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.

次世代のデータ活用としてのIntelligent Data Platform -Microsoft Azure と AI (Artificial Intelligence)

590 views

Published on

AIが何をどこまで出来るようになっているのか? そして、AIのエンジンである、機械学習部分を作るために、現在どんな道具があるのか。2017年9月時点の最新情報をお伝えします。

Published in: Technology
  • Be the first to comment

次世代のデータ活用としてのIntelligent Data Platform -Microsoft Azure と AI (Artificial Intelligence)

  1. 1. #azurejp https://www.facebook.com/dahatake/ https://twitter.com/dahatake/ https://github.com/dahatake/ https://daiyuhatakeyama.wordpress.com/ https://www.slideshare.net/dahatake/
  2. 2. Switchboard 携帯電話の Switchboard ミーティング IBM, Switchboard ブロードなスピーチ
  3. 3. チームに力を 臨床業務の最適化 継続した診療に デジタルを 患者を健康に 緊急 外来 クリニック 薬局 ポリシー監査 セキュリティとコ ンプライアンスの 強化 セキュリティと コンプライアンス の強化 ポリシー監査 権限のあるケアコー ディネート 治療計画 変形させた心配の連続変形させた心配の連続 権限のある コーディネート 患者の関与患者の関与 継続した診療 治療計画 セキュリティと コンプライアン スの強化 操作の最適化操作の最適化
  4. 4. 0 0 1 1 0 0 0 1 1 0 0 1 1 0 0 0 1 1 1 0 0 0 0 1 1 0 0 0 1 1 0 1 0 0 0 1 1 0 0 0 1 1 0 1 ケアプラン 0 0 1 1 0 0 0 1 1 1 0 0 0 1 1 0 0 患者 X 個人履歴 レコード 今 0 0 1 1 0 0 0 1 1 1 0 0 0 1 1 0 0 患者 X 個人履歴 レコード 今 調整 投与 低 グルコース 調整 投与 低 グルコース 患者の履歴とチャート表記を記録し、転写するた めに デジタルアシスタントにタスクを依頼 インテリジェントツールを使用して、 個々の診療プランに対するベストアクションを推奨 診療チームのアラートを生成するために高度な解 析・予測を適用しながら、リモートで患者の監視 を提供
  5. 5. 放射線 看護 こんにちはジョン、 どのように私はあな たを助けることがで きる? 私はインフルエンザ を持っていると思い ます。 発熱していませんか ? 放射線 潜在的な調査結果 sc、結果 潜在的な調査結果 sc、結果 高度な学習モデルを採用し、医用画像処理のワー クフローを迅速化し、潜在的所見を特定 バーチャル看護助手で遠隔地の患者の症状を診断し 、 不必要な訪問を減らす 医療記録と認知ロボット機能を組み合わせて、 医師の計測器の精度上げ、強化する
  6. 6. Developer DataScientist 一般的なアルゴリズムでのデータ解 析・実行
  7. 7. with cntk.layers.default_options(activation=cntk.ops.relu, pad=False): conv1 = cntk.layers.Convolution2D((5,5), 32, pad=True)(scaled_input) pool1 = cntk.layers.MaxPooling((3,3), (2,2))(conv1) conv2 = cntk.layers.Convolution2D((3,3), 48)(pool1) pool2 = cntk.layers.MaxPooling((3,3), (2,2))(conv2) conv3 = cntk.layers.Convolution2D((3,3), 64)(pool2) f4 = cntk.layers.Dense(96)(conv3) drop4 = cntk.layers.Dropout(0.5)(f4) z = cntk.layers.Dense(num_output_classes, activation=None)(drop4) 例:手書き文字認識 (MNIST)
  8. 8. Microsoft Azure
  9. 9. Compute Infrastructure
  10. 10. Featuring / Training Prediction Data / Users Scalable Performance Throughput + Efficiency 1度のトレーニングで、 数十億 TFLOPS Xeon CPU だと、 1年がかり GPU だと1日 処理毎に数十億 FLOPS Xeon CPU だと数秒 GPU だと即座
  11. 11. Azure 環境に簡単にデプロ イ
  12. 12. ND6s ND12s ND24s ND24rs Cores 6 12 24 24 GPU 1 x P40 2 x P40 4 x P40 4 x P40 Memory 112 GB 224 GB 448 GB 448 GB Disk ~700 GB SSD ~1.4 TB SSD ~3 TB SSD ~3 TB SSD Network Azure Network Azure Network Azure Network InfiniBand
  13. 13. R User Workstation R Server for Hadoop RDDsHDInsight HDFS RDDs HDFS RDDs HDFS
  14. 14. Video Indexer Cognitive Services Labs
  15. 15. Video Indexer Cognitive Services Labs Custom Custom CustomCustom Custom
  16. 16. 従来の Database + App Intelligence Database + App Application + Intelligence Database Application Intelligence + Database VS
  17. 17. #azurejp Azure Data Lake Azure Media Service SQL Server 2017
  18. 18. Azure Data Lake service Big Data as a Services 無限にデータをストア・管理 Row Data を保存 高スループット、低いレイテンシの分析ジョ ブ セキュリティ、アクセスコントロール Azure Data Lake store HDInsight & Azure Data Lake Analytics
  19. 19. 1. 顔の解析 2. 画像への タグ 付け 3. 顔の感情分析 4. OCR 1. テキストからの重要語句の抽 出 2. テキストの感情分析 Azure Data Lake の 6つの Cognitive 機 能
  20. 20. • オブジェクト認識 (タグ) • 顔認識、感情認識 • JOIN処理 – 幸せな人は誰なのか? REFERENCE ASSEMBLY ImageCommon; REFERENCE ASSEMBLY FaceSdk; REFERENCE ASSEMBLY ImageEmotion; REFERENCE ASSEMBLY ImageTagging; @objects = PROCESS MegaFaceView PRODUCE FileName, NumObjects int, Tags string READONLY FileName USING new Cognition.Vision.ImageTagger(); @tags = SELECT FileName, T.Tag FROM @objects CROSS APPLY EXPLODE(SqlArray.Create(Tags.Split(';'))) AS T(Tag) WHERE T.Tag.ToString().Contains("dog") OR T.Tag.ToString().Contains("cat"); @emotion_raw = PROCESS MegaFaceView PRODUCE FileName string, NumFaces int, Emotion string READONLY FileName USING new Cognition.Vision.EmotionAnalyzer(); @emotion = SELECT FileName, T.Emotion FROM @emotion_raw CROSS APPLY EXPLODE(SqlArray.Create(Emotion.Split(';'))) AS T(Emotion); @correlation = SELECT T.FileName, Emotion, Tag FROM @emotion AS E INNER JOIN @tags AS T ON E.FileName == T.FileName; Images Objects Emotions filter join aggregate
