gビット/秒 1Gビット/秒 10万台/k㎡ 10ミリ秒 20 倍 5G 4G URLLC: Ultra-Reliable and Low Latency Communications mMTC: massive Machine Type Communications eMBB: enhanced Mobile Broadband リアリティの再現 光ファイバーの代替/補完 高精細/高分解能な デジタル・ツインの構築 時空間の同期 リアルタイム連携
  58. 58. 5Gの3つの特性  URLLC:Ultra-Reliable and Low Latency Communications/超低遅延・超高信頼性  eMBB:enhanced Mobile Broadband/高速大容量通信  mMTC:massive Machine Type Communications/大量端末接続
  59. 59. 第5世代通信の適用例 高速・大容量データ通信  10G〜20Gbpsのピークレート  どこでも100Mbps程度 大量端末の接続  現在の100倍の端末数  省電力性能 超低遅延・超高信頼性  1m秒以下  確実な通信の信頼性担保 5G 多様なサービスへの適用を可能にする  異なる要件のすべてを1つのネットワークで実現する。  各要件をに応じてネットワークを仮想的に分離して提供する(ネットワーク・スライシング)。 2020年代〜 2時間の映画を 3秒でダウンロード ロボット等の 精緻な遠隔操作を リアルタイムで実現 自宅内の約100個のモノ がネットに接続 (現行技術では数個) 現在の移動通信システムより 100倍速いブロードバンドサー ビスを提供 利用者がタイムラグを意識 することなく、リアルタイ ムに遠隔地のロボット等を 操作・制御 スマホ、PCをはじめ、身の 回りのあらゆる機器がネッ トに接続
  60. 60. 5Gの普及段階 高速 eMBB 低遅延 URLLC 多接続 mMTC 高速 eMBB 低遅延 URLLC 多接続 mMTC 高速 eMBB 低遅延 URLLC 多接続 mMTC 4G(LTE) 4Gコアネットワーク LTE 基地局 4Gコアネットワーク LTE 基地局 NR 基地局 マクロセル スモールセル 既存周波数帯 新しい周波数帯 NSA NSA: Non-Standalone 5Gコアネットワーク LTE NR 基地局 既存周波数帯 新しい周波数帯 SA SA: Standalone マクロセル スモールセル NR ユーザー情報 制御情報 ユーザー情報 ユーザー情報 制御情報 SA LTE: Long Term Evolution NR: New Radio 5G初期 5G普及期 2010〜 2020〜 2022〜
  61. 61. ローカル5G(Private 5G) 5G:住宅街や駅・商業地域等の広域/通信事業者 ローカル5G:「自己の建物内」又は「自己の土地内」/その場所を利用する権利を持つ者
  62. 62. 第5世代通信におけるネットワーク・スライス 高速・大容量データ通信 大量端末の接続 超低遅延・超高信頼性 5G ネットワーク・スライシング 高効率 ネットワーク・スライス 低遅延 ネットワーク・スライス 高信頼 ネットワーク・スライス セキュア ネットワーク・スライス 企業別 ネットワーク・スライス エネルギー 関連機器の 監視や制御 農業設備や 機器の監視 や制御 物流トレー サビリティ 遠隔医療 各種設備機 器の監視と 制御 ゲーム 災害対応 自動車 TISや自動運転 公共交通 機関 医療 遠隔医療や 地域医療 自治体 行政サービス 金融 サービス 企業内 業務システム 各種クラウド サービス ・・・
  63. 63. 第5世代通信におけるネットワーク・スライス 高速・大容量データ通信 大量端末の接続 超低遅延・超高信頼性 5G ネットワーク・スライシング SIM SIM SIM 閉域網 閉域網 閉域網 SIM SIM SIM(subscriber identity moduleもしくはsubscriber identification module/SIMカード)とは、電話番号を特定するための固有のID番号が記録された、 携帯やスマートフォンが通信するために必要なICカードのこと。
  64. 64. 5Gへのネットワークの集約 64 5G(含む ローカル5G) インターネット MPLS/VPN SD-WAN 論理的統合 専用回線
  65. 65. つながることが前提の社会やビジネス アナリティクス 最適化・予測など アプリケーション 機器制御・指示命令 情報提供等 データ クラウド・サービス
  66. 66. 人に寄り添うITを実現する人工知能/AI Artificial Intelligence
  67. 67. AIとは何か
  68. 68. 人間は何を作ってきたのか 鳥のように空を飛びたい 馬のように速く走りたい 魚のように海に潜りたい
  69. 69. 人工知能の2つの方向性 視覚(See) 聴覚(Listen)対話(Talk) 汎用型人工知能 AGI : Artificial General Intelligence 特化型人工知能 AI : Artificial Intelligence 特定の領域に特化した知的処理 汎用的で自律的に拡張する知的処理 何を知るべきを見つける どうすればいいかを探す  共通するのは何か?  違うのは何か?  足りないのは何か? 意識・意欲・興味・自己理解など 疑問や興味を持ち 目的やテーマを設定する能力 脳で行う 知的処理 人間の能力 を超えるものもある 仕組みが分からず 実現の見通しがない
  70. 70. IoT メカトロニクス 知能・身体・外的環境とAI 70 認識 意志決定 運動構成 感覚器 運動器官 骨格、関節、筋肉、靭帯、腱 外的環境 身体 知能 影響受容 AI(人工知能) 意識 脳の活動領域
  71. 71. 71 ある ない ある ない ある ない ある (少ない学習データ) ある (膨大な学習データ) 高い 低い (ひとつの知的処理に特化) 高い 低い 低い 高い 人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識 しているが、機械には身体がないのでそれができない。 自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか る心の働きである意識により、人間は様々な知的処理を同時に実行し、 それを統合・制御しているが、機械にはできない。 人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を 成し遂げようとする意志を持っているが、機械にはない。 人間は少ない学習データからでも効率よく学習できる能力をそなえてい るが、機械は膨大な学習データとそれを処理できる膨大な計算能力(消 費エネルギー)を必要とする。 人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知 的処理に特化している。 人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ ることができるが、機械にはそれができない。 人間の場合、1千億個のニューロンによる超並列処理がおこなわれてい るが、その数を増やすことはできない。しかし、機械のプロセッサーは 増やすことはできる。 人間の知性と機械の知性 意識 身体性 意志 学習能力 汎用性 可塑性 スケーラ ビリティ 高い 低い 人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを 消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、 GoogleのAlphaGoの消費電力は25万ワット/時とされている。 エネルギー 効率 ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能 であり、記憶内容やメカニズムは必ずしも同じではない。 記憶能力 機 能 的 特 徴 器 質 的 特 徴 人間の知性 機械の知性 補足説明
