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.

Microsoft AI Platform ビジネスでAI活用するヒント

260 views

Published on

最新のMicrosoftのAI技術を例に、具体的にご自分のビジネスのどこでAIが利用できるのかを考えるヒントとなる情報をご紹介します。

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Microsoft AI Platform ビジネスでAI活用するヒント

  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. 製造設備 原材料、プロダクト 予防保全 顧客中心主義 迅速に革新し、より機敏になる スマートプロダクト サービス・エコシステム コネクテッド・コンシュー マ 顧客 サプライ チェーン 設計開発 製造 マーケティ ング 販売 サービス
  3. 3. 完全自動運転で100%無事故を 実現しようとすると最低でも 88億マイルを テストしなければならない。1 2020年、自動運転車は1日に 約4,000ギガバイ トのデータを生成し、消費する。2 Paris Auto Show Automobility Los Angeles Gartner TechRadar Earthdata Automobility Los Angeles 2020年、204億のモ ノがつながる。3 90分のアニメーション映像を製作す るために、6,500万時 間分の 画像レンダリングが必要となる。4 2020年、飛行機から1日 に 40テラバイ NASAの地球観測システムおよび 情報システム(EODSIS)は、 1日に約28テラバイ トのデータを配信している。5
  4. 4. #azurejp 2012 深層学習 Google Brain が 、YouTube で 猫を 75% の精度で識 別 機械学習 学習させ続ける事で 自律的に改善し続けるプログラム AI コンピュータが、 人間が通常行っている 事を行う AI ニューラル ネットワー ク 機械学習 深層学習 (ニューラルネットワークの進 化) 1956 用語 “人工知能” が使用され る 最初の 「AIの冬 」 2回目の 「AIの冬 」 1974-1980 1987-1993 2006 深層学習の 台頭 2015 グーグル DeepMind の AlphaGo が囲碁で Lee Sedol を破る 2016 マイクロソフト が、 会話の音声認識 で 人間と同じ精度 を 実現 マイクロソフト が、 画像認識で 人間と同じ精度 を 実現
  5. 5. Services Infrastructure Tools
  6. 6. Pre-built AI
  7. 7. Custom Custom CustomCustom Custom
  8. 8. だから何なの?
  9. 9. • 雑草 農薬にお金 コンバイン x AI 大幅 応用
  10. 10. Eラーニングシステ ム 動画配信 Media Services 字幕作成 Media Indexer 字幕翻訳 Microsoft Translator + + +  動画配信システムの初期導入コストの大幅削減  字幕の作成、翻訳にかかる時間とコストを大幅 に削減  マルチデバイスに対応した動画配信  多ユーザーの同時視聴に耐えうる動画配信  視聴ログを基にした自動評定  教員自らが動画コンテンツを管理できる仕組み 特徴
  11. 11. 90分のコンテンツ 現状 導入後 字幕起こし費用 最低15000円? 平均153円 字幕起こし時間 900分? 平均29分程度 字幕翻訳費用 20,000円? <50円 字幕翻訳期間 15~20日? 平均20分程度 1/100 1/30分 1/400分 1/1080分
  12. 12. John F. Kennedy (JFK) November 22, 1963 http://aka.ms/jfkfiles
  13. 13. Web App (azsearch.js) Blob Storage Azure Function Skills: Computer Vision OCR + Handwriting Entity Linking CIA Cryptonyms Azure Search Cosmos DB Azure Machine Learning Cognitive Skill Set JFK FILES COGNITIVE SEARCH ARCHITECTURE Skill: Topics
  14. 14. Positive Text Analytics
  15. 15. Entities Identified Positive Text Analytics Entity Linking Intelligent Service
  16. 16. entityTypeHints": [ "Person" ], "entityTypeDisplayHint": "Explorer" "entityTypeHints": [ "Drug" "entityTypeHints": [ "Place" Positive Entities Identified Text Analytics Entity Linking Intelligent Service Entities Type Bing Entity Search API
  17. 17. デー タ AI
  18. 18. 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
  19. 19. 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
  20. 20. Custom AI
  21. 21. 運用データの準備 ビルドモデル Azure Machine Learning Experimentation Service Azure Machine Learning Model Management Service
  22. 22. プロジェクトの依存関係の管理 トレーニングジョブのローカル、スケール アップまたは スケールアウトの環境から選択 Git ベースのチェックポイントとバージョン管 理 実行メトリック、出力ログ、およびモデルの サービスサイドキャプチャ お気に入りの IDE、および任意のフレームワー クを利用 U S E T H E M O S T P O P U L A R I N N O V A T I O N S U S E A N Y T O O L U S E A N Y F R A M E W O R K O R L I B R A R Y
  23. 23. VISUAL DRAG-AND-DROP CODE-FIRST
  24. 24. Spark SQL Server GPU インスタンス コンテナー サービス Azure Machine Learning Workbench / AI Tools for VS SQL Server Machine Learning Server オンプレミス エッジ コンピュー ティング Azure IoT Edge 実験および モデル管理 Azure Machine Learning