LiBRA_210201/Sum_02
Jan. 31, 2021•0 likes•212 views
Report
Technology
https://libra.netcommerce.co.jp
Masanori SaitoFollow
More Related Content
What's hot
LiBRA 05.2021 / Juku_DevOpsMasanori Saito
【講演資料】変化を味方につけるこれからの現場力Masanori Saito
LiBRA 10.2021 / 総集編#02Masanori Saito
LiBRA 05.2021 / CloudMasanori Saito
211101_LiBRA_ERPMasanori Saito
【講演資料】IT企業・女性勉強会Masanori Saito
Similar to LiBRA_210201/Sum_02
LiBRA 08.2021 / 総集編#02Masanori Saito
LiBRA 07.2021 / 総集編2/2Masanori Saito
LiBRA 06.2021 / 総集編 2/2Masanori Saito
LiBRA 04.2021 / Sum_2/2Masanori Saito
【ITソリューション塾・第29期】IoTMasanori Saito
LiBRA 08.2021 / 最新ITトレンド for SIerMasanori Saito
More from Masanori Saito
211101_DXの基礎Masanori Saito
211101_最新トレンド_パッケージMasanori Saito
211101_DevOpsMasanori Saito
211101_LiBRA_クラウドMasanori Saito
211001_LiBRA_IoTMasanori Saito
211101_LiBRA_DXMasanori Saito
Recently uploaded
磁石内臓イヤリングによる磁力変化を利用したジェスチャ識別sugiuralab
拡散する画像生成.pdfNTTDOCOMO-ServiceInnovation
2023情報処理学会関西支部大会-G12.pdfKoseiShimoda1
ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識sugiuralab
MLOps Course Slides_JP（配布用）.pdfYuya Yamamoto
インフラチームとCCoEの関係.pptxssuser5c7ee4
LiBRA_210201/Sum_02
- 3. IoTとは何か
- 5. IoTの未来 現実世界／Physical World Cyber Physical System／現実世界とサイバー世界が緊密に結合されたシステム サイバー世界／Cyber World センサー AIチップ 現場の 見える化 自律制御 デジタル ツイン 制御情報 地図情報 環境情報 など 予測・分類・識別 サービス アプリケーション AI／機械学習 クラウド モノ／IoTデバイス 5G 第５世代通信システム
- 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. 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
- 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
- 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. 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
- 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. 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
- 16. モノのサービス化 16 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
- 17. MaaS（Mobility as a Service） 17 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
- 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 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。
- 19. MaaSのレベル定義 19 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
- 20. 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
- 21. コ ト づ く り 顧客価値 価値実装 体験 更新 心地良い・使い易い もっと使いたい ずっと使い続けたい 継続的な改善 最適を維持 顧客の期待を先回り UX ソフトウエア 「モノのサービス化」の構造 機能 仕様 モ ノ づ く り ハードウェア UI サービスとは、効用や満足などを提供する形のない労働や役務のこと サービス・ビジネスとは、コトの価値を提供し続けるビジネスのこと
- 22. ビジネス価値の比較 ハードウェア 車両本体 ソフトウェア 制御系 サービス 保守・点検・修理 自動車メーカー ハードウェア 車両本体 ソフトウェア サービスの実装 制御系のスマート化 サービス モビリティ・サービス 生活サービス など 保守・点検・修理の価値向上 ソフトウェアによって実装 汎用部品化 モジュラー化 機能・操作の ソフトウェア化 サービス価値を高めて ビジネスを差別化 モビリティ & X サービス事業者 ビジネス・プロセスの ソフトウェア化 高速 改善 欠陥 ゼロ 要求 品質
- 23. ビジネス価値のシフト モノづくり：サプライヤー／部品メーカーへの依存拡大 先進運転支援システム/ADAS Advanced driver-assistance systems 自動運転システム/ADS Autonomous Driving System 自動運転システム/ADS Autonomous Driving System 移動サービス／MaaS 等 移動サービス／MaaS 等 車両／ハードウェア 車両／ハードウェア 車両／ハードウェア コトづくり：自動車メーカーの事業の重心がシフト データ Data 差別化の対象 差別化の対象 差別化の対象 ソフトウェア ソフトウェア