  72. 72. 「人工知能」と言われるものの4つのレベル 72 単純制御:指示されたことをそまま行う 予め定められたルールに従い制御する(人工知能搭載○○)。  気温が上がるとスイッチを切るエアコン  洗濯物の重さで洗濯時間を自動的に変更する洗濯機  ひげの伸び具合で剃り方を変える電気シェーバーなど ルールベース:指示されたことを自ら考えて実行する 外の世界を観測することによって振る舞いを変える。 振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。  「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、 これからの打ち手を探索して打つことができる囲碁や将棋のシステム  与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム 機械学習:着眼点は人間が教え、対応パターンを自動的に学習する 人間があらかじめルールを細かく決めて組み込んでおかなくても、 大量のデータから対応パターンを自ら見つけ出す。 ただし学習のための着眼点(特徴量)は人間が設計。  「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、 対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム  診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム 深層学習:着眼点を人間が教えずに、対応パターンを自動的に学習する 学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、 対応のパターンを見つけ出す。  一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、 ということを自分で見つけ出すことができる医療診断システム  状況に応じて、最適な判断をおこなう自動運転の自動車 レ ベ ル 1 レ ベ ル 2 レ ベ ル 3 レ ベ ル 4
  73. 73. 人工知能と機械学習
  74. 74. 人工知能と機械学習 人工知能(Artificial Intelligence) 人間の”知能”を機械で 人工的に再現したもの 基礎的 応用的 知識表現 推論 探索 機械学習 自然言語理解感性処理 画像認識 エキスパートシステム データマイニング 情報検索 音声認識ヒューマンインターフェース 遺伝アルゴリズム マルチエージェント ニューラルネット ゲーム プランニング ロボット 人工知能の一研究分野
  75. 75. 人工知能と機械学習の関係 75 人工知能 Artificial Intelligence/AI 機械学習 Machine Learning ニューラル・ネットワーク Neural Network 深層学習 Deep Learning 人間の”知能”を機械で 人工的に再現したもの 強いAI:コンピュー タに人間と同様の知 能を持たせた仕組み 弱いAI:コンピュー タに人間と同様の知 的な振る舞い・処理 をさせる仕組み データからグループ分 けのためのルール(モ デル)を作る仕組み 脳の仕組みを参考に作 られた機械学習の手法 従来よりも精度の高いモ デルを作ることができる ニューラル・ネットワー クの手法 遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、 ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット データ プログラム モデル
  76. 76. 機械学習がやっていること モデル 入力をどう処理して 出力するかのルール 入力 出力 人間の思考で ルールを作る 実験・観察・思考 データ分析で ルールを作る 機械学習
  77. 77. 機械学習がやっていること モデル レントゲン写真から 「癌」の病巣を 識別するルール 入力 出力 癌 データ分析で ルールを作る 機械学習 癌の病巣が写っている 大量のレントゲン写真 ある患者のレントゲン写真 「癌」の病巣を表示 レントゲン写真から 「癌」の病巣を見つける「モデル」
  78. 78. ルールベースと機械学習 Sheep Dog を見分ける仕様 やルール = if XX Then XXX else XXX Mop を見分ける仕様 やルール = if XX Then XXX else XXX Sheep Dog を見分ける仕様 やルール 0101011101010 1110101001011 1110010101010 Mop を見分ける仕様 やルール 0111100101010 1101010001010 1110100100101 人間が記述 データから生成 GoogleのAI学習教材より
  79. 79. ルールベースと機械学習の違い このレントゲン写真に、肺ガンが 写っているかどうかを知りたい! レントゲン写真に、 肺ガンが写ってい るかどうかを見分 けるためのルー ルーを学び・経験 を積んで会得する。 レントゲン写真に、このルールーを適用する レントゲン写真に、肺ガンがうつっているかどうかを判定する 見分けるための特徴の組合せ /目の付け所を人間が教える特徴量 特徴量を人間が教えるのではなくデータを 分析して見つけ出してくれるのか深層学習 レントゲン写真に、 肺ガンが写ってい るかどうかを見分 けるためのルー ルーを記述する。 ルールベース レントゲン写真に、 肺ガンが写ってい るかどうかを見分 けるルールーを データを分析して 生成する。 機械学習
  80. 80. これはイチゴです! 推論 推論モデル イチゴの特徴の組合せを表現 ニューラル・ネットワーク イチゴについての ニューラル・ネットワーク が未完成 イチゴの特徴 が分からない イチゴについての ニューラル・ネットワーク 推論モデル 機械学習 イチゴのデータ を大量に入力 ニューラルネットワークの仕組み イチゴは、こんな 特徴の組合せです これはなに?