  21. 21. 付加価値を提供する 多くのパートナー ソリューション Streaming / CDN コンテンツ 保護 Processing取り込み と保管 メディア 配信の コア 機能を API として提供 Azure Media Services PlayerAI (Artificial Intelligence)
  22. 22. Vision Speech Language Face 画面上の文字 歴史的建造物 話している言葉 翻訳 話者 オブジェクト シーン 感情 感情 感情キーワード
  23. 23. Azure Media Service Azure Functions 翻訳 感情 キー ワード
  24. 24. R & Python ベースの AI の ストアドプロシージャ MicrosoftML Library の組み込み Graph モデルのサポートによる より複雑な関係を分析 クエリ 処理の最適化による 比類なき パフォーマンス AI を組み込んだ最初の商用データベース SQL Server 2017
  25. 25. • SQL Server, CNTK & R/Python – それぞれの強い部分を連携させた エンタープライズ グレードの AI アプリケーション • データを移動させる必要がないため、セキュリティと効率化が向上 • GPU による、処理能力の向上 Featurization classifier model での スコアリング Web App Diagnosis: 35% certainty Python / R で実装した ストアドプロシージャ ストアド プロシージャ の 呼び出し Model table, Features table, New Images table SQL Server
  26. 26. execute sp_execute_external_script @language = N'R' , @script = N' x <- as.matrix(InputDataSet); y <- array(dim1:dim2); OutputDataSet <- as.data.frame(x %*% y);' , @input_data_1 = N'SELECT [Col1] from MyData;' , @params = N'@dim1 int, @dim2 int' , @dim1 = 12, @dim2 = 15 WITH RESULT SETS (([Col1] int, [Col2] int, [Col3] int, [Col4] int)); ‘R’ もしくは ‘Python’ R file や Python file の 読み込みも 入力データ。 T-SQL SELECT も使 えるスクリプト用のパラメーター。”OUTPUT” もサポー ト。 トレーニング済みのモデルには varbinary(max) を 使用 Result set のバインド(Optional) STDOUT や STDERR と一緒に メッセージ文字列も R dataframe もしくは Python Pandas dataframe
  27. 27. launchpad.exe sp_execute_external_script sqlservr.exe Named pipe それぞれの SQL インスタ ンスがlaumchpad.exe を持 つ SQLOS XEvent MSSQLSERVER Service MSSQLLAUNCHPAD Service “何を” そして “どう” “実行” するか “launcher” Bxlserver.exe sqlsatellite.dll Bxlserver.exe sqlsatellite.dll Windows Satellite Process sqlsatellite.dll Run your “query”
  28. 28. In-memory OLTPColumn Store 大量データの 書き込み処理 PowerBI Dashboardスケールする Database 内の分析 R 業務ユーザー 分析の用意 Stored Predictions Visualize SQL-R を使って、秒間100万件の機械学習の処理も
  29. 29. Gathering Data Store Data Store Data Store Data Store Data Store Training Dataset Model Data Process Training Deploy Prediction Model Model Lang. Image Model Video Dataset Model Dataset Model Model Service
  30. 30. リモートモニタリング・制御 多数のIoTデバイスからの収集データ をマージ 先進AIの適用を可能にする、 無限に近いコンピューティング リソースとストレージ リアルタイム応答に必要な ローレーテンシーでタイトな コントロールループ プライバシーデータや知的財産の保護
  31. 31. Azure IoT Edge IoT Hub Devices Local Storage Azure Machine Learning (Container) Functions RuntimeContainer Management Device Twin Device Twin Azure Stream Analytics (Container) Azure Functions (Container) Cognitive Services (Container) Custom Code (Container) Module Twin Module Twin Module Twin Module Twin Module Twin Module Twin Module Twin Module Twin Module Twin Module Twin
  32. 32. #azurejp
  33. 33. さあ、始めま しょう!azure.com
  34. 34. © 2017 Microsoft Corporation. All rights reserved. Microsoft, Windows, Windows Vista and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries. The information herein is for informational purposes only and represents the current view of Microsoft Corporation as of the date of this presentation. Because Microsoft must respond to changing market conditions, it should not be interpreted to be a commitment on the part of Microsoft, and Microsoft cannot guarantee the accuracy of any information provided after the date of this presentation. MICROSOFT MAKES NO WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, AS TO THE INFORMATION IN THIS PRESENTATION.

×