- 24. 自動車／移動ビジネスの3つの戦略 SONY Vision S Concept UX（体験） 機能（移動） モノ （所有） サービス （使用） 従来までの 自動車メーカー サブスク MaaS Mobility as a Service ? 自動車メーカーのUX実現支援 自動運転ソフトウェア ビジネス・モデル の転換 ビジネス・モデル の拡張 ライドシェア
- 25. 属性データと行動データ 性別・年代・結婚・職業・・・ 女性・20代・独身・事務職・手芸が好き・・・ 属性に応じて最適化された 機能・性能・品質の提供 属性データ 属性（静的）データ ✖️ 商品（モノ） 商品力向上＝調査✖️技術開発✖️製造技術 個 人 場所・時間・体験・感情・・・ 競技場・夏の夕方・サッカー観戦・勝利の喜び・・・ 状況に応じて最適化された 感動・楽しさ・共感の提供 行動データ 行動（動的）データ ✖️ UX（体験） 共感 デジタル接点・取得頻度の 増加によって解像度が上昇 UX向上＝多接点✖️高頻度✖️高速改善 状況 主義主張・人生観・価値観・悩み・生活圏・・・
- 26. データとモノ／コト・ビジネスの関係 属性データ 商 品 販売代金 属性に最適化された 商品の作り込み 魅力的な商品を作る 属性理解→商品設計→商品開発 行動データ UX サブスク 従量課金 状況に最適化された UXのアップデート 魅力的な体験を作る 状況理解→UX設計→UX開発 体験を継続したいという想いへの対価 商品を手に入れることへの対価 行動データ 商 品 販売代金 うまくいかないビジネス 行動データを取得する意味がない 商品の機能や性能を アップデートできなければ意味がない アップデートのコストをまかなえない
- 28. 体験データを手に入れるためのプラットフォーム モノ 魅力的な機能・性 能・品質を実装し たカタチある商品 コト 適切なタイミング に便利で必要十分 なサービス 体験 楽しい、心地良い、 使い続けたいなどを 感じさせる物語・ ジャーニー 惣菜パン 生命保険 自動車 など コンビニ ライフランナー 販売店・営業 など 決済・ポイント コミュニケーション 移動サービス など モノとコトをつないだ 体験データを掌握 プラットフォーマー
- 29. IoTの仕組みと使われ方
- 30. IoTの機能と役割の4段階 30 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
- 32. 超分散の時代 32 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
- 33. IoT World Forumのリファレンス･モデル 33 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
- 35. IoTの社会実装
- 36. 社会全体がCPSによって変革されるデータ駆動型社会 36 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～
- 37. データ駆動型社会の課題と可能性 37 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～
- 38. データ駆動型社会の分野別の取り組み 38 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～
- 40. ガソリン自動車と電気自動車 40 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
- 43. 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〜
- 44. 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/
- 45. 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〜
- 46. 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
- 47. 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
- 48. 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
- 49. 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〜
- 53. 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。
- 56. AIとは何か
- 58. 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
- 62. AIマップ・AI研究は多様 フロンティアは広大 人工知能学会: https://www.ai-gakkai.or.jp/pdf/aimap/AIMap_JP_20200611.pdf#page=25
- 64. IoT メカトロニクス 知能・身体・外的環境とAI 64 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
- 65. 65 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
- 66. 「人工知能」と言われるものの４つのレベル 66 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
- 67. 人工知能と機械学習
- 69. 人工知能と機械学習の関係 69 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
- 71. 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」