  81. 81. 機械学習の仕組み 81 IoT Web Mobile データ モデル 推論機械学習 Machine Learning 識別予測 判断ゾウ or カバ? 正常 or 異常?晴れ or 雨? データ(学習データ)を分析して 特徴が共通するグループに分ける ための基準/ルール(モデル)を作る モデルを使ってグループ分けする 音声認識 顔認証 自動運転 創薬支援 天気予報 画像診断 人材採用故障予測 機械翻訳 競技アドバイス惑星探査 ヒビ割れ点検 製品品質検査 機械学習アプリケーション 推論モデル/学習モデルという 学習データという
  82. 82. モデルとは何か 82 動物 多次元の座標空間で表現された 特徴の組合せが似通ったグループ 特徴 1 特徴 2 特徴 3 楽器 乗り物 機械学習 データからモデル を生成する仕組み モデル 特徴の軸をデータから生成 最適な軸の組合せをソフトウェアが調整 特徴の軸を人間が指定 最適な軸の組合せを人間が調整 深層学習 Deep Learning 機械学習 深層学習ではない
  83. 83. どんな計算をしているか 83  大量のサンプル・データ(例えば、癌の病巣が写っているレントゲン写真)の特徴を独自に数字化する。これを 特徴量という。  これを座標軸*として、空間(特徴空間)上にサンプル・データを配置した時、最もうまく分離する特徴量(座 標軸)の組合せを作る。これが最適化された「推論モデル」となる。  深層学習(ディープラーニング)以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。 最適化された推論モデル *イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。
  84. 84. これまでの機械学習とディープラーニング 84 特徴量の抽出 モデル 最適解 識別 分類 判断 特徴量の抽出 モデル 最適解 識別 分類 判断 BIG DATA これまでの機械学習のアプローチ ディープラーニングによるアプローチ BIG DATA
  85. 85. ニューラル・ネットワークの原理(1) 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ 結果 特徴量 特徴量の設定と組合せを設計 人間の 職人技 機械による 自動化 従来型の 機械学習 深層学習 Deep Learning
  86. 86. ニューラル・ネットワークの原理(2) 多数のデータを入力することで 特徴量と故障との関係の強さが 明らかになる 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ データ スパース(少数)コーディング 無駄な記憶や処理を省き、記憶 や処理の効率を飛躍的に高める
  87. 87. ニューラル・ネットワークの原理(3) 87 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ 特徴量 推論: このデータの組合せなら故 障が起きる確率は○○% 結果
  88. 88. 機械学習と推論(1) 耳 目 口 特徴量 猫と犬を識別・分類する ために着目すべき特徴 人間が 観察と経験で 決める 機械学習 統計確率的 アプローチ 機械が データ解析して 決める 機械学習 ディープラーニング (深層学習) 「特徴量」ごとに 猫/犬の特徴を 最もよく表す値を 見つけ出す 学習 猫の特徴を最もよく表す 特徴量の組合せパターン 犬の特徴を最もよく表す 特徴量の組合せパターン 猫の推論モデル 犬の推論モデル 大量の学習データ 大量の学習データ 犬 dog 猫 cat
  89. 89. 機械学習と推論(2) 特徴の抽出 推論モデルとのマッチング 猫 犬 推論モデル推論モデル 「猫」の推論モデルに 98%の割合で一致している 推論結果 だから「この画像は猫である」 「特徴量」に着目して それぞれの値を計算する 推論 特徴量未知のデータ 耳 目 口
  90. 90. 学習と推論 90 大量の学習データ 機械学習 学習済 推論モデル アプリケーション 対象 データ 推論 エンジン  CT画像データ  通話音声データ  LIDERデータ など 推論 判別  画像:癌病巣の発見  音声:話者の特定  センサ:障害物回避 など GPUや専用LSIを使用 消費電力より並列処理性能を優先 FPGAやDSPなどを使用 高速処理と低消費電力を優先 GPU: 大規模並列処理可能なプロセッサ FPGA:プログラミング可能なLSI DSP:信号処理に特化したLSI LIDAR:レーザーの反射光から周辺環境の3次元的な構造を読み取る装置 学習 Learning 推論 Inference
  91. 91. 一般的機械学習とディープラーニングとの違い 91 耳 27% 目 48% 口 12% 特徴量 「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴 正しく認識 82% 誤った認識 18% 認識結果 耳 27% 目 48% 口 12% 特徴量 学習 ディープラーニング 学習 推論 ディープラーニング 推論 正しく認識 82% 誤った認識 18% 認識結果 人間が認識結果が 最適になる組合せを 見つける 機械が認識結果が 最適になる組合せを 見つける 学習データ 教師付きデータ 学習データの一部 評価データ
  92. 92. 深層学習の学習と推論 92 ・・・・・ 入力層 出力層中間層(隠れ層) 入力と出力ができるだけ一致 するように中間層の繋がりの 重み付けを調整してゆく。 ・・・・・ 入力層 出力層中間層(隠れ層) イヌ 32% × ネコ 96% ○ ウシ 18% × 学習 推論 重み付けされた 「学習済の推論モデル」 「ネコ」 である 教師データ 未知のデータ 教師データ
  93. 93. ニューラル・ネットワークの仕組み 長い尻尾 縞模様 しなやかな 四肢 尖った耳 ・・・ 猫を認識 特徴量 猫の特徴を示す要素 特定の特徴量に 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 「猫」が入力されると 強く反応するニューロン 深層学習(ディープラーニング)以前の機械学習は、 人間が設定しなければならなかったが、 深層学習はこれを自分で見つけ出す。 ニューロンとは「神経細胞」。 その繋がりをニューラル・ネットワークという。
  94. 94. 深層学習の計算処理に関する基礎知識 人工知能の 2つの処理 ビッグデータを使ってニューラルネッ トワークを訓練する 学習 訓練 訓練されたニューラルネットワークを 使って画像認識や判断を行う 推論 学習には膨大な計算能力が必要 推論には学習ほどの計算能力は不要 計算自体は単純で精度も低い積和演算の繰 り返しだが、計算の数が膨大
  95. 95. AI = 膨大な計算が必要、しかし計算は単純 Σ φ重み付け された入力 出力 入力の総和 評価関数 ニューラルネットワーク の学習と推論を比べると、 推論には8ビット程度の精 度があれば良く、計算負 荷も低い。学習には16- 32ビットの精度が必要で、 計算負荷も桁違いに高い。
  96. 96. 学習と推論 学習/訓練 学習 データ 何度も繰り 返して重み を調整 学習データを使って ニューラルネットワーク が正しい判断を下せるよ う重みを調整 調整箇所が膨大にあり、 何度も繰り返し計算しな ければならない 16〜32ビットの精度が 必要 学習/訓練 実際の データ 認識 識別 判断 学習済み(重みの付けら れた)ニューラルネット ワークに実際のデータを 入力して判断させる 計算は多いが、繰り返し 計算は不要 精度は8ビットで十分 できあがったモデル
  97. 97. 機械学習における3つの学習方法 97 機械学習 Machine Learning 教師あり学習 Supervised Learning 入力と正解例の関係を示したデータ を学習データとして入力し、その関 係を再現するように特徴を抽出、モ デルを生成する。 教師なし学習 Unsupervised Leaning なんの説明もない学習データを入力 し、抽出した特徴のパターンから類 似したグループを見つけ出し、それ ぞれのモデルを生成する。 強化学習 Reinforcement Learning 推論結果に対して評価(報酬)を与 えることで、どのような結果を出し て欲しいかを示し、その結果をもう まく再現できるモデルを生成する。 回帰 Regression 分類 Classification クラスタリング Clustering バンディット アルゴリズム Bandit Algorism Q学習 Q Learning 売上予測 人口予測 需要予測 不正検知 など 故障診断 画像分類 顧客維持 など レコメンド 顧客セグメンテーション ターゲットマーケティング など ゲーム 広告 自動運転 リアルタイム判断 など 決定木、ランダム フォレスト、線形回 帰など k平均法、kモード、 DBSCANなど 次元削減 Dimensionality Reduction SVM、ロジスティッ ク回帰、ナイーブベ イズなど 主成分分析、特異値 分解、潜在的ディレ クトリ配分法など
  98. 98. 新しい学習法 98 教師あり学習 教師なし学習半教師あり学習 自己教師あり学習 強化学習 逆強化学習 模倣学習 メタ学習 少数の教師ありデータと大量の教 師なしデータを使って学習する手 法 人間のお手本データをもとに教師 あり学習をして行動計画などを立 てる手法 教師なしデータに対してAIが正解 メタデータをタグづけしそれを教 師ありデータとして学習する手法 学習の仕方を学習するとも呼ばれ る、複数のタスクの学習結果を利 用して新しいタスクの学習効率を 上げる手法 人間のお手本データを分析し、強 化学習における「報酬」を分析す る手法 表紙データを使って学習する手法 教師なしデータだけで学習する手 法 「報酬」が高くなるように学習す る手法
  99. 99. 人工知能の実用
  100. 100. 一般的なプログラムと機械学習を使ったプログラム 100 達成目標 業務目的 処理プロセス アルゴリズム 判断や分類 のルール (一般的プログラムでは分岐条件) データによる 機械学習 人間の 経験や習慣 人間の 経験や習慣 一般的なプログラム 機械学習を使ったプログラム
  101. 101. 自動化ツール Google Cloud AutoML Microsoft Azure ML AWS SageMaker など AIと人間の役割分担 データを準備 意志決定 学習方式の選択 パラメーターの調整 可視化・分類・予測 問いを生みだす 解決したいこと・知りたいことを決める 膨大なデータの中から、人間 の経験に基づく先入観なしに 規則、相関、区分を見つける 新たな問いを生みだす 判断・制御 モデル 公式・ルール・関数など
  102. 102. IoTにおける学習と推論の関係 学習 learning  大規模な計算能力  学習専用プロセッサー  長時間演算 推論 inference 学習モデル 学習モデル学習モデル 学習モデル学習モデル  比較的小規模な計算能力  推論専用プロセッサー  短時間演算 学習データ
  103. 103. ビジネス・プロセスのデジタル化 103 見える化 グラフ・モニター・イメージなど データ化 ビジネス・プロセスのデジタル化 分析 統計・機械学習 機械 人間 高速に結果 考察して仮説 なぜ? どうして? こうしたい! 疑問・仮説 そして判断 IoT・Web・Mobileなど
  104. 104. 学習と推論の役割分担 104 学習 推論 学習 推論  大規模な計算能力  専用プロセッサー  長時間演算  比較的小規模な計算能力  専用プロセッサー・省電力  短時間演算 学習モデル 学習モデル 学習 推論 学習モデル学習モデル クラウドでモデルを作り、 そのモデルをエッジのデバ イスに送りリアルタイムの 現場のデータから予測や判 定を行う。 リアルタイム性が重要な処 理は、できるだけ現場に近 い場所で処理できたほうが 有利。また、機器の個体差 にも対処できる。 クラウドで完結するサービ スに適用。 学習 推論 推論モデル(予測や分類などの ルール)を大量のデータから作る 推論モデルを使って現場データ から予測や分類、判断/判定を行う AISing,HACURUS, SOINN など ARAYA,LEAPMIND, IDENなど ABEJA,Microsoft,Google, Facebook,Amazon, Preferred Networkなど NVIDIA,Intelなど
  105. 105. デバイス側のAIチップ(エッジAIチップ)の必要性 電力消費量の増加  世界の電力消費量は伸び続けており、環境問題 としても取り沙汰されている。  デバイスが増加し、データのやり取りが増加す るとさらに世界の電力消費量が大きくなる可能 性が高い。 リアルタイム性への対応  データ転送などによる通信遅延の発生は,遠隔 医療や産業ロボット、自動運転では通信遅延は 命取りになる場合がある。  自動運転で認識が遅れてブレーキが遅れるなど 即時応答が必要な分野は多い。
  106. 106. 人工知能の適用領域 106 人間の関与 自律的制御 状況を把握して自律的に判断し実行 自動運転自動車・株の自動取引など 推奨・判断 データを解析し最適解を見つけ出し推奨、判断 医療診断支援・商品レコメンドなど 知識の発見 データを解析し規則性やルールなどの知識を発見 故障診断や予知・創薬用新物質発見など 対話的操作 自然な対話で機器制御、サービスを利用 スマートアシスタント・サービスロボットなど 情報整理・提供 要求に従い大量の情報を整理し情報を探し出す 質問応答・判例検索など 知的作業の支援 知的能力の拡張 知的作業の自律化
  107. 107. 深層学習が前提となったシステム構造 107 深層学習フレームワーク 学習処理実行基盤 画像解析 動画認識 音声認識 話者認識 言語理解 文章解析 機械翻訳 知識表現 検索 コールセンター 顧客応対 営業支援 提案活動支援 医療 診断支援 創薬支援 その他 その他 文献データ 社内業務 データ 概念体系 辞書 音響データ 言語データ 画像データ 動画データ その他 アプリケーション ソリューション 認識系 サービス 学習基盤 知識ベース 学習データ A I プ ラ ッ ト フ ォ ー ム
  108. 108. 自律走行できる自動車 108 レベル4・5 レベル3 レベル2 レベル1 レベル0 自動運転 自動運転 運転支援 運転支援 支援なし ドライバーが常にすべての操作 (加速・操舵・制動)を行う。 加速・操舵・制動のいずれかをシ ステムが行う。 加速・操舵・制動のうち複数の操 作をシステムが行う。 加速・操舵・制動を全てシステム が行うが、システムから要請があ ればドライバーはこれに応じる。 加速・操舵・制動を全てシステム が行い、ドライバーは関与しない。 *レベル4は高速道路や特定の地域などに限定される。 事故責任
  109. 109. 自動運転のためのプラットフォーム 109 参 照 アップデート 3次元地図 走行アルゴリズム 教科学習 アップデート 自動車 5G クラウド GPU、FPGA、センサーなど 高信頼 ネットワーク 3次元地図データベース ディープラーニングなど
  110. 110. AIチップ/AIプロセッサ
  111. 111. 急増するAI専用プロセッサ CPU GPU FPGA ASIC 学習用 (サーバー) Intel Xeon Phi Knight Mill Google TPU (2,3) Intel Nervana Wave Computing 学習・推論 (サーバー) NVIDIA Tesla v100 AMD Vega10 Graphcore 推論 (サーバー) Microsoft Brainware Baidu SDA DeePhi Tech Google TPU (1) 推論 (デバイス) Apple A11 Kirin ARM NVIDIA Xavier Teradeep DeePhi Tech Thinci DNN Engine KAIST DNPU 日経XTECH記事より
  112. 112. GPUは何故ディープラーニングに使われるのか
  113. 113. GPUは何故ディープラーニングに使われるのか
  114. 114. データセンター向けGPU CUDAコア:5,120基 Tensorコア:640基 (120TFLOPS) 210億トランジスタ ダイサイズ:810mm2 製造プロセス:12nm 72億トランジスタ ダイサイズ:456mm2 製造プロセス:14nm Broadwell-EP:24コア (2016年)
  115. 115. TPUの進化 第一世代TPU 2016年 第二世代TPU 2017年 第三世代TPU 2018年 GPUの30倍の性能、80倍のエネルギー効率 人工知能の「推論」に特化 計算精度は8ビット 計算精度を16ビットに増強 サーバー側での学習への適用が可能に 精度向上のため、処理能力はTPU1の半分 第二世代TPUの8倍の処理能力 液冷によって実装密度を向上
  116. 116. ARMのAIアーキテクチャ ARM DynamIQ Arm ML (Machine Learning) Arm OD (Object Detection) 2017年3月発表 CPUクラスタの規模を最大8コアに拡張 ヘテロジニアスマルチコア構成が可能 AI/ML「にも」有効 モバイルデバイス上での機械学習を高速化 毎秒4.6兆回以上の演算(4.6TOPs)が可能 画像認識に特化 60 fps(フレーム/秒)のフルHD映像をリアルタ イムに検知 監視カメラなどへの応用(IoT) Arm MLとArm ODを組み合わせることで 高性能かつ電力効率の高い人物検出・認識ソリューションを実現
  117. 117. クライアント側でのAI処理(推論) 音声認識 自然言語処理 画像認識 顔認識・顔認証 周囲の状況を把握 認知・判断 状況予測・判断不審者の検知
  118. 118. Apple A13 Bionic
  119. 119. 人工知能の可能性と限界
  120. 120. 機械翻訳の現状とそのプロセス 音声認識 Speech Recognition 機械翻訳 machine translation 音声合成 Speech synthesis 2016:人間並み 2018〜19:人間超え 2018〜19:人間との区別困難 プロの逐次翻訳に匹敵(状況による) 60 50 40 30 20 10 一般の人が翻訳した場合よりも高品質であることが多い 非常に高品質で適切かつ流暢な翻訳 高品質な翻訳 理解できる適度な品質の翻訳 主旨は明白だが文法上の重大なエラーがある 主旨を理解するのが困難 ほとんど役に立たない BLEUスコア 19851990 1995 2000 2005 2010 2015 2020 統計的機械翻訳 SMT(Statically Machine Translation) ニューラル機械翻訳 NMT(Nural Machine Translation) BLEU: BiLingual Evaluation Understudy
  121. 121. 人間にしかできないこと・機械にもできること 帰還した爆撃機の被弾状況  銃撃を受けても帰還できたのはなぜか?  帰還した爆撃機の銃撃箇所の分布を調べてみた。  この範囲への銃撃なら飛行は継続できる。  これ以外に被弾したので撃墜されたのではないか? 意味を理解する 問いを作る 第二次世界大戦中、イギリスはドイツより多くの爆撃機を失っていた。 彼らは装甲を追加することに決めたが、相当の費 用がかかるので追加する場所を慎重に選択する必要があった。 撃墜された爆撃機の被弾状況(想定)  帰還した爆撃機にはない銃撃箇所の分布を想定した。  この範囲が銃撃されたら飛行は困難になる。  ここへの銃撃を防ぐことはできない。  墜落しやすい箇所の装甲を強化すれば墜落は防げる。 正解を見つける 結果を検証する Abraham Wald (ハンガリーの数学者) が提示した解決策
  122. 122. AIにできること、人間に求められる能力 自分で問いや問題を 作ることができない 与えられた問いや問題には 人間よりも賢く答えられる 問いや問題を作る能力 人工知能を使いこなす能力 結果を解釈し活用する能力 人間に求められる能力 AI
  123. 123. Whyから始める いかなる問題を解決するのか? Purpose(目的/存在意義)を 明確にする どのように問題を解決するのか? 構想や体制、開発や運用の 方針や計画を明確にする 何を使って問題を解決するのか? 技術や手法、製品やサービスなどの 手段を具体化する WHY HOW WHAT
  124. 124. 人間と機械の役割分担 WHY HOW WHAT テクノロジーにより 置き換えられる領域 AI、ロボット、クラウド、自動化など 人間でなければ できない領域 なぜ、なんのために、何をしたいかなど
  125. 125. 超高齢化社会を人工知能やロボットで対応 125 人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
  126. 126. まとめ:IoTとAI 社会の不確実性が”メチャメチャ”増大している  直近の社会・経済・政治の変化がまったく予測できない。  想定外の競争相手が、異業種から突然やってくる。  顧客の好み・関心事・判断基準がどんどん変わる。 企業が生き残り、事業を継続するには、 圧倒的なビジネス・スピードを持たなくてはならない  現場の事実をデータで、リアルタイムに把握する。  データを使って「デジタル・ツイン」を構築する。  デジタル・ツインを使って、高速に最適解を見つけ出す。 IoTで現場の事実をデータとして収集し AIで最適解を見つけ、判断する
  127. 127. 圧倒的なビジネス・スピードに対応する 開発と運用 Development & Operation
  128. 128. システム化の対象範囲 レベルD 存在しない レベルC 初期段階 レベルB 反復可能だが直感的 レベルA 標準プロセスが定義されている レベルAA 管理が行き届き測定可能 レベルAAA 最適化されている Source: Capability Maturity Model Integration, CMMI システム化 の対象範囲 システム化 の対象範囲外
  129. 129. ITの役割分担 ストラテジック アプリケーション コモディティ アプリケーション コア・アプリケーション デジタル・プラットフォーム 機械学習・ブロックチェーン・IoTなど ERP・SCM 電子メール オフィスツール 経費精算 スケジュール ファイル共有 プロジェクト管理など デザイン思考 リーンスタートアップ 常に最新 メンテナンス・フリー エコシステム 事業戦略に直結 ジャストインタイム 事業の成果に貢献 クラウド・サービス を採用 内製チームで開発 アジャイル開発×DevOps
  130. 130. システム構築事例 :オンライン・サービス事業者 財務会計・人事 Netsuite 管理会計 Tableau 勤怠・給与 e-Pay 経費精算 Concur 連結会計 Diva 人事ダッシュボー ド QlicView 考課・目標管理 Cydas KPI管理 内製 作画・共有 Cacoo 情報共有 Quita 進捗管理 Tollelo 開発ソース管理 GitHub 開発案件管理 Jira 開発情報Wiki Confluence ファイル共有 Box シングル サインオン Okta メール G Suite チャット Slack 無人受付 Smart at ワークフロー kintone 名刺管理 sansan マーケティング Marketo 基幹業務 システム開発 コミュニケーション その他 クラウド SaaS オンプレミス パッケージ オンプレミス 内製
  131. 131. これからの開発と運用 その背景
  132. 132. デジタル・トランスフォーメーションのBefore/After 支援 人間主体でビジネスを動かしITが支援する 生産性向上・コスト削減・期間短縮 安定×高品質の徹底追求 ITはコスト、削減することが正義 コスト削減の手段としての外注 常にコスト削減の圧力に晒される 仕様書通りQCDを守って 情報システム完成させる Before DX 人間とITが一体となってビジネスを動かす 変化への即応力・破壊的競争力・価値の創出 柔軟×迅速と試行錯誤 ITは競争力の源泉、投資対効果で評価 競争力の源泉として内製 ビジネスに貢献できれば投資は拡大する 変化に柔軟・迅速に対応し ビジネスを成功させる After DX
  133. 133. これからの「ITビジネス成功の方程式」 情報システムの 品質 成 果 生産量 スピード 最大 ビジネス 開発・運用 少ない生産量(工数)で開発から運用のスピードを加速し 現場のニーズにジャストインタイムで成果を提供し続ける 開発・運用のサイクルを高速で回転させる 開発・運用
  134. 134. アジャイル・DevOps・クラウドは常識の大転換 構築 運用 構築 運用  構築・運用サイクル:5年〜  業務要件:変えられない/計画通りが前提  要求水準:高品質/完璧  責任分担:要求(事業会社)/その他全て(SI事業者) サーバー ストレージ ネットワーク HWや設備を調達 システム構築・運用 一連の業務を外注 所有+構築・運用 指示・外注が前提 従来のやり方(建築工事と保守点検)  設計・実行サイクル:分/時間/日  業務要件:変える/計画通りは無理が前提  要求水準:高速にアップデートし品質を維持  責任分担:全て(事業会社)/支援(外部事業者) 機能部品の組合せ 手順の設計と実行 自分が責任・主管 使用+設計・実行 自前・内製が前提 これからのやり方(賃貸やレンタカー) クラウドには  預ける・載せる・任せるの発想はない  アウトソーシングではない  借りて、自分で使いこなす発想が必要
  135. 135. ウォーターフォール開発×オンプレミス×開発・運用業務委託の限界 ビジネス・スピードの加速を支える開発と運用 アジャイル開発 Agile Development  ビジネスの成果に貢献するコードだけを  変更に柔軟・迅速に対応して  バグフリーで提供する DevOps Development & Operation  運用の安定を維持しながら  本番環境への迅速な移行と  継続的デリバリー クラウド Cloud Computing  最新・高速・俊敏な開発実行環境の調達  経費化による不確実性への担保  運用やセキュリティから解放と人材の再配置 デジタル・トランス・フォーメーション 業務がITへITが業務へとシームレスに変換される状態
  136. 136. ITのスピードが高速化  ITのスピードにビジネス・プロセスが追いつかない  全ての組織がサービス・プロバイダー化する  どの様にITサービスを提供し維持するのか  Value-driven (価値主導)  Evolving(発展、展開する)  Responsive(敏感に反応する)  Integrated(統合、結合された)  Service(サービス)  Management(マネジメント) 企業レベルでサービス管理を行うための運用モデル VeriSM 136 アジャイル開発 Agile Development  ビジネスの成果に貢献するコードだけを  変更に柔軟・迅速に対応して  バグフリーで提供する DevOps Development & Operation  運用の安定を維持しながら  本番環境への迅速な移行と  継続的デリバリー クラウド Cloud Computing  高速で俊敏な開発実行環境の調達  経費化の拡大による不確実性への担保  運用やセキュリティから解放と人材の再配置
  137. 137. VeriSMとは何か 137 Value-driven (価値主導) Evolving(発展、展開する) Responsive(敏感に反応する) Integrated(統合、結合された) Service(サービス) Management(マネジメント) デジタル・トランスフォーメーションとは、全てのビジネスをサービス化すること ITだけでなく企業レベルでサービス管理に取り組むことが必要 全てのビジネスが サービス化 デジタル・トランスフォーメーションを実現するには、業種や業態によ らず、すべての企業や組織が、IoTやAI、クラウド・ネイティブなどの 最新ITを活かしたサービスを提供するプロバイダーになることが必要と される。 ITサービス管理から 企業レベルのサービス管理 が必要 全てのビジネスをサービス化すると企業レベルでサービスを管理するこ とが必要となる。ITサービス管理のフレームワークであるITILでは不十 分でビジネス部門も含めた企業レベルのサービス管理としてのSIAM、 アジャイル開発やDevOpsなどを組み合わせる必要がある。 全ての企業が利用可能な テーラーメイドアプローチ が必要 サービスの種類、ビジネスにおける優先事項、業界の制約、組織の規模、 文化、人の能力・スキルなどに相違がある前提で、オーダーメイド可能 なサービス管理のアプローチを提供する必要がある。アジャイル開発や DevOpsなどはその実現手段となる。 企業レベルでサービス管理を行うための 運 用 モ デ ル
  138. 138. VeriSMモデル 138 ガバナンス サービス マネージメント 原則 マネージメント メッシュ 顧客 の要望 顧客 検証・評価・改善 定義 定義:SIAMの追加 制作:アジャイル 制作、提供、反応のサイクルを回す/DevOps 企業を統治・統制するための仕組みを確立する。 COBIT5がベース。加えて、情報開示のあり方 や、監査役や社外取締役を含む取締役会など会 社の機関のあり方等を定義。 企業全体として厳守しなければならない原則を 定義。すべてのサービスはこの原則に従って提 供される。例えば、セキュリティ方針、法的な 制限、財務的なルール、知的所有権、就業規則 などITだけでなく企業全体を範囲に検討する。 どうサービスを管理していくかを検討する領 域。企業の環境、リソース、利用するテクノ ロジー、管理手法の最適な組合せを検討 企業環境 組織文化(保守的、リスク嗜好、サービスカルチャーなど)、 競合他社(サービス比較、自社の市場ポジションなど)、法 律の制約(内部統制や金融庁ガイドライン等)、サービス提 供のプロセス、KPI、ツール(既存のサービス管理の仕組み) その他 リソース 人(配置、採用、人材育成、スキル等) 予算、資産、納期、ナレッジ、その他 革新的テクノロジー コンテナ、IoT、ビッグデータ、クラウド、自動化、その他 管理手法 ITIL、COBIT5、CMMI-SVC、IT4IT、ISO/IEC20000,、 ISO/IEC27001、DevOps、 Agile、 Lean、Project & Portfolio Management、SIAM、その他 制作 提供 反応
  139. 139. ガバナンスとサービスマネージメント原則の関係 139 ガバナンス  基本は、透明性(Transparency)  説明責任(Accountability)  機敏に反応(Responsiveness)  効果的、効率的(Effectiveness and Efficiency)  公平、非排他的(Equitable and inclusive)  誰でも参加(Participatory)  持続可能(Sustainability) ビジョン 戦略 コンプライアンス 方針展開 行動指針 企業文化 サービスマネジメント原則  サービスとは『消費者(顧客)の明らかになった要望を満たす』こと  ITSMが開発し成熟させてきたサービスマネジメントの概念や手法の活用  BSM(Business Service Management)  ESM(Enterprise Service Management)  全ての製品(プロダクト)とサービスに適用される
  140. 140. マネージメント・メッシュとは 140 SIAM ISO/IEC20000COBIT,CMMI,IT4IT コンテナー IoT AI ブロックチェーン 企業文化 競合状況 法規制 プロセス ビジネスモデル 人(人工) 予算 期間 知識・経験 管理手法 革 新 的 テ ク ノ ロ ジ ー リソース 企 業 環 境
  141. 141. VeriSMのサービス・サイクル 141 定義 Define 制作 Produce 提供 Provide 反応 Responce プロセスでの活動やプロダクトやサービスの 設計関連する結果(成果物)を明確に定義 顧客の要望:ステアリングコミッティーによるビジネス ケースの承認&同意 要求される成果物:要求の収集整理と技術的検討 ソリューション:構成要素のパフォーマンス仕様、調達方 法、テスト仕様、計画立案 サービスブループリント:サービス・ソリューションの設 計、調達方針、制作条件、パフォーマンス サービス・ブループリントからサー ビスをコーディング、テスト、移行 準備までの作業の実施 ビルド:ブループリントから実装するサービスを作成 テスト:テスト仕様に基づくテストの実行 移行&検証:リリース可能なモデルに整える、移行計画の確認 プロダクトやサービスはすで にパフォーマンスを含めて使 用可能な状態になっている 保護&保全:ポリシー、セキュ リティー、リスク、継続性の確 保 測定と保守:日々の運用でサー ビスパフォーマンスを継続的に 測定し、合意された品質に対す る結果をステークホルダーに報 告 改良&カイゼン:最新のテクノ ロジー採用、調達方法の変更、 社会秩序&世論 消費者との定常的な相互交流 記録:サービスデスク等が、 サービスに対する問い合わせ、 クレームや依頼事項(要望、課 題/問題、調達元からの変更) 等を受け付けて記録。これらは サービス改善のインプットとし て活用。 管理:問い合わせや依頼事項に 透明性をもって対応。顧客には 想定解決時間や現状のステータ スなどを提示し、解決に向けて コミュニケーション
  142. 142. アジャイル開発 変更に柔軟・ビジネス成果に直結 & バグフリー
  143. 143. ITの役割の歴史的変遷 ビジネス バッチ処理システム ビジネスの事後で事務処理 オンライン処理システム ビジネスと同時並行で事務処理 モノとサービスの組合せ モノが主役・サービスは脇役 インターネット/Webシステム 一方通行発信・受信・会話型EC サービス中心 サービスが主役、モノが脇役 エンゲージメント型Web モバイル、ソーシャル、UXなど 〜1970 〜1990 〜2000 2010〜 ハイパー・コンペティション 不確実性の増大・競争原理の変化 モノ中心 モノ、製品が主役 ウオーター フォール ウオーター フォール アジャイル アジャイル & DevOps IT モノ中心 モノ、製品が主役 開発手法
  144. 144. 生産物(完成品)とサービス(未完成品) ワ ー ク ロ ー ド ライフ・タイム ウォーターフォール開発 外注 リリース後の 手戻りが許されない “完全”な成果物を提供 生産物としての 情報システム アジャイル開発 内製 リリース後も 継続的に改善 常に最新を維持 サービスとしての 情報システム
  145. 145. ウォーターフォール開発とアジャイル開発 製造過程/乗れない 完成/乗れるが徐々に陳腐化 完成目標 保守で陳腐化を遅らせるウォーターフォール開発 最初から乗れる/現場のフィードバックをもらい機能や性能を改善し続ける アップデートを継続アジャイル開発
  146. 146. アジャイル開発の基本構造 100% 0% 時間 仕様書に記載した 全ての機能 100% 0% 時間 予定していた 全体仕様 30% 60% 80% 現場からの フィードバック 現場からの フィードバック 現場からの フィードバック ? 仕様書に対して100点満点狙い ビジネスの成果に対して合格点狙い 途中の成果からフィードバックを得て、 仕様や優先順位の変更を許容する。 ウォーターフォール開発の考え方 アジャイル開発の考え方 現場からのフィードバック 最後になって訂正・追加などが集中 目標としていたビジネスの成果が 達成できていれば完了 仕様凍結(確定)させて仕様書通りに開発が100%完了したら、 現場からのフィードバックを求める。 仕事の仕組みは確定できるを前提にした開発 仕事の仕組みは変化するを前提にした開発
  147. 147. ウォーターフォールとアジャイルの違い  用意されたプロセスやツール  全てを網羅したドキュメント  お互いの妥協点を探る契約交渉  一度決めた仕様や計画に従うこと  システムを納品すること 計画通りに完成させること 「計画通り」が正義という信念  自律的な判断と行動  実際に使う動くソフトウェア  顧客との対話と協調  変更や変化への柔軟な対応  ITサービスを提供すること ビジネスを成功させること 「計画通り」は無理という現実
  148. 148. ウォーターフォールとアジャイルの違い  ユーザーと開発者はプロジェクトを通して、日々一緒 に働く  ユーザの満足を優先し価値あるソフトウェアを早く継 続的に提供する  要求の変更はたとえ開発の後期であっても歓迎する  動くソフトウェアをできるだけ短い間隔( 2〜3週間 あるいは2〜3ヶ月)でリリースする  動くソフトウェアこそ進捗の最も重要な尺度  技術的卓越性と優れた設計に対する普段の注意が機敏 さを高める  シンプル(無駄なく作れる量)に作ることが基本  最良のアーキテクチャ・要求・設計は自己組織的な チームから生み出される  チームが最も効率を高めることができるかを定期的に 振り返り、それに基づいて自分たちのやり方を最適に 調整する アジャイルな思想  ユーザと開発者はいつもは別の場所にいてプロジェク トを通して定例ミーティングを行う  ユーザーの満足や価値のあるなしではなく、とにかく ソフトウェアを提供する  要求の変更を開発の後期に出すの勘弁して欲しい  パワポ、エクセル、ワードの仕様書を丁寧に清書して ( 2〜3週間あるいは2〜3ヶ月)納品する  動くソフトウェアこそ進捗の最も重要な尺度  技術的卓越性と優れた設計に対する普段の注意が機敏 さを高める  仕様書通り(間違っていようが)に作ることが基本  最良のアーキテクチャ・要求・設計は自己組織的な チームから生み出される  チームがもっと稼働率を高めるように監視し、それに 基づいて自分たちへの批判や不満を回避するために、 念のため納期を厳しめに設定する ウォーターフォールな思想 https://speakerdeck.com/kawaguti/flipped-agile-manifestYasunobu Kawaguchi氏 資料を参考に作成
  149. 149. DevOps Development & Operation
  150. 150. ビジネス 開発 運用 アジャイル開発 DevOps アプリケーション開発環境 マイクロ・サービス、ルールエンジン、AI、APIなど ITインフラストラクチャー IaaSなどのクラウド アプリケーション実行環境 コンテナ・オーケストレーション・ツール サーバーレス・FaaS Infrastructure as Code 運用の自動化 SRE Site Reliability Engineer アイデアの創発  デザイン思考  リーンスタートアップ トライ・アンド・エラー のサイクルを高速で回す ビジネス・スピードを加速する方法  ビジネスの成果に貢献するコードのみ  現場のニーズにジャストインタイム  バグフリーと変更への迅速・柔軟な対応  開発されたコードを直ちに本番移行  安定稼働の維持  変更やスケールへの迅速・柔軟な対応
  151. 151. サーバー仮想化とコンテナ 151 OS ハードウェア ハイパーバイザー 仮想サーバー ミドルウェア アプリ OS 仮想サーバー ミドルウェア アプリ OS 仮想サーバー ミドルウェア アプリ サーバー仮想化 ハードウェア コンテナ管理ソフトウエア OS ミドルウェア アプリ ミドルウェア アプリ ミドルウェア アプリ コンテナ コンテナ コンテナ コンテナ ライブラリ 環境変数 ライブラリ 環境変数 カーネル カーネル カーネル カーネル ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 隔離されたアプリケーション実行環境を提供(クラッシュの分離、独自のシステム管理とユーザー・グループ) 実行イメージのスナップショットをパッケージとしてファイルにして保存できる アプリケーションに加えて仮想マシン・OS の実行イメージを持つ必要がある アプリケーションとOSの一部 の実行イメージを持つ必要がある デプロイするサイズ 大きい 起動・停止時間 遅い デプロイするサイズ 小さい 起動・停止時間 早い 異なるOS 可 異なるOS 不可 メモリーやディスクの消費量が大きい = リソース効率が悪い メモリーやディスクの消費量が大きい = リソース効率が良い 構成の自由度が高い 異なるOS・マシン構成を必要とする場合など 軽量で可搬性が高い 実行環境への依存が少なく異なる実行環境で稼働させる場合など サンド・ボックス化 Sand Box
  152. 152. 仮想マシンとコンテナの稼働効率 152 ハードウェア 仮想マシン ミドルウェア アプリケーション OS 仮想マシン OS 仮想マシン OS ミドルウェア アプリケーション ミドルウェア アプリケーション ハードウェア OS コンテナ管理機能 カーネル ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ カーネル カーネル カーネル ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 コンテナ仮想マシン

×