- 72. 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
- 75. 機械学習の仕組み 75 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
- 76. モデルとは何か 76 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
- 77. どんな計算をしているか 77 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。
- 81. ニューラル・ネットワークの原理（３） 81 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
- 84. 学習と推論 84 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
- 85. 一般的機械学習とディープラーニングとの違い 85 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
- 86. 深層学習の学習と推論 86 ・・・・・ 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
- 88. 機械学習における3つの学習方法 88 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
- 90. 人工知能の実用
- 92. 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
- 93. 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
- 94. 学習と推論の役割分担 94 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
- 95. 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。
- 97. 深層学習が前提となったシステム構造 97 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
- 99. 自動運転のためのプラットフォーム 99 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
- 100. 人工知能の可能性と限界
- 101. 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
- 102. 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
- 105. 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
- 106. 人間とAIの役割分担 人間にしかできないこと AIに任せた方がいいこと 疑問や興味を持つ 課題を持ち解決したいと思う 目的やテーマを設定する 結果をイメージできる 行動に意味を与える 最適な結果を高速に見つける 大規模データを高速に計算する 試行錯誤を高速に繰り返す 膨大な選択肢を絞り込む 膨大な組合せを検証する 意欲や興味、想像、意味付け 高速・大量な論理演算、検索と比較 マシンは答えに特化し、人間はよりよい質問を長期的に 生みだすことに力を傾けるべきだ。 “これからインターネットに起こる『不可避な12の出来事』” ケビン・ケリー・2016
- 109. システムの開発と運用とは システム 開発 Development アプリケーション を実行可能にする こと アプリケーショ ンを企画設計し プログラムを作 ること。 最適な技術を目 利きし、その適 用方法を決める こと アプリケーショ ンを動かすため の仕組み（プ ラットフォーム とインフラ）を 整えること システム 運用 Operation アプリケーション やプラットフォー ムとインフラを安 定して動かし続け ること 稼働状況やトラブ ルの監視 万が一のための バックアップや復 旧（リカバリー）、 安定稼働のための 改善など ユーザーからの問 い合わせやトラブ ル対応に対処する こと インフラストラクチャー サーバー、ストレージ、データセンターなどのハードウェアや設備 プラットフォーム データ管理、セキュリティ管理、通信、ハードウェア制御、決済などの共通機能 アプリケーション 会計管理、販売管理、オンライン・サービスなどの 業務成果を生みだすソフトウェア／プログラム 開発や実行のための環境の整備 プログラミング・テスト 概要設計・詳細設計 企 画
- 110. 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
- 112. 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
- 113. これからの開発と運用 その背景
- 117. 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
- 118. 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
- 119. 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 119 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
- 122. ガバナンスとサービスマネージメント原則の関係 122 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
- 123. マネージメント・メッシュとは 123 SIAM ISO/IEC20000 COBIT,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
- 130. 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
- 131. 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-manifest Yasunobu Kawaguchi氏 資料を参考に作成
- 133. 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
- 134. サーバー仮想化とコンテナ 134 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
- 137. DevOpsとコンテナ管理ソフトウエア オペレーティング システム サーバー （ハードウェア） コンテナ管理 動 作 保 証 オペレーティング システム サーバー （ハードウェア） コンテナ管理 動 作 保 証 オペレーティング システム サーバー （ハードウェア） コンテナ管理 アプリケーション 開発・実行環境 ミドルウェア コンテナ 動 作 保 証 Build,Ship and Run Any App,Anywhere アプリケーション開発者は、OSやインフラを意識することなくアプリ ケーションを開発し、どこでも実行できるようになる 開発しテストが完了したアプリは、すぐに本番環境で実行させることができる 本番環境 テスト環境 開発環境
- 140. DockerとKubernetes の関係 140 コンテナの作成 コンテナの実行 コンテナ内でファイルシステ ムとして使われるイメージの 作成および管理 など 関連するコンテナのグルーピング コンテナに割り振られるIPアドレスの管理 コンテナ間ネットワークルーティング管理 複数のコンテナを利用した負荷分散 コンテナに割り当てるストレージの管理 コンテナの監視 など ネットワークのルーティングや複数コンテナの 連携、複数台のサーバーを対象にコンテナを横 断的に管理する機能などは提供されていない。 クラスタ環境でDockerを利用する場合は別途何らかの管理手法を用意する必要がある。 Dockerと連携して利用できるデプロイ/オーケストレーションツールのひとつ By Google Manage a cluster of Linux containers as a single system to accelerate Dev and simplify Ops. Linuxコンテナのクラスタを単一のシステムとして管理して 開発を加速し、運用を簡素化します。 意味：ギリシャ語で「人生の道標」 読み方：クーベルネイテス（koo-ber-nay'-tace）
- 141. モノリシックとマイクロサービス サーバー コンテナ コンテナ コンテナ 常時稼働が求められるサーバーで動く 必要な時だけ稼働すればよいコンテナで動く マイクロサービス マイクロサービス モノリス型アーキテクチャ マイクロサービス型アーキテクチャ 巨大な１枚岩のような
- 142. マイクロサービス・アーキテクチャ（Micro Service） ユーザー・インターフェイス 顧客管理 注文管理 在庫管理 出荷管理 Webブラウザ Webブラウザ Webブラウザ 共有データ 顧客管理 注文管理 在庫管理 出荷管理 Webブラウザ Webブラウザ Webブラウザ 個別データ ユーザー・インターフェイス 個別データ 個別データ 個別データ モノリス型アーキテクチャ マイクロサービス型アーキテクチャ マイクロ サービス 巨大な１枚岩のような 複数の独立した機能（マイクロサービス）を 組み合わせることでひとつの処理を実現する 大きな単一の機能によって ひとつの処理を実現する 単一の機能 独立した機能 内 部 は 複 数 の 機 能 で 構 成
- 143. マイクロサービス・アーキテクチャの6つのメリット 修正 修正 リリースの同期は必須 個別にリリース可能 Java Java Java Java Java Java Java Ruby php C++ Java Script C# 言語は統一 機能にふさわしい言語を選択 影響？ 影響？ 影響？ 影響？ 変更 影響？ 一部機能変更・全体テスト 一部機能変更・対象機能のみテスト 変更 全体で拡張 個別に拡張 正常 正常 正常 正常 障害 正常 正常 正常 正常 正常 障害 正常 一部障害で全体停止 一部障害でも正常箇所は稼働 流用 流用 特定の機能流用は困難 特定機能の流用は容易 １．機能の独立性 ２．言語の独立性 ３．保守の容易性 ４．拡張の柔軟性 ５．障害時の可用性 ６．再利用の容易性 「これなら分かる！ マイクロサービス（入門編）〜モノリスと比較した特徴、利点と課題（CodeZin）」を参考に作成
- 144. マイクロサービス・アーキテクチャの3つの課題 機能間で通信は発生しない 機能間で通信が行われる 全体をひとつのチームで行うので 人の入替えやノウハウ共有が容易 各機能個別に組織が分かれるの 人の入替えやノウハウ共有が困難 過剰分割の影響は内部に留まる 一貫したユーザー体験を提供 過剰分割はパフォーマンスを劣化 機能別に異なるユーザー体験のリスク １．機能間の通信によりパフォーマンスが出にくい ２．人の入れ替えやノウハウの共有が難しく”人”や”知見” の活用効率が低くなる ３．プログラム構造次第でパフォーマンスやユーサー体験に悪影響 通信により組み合わせるという仕組みから、パフォーマンス を出しにくい。 性能向上のため各機能間は非同期通信とし、機能をまたがっ たトランザクション保証はしないため、正常終了した後に後 続処理がエラーとなることも想定した設計が必要。 個人ユーザー向けの決済処理のような再試行が難しい業務の 場合は、実装が難しい。 マイクロサービスを適用したアプリケーションを作るには、 個々の機能と同じように独立し完結した組織でなければなら ないが、それができる保証はない。 チームごとに独自文化が形成されチーム間でスキルの共用が 難しい。 文化の違いから人的ローテーションも難しくなる。 マイクロサービスの利点を生かすには、機能の境界を適切に 設定することが必須となるが、分ける範囲を誤れば機能間の 通信が大量に発生する。 分けるべきであった機能を一つにしてしまえば保守性や再利 用性などのメリットが満たせない。 独自性がすぎるとユーザー体験がちぐはぐになってしまう。 「これなら分かる！ マイクロサービス（入門編）〜モノリスと比較した特徴、利点と課題（CodeZin）」を参考に作成
- 145. サーバーレスとFaaS Serverless & Function as a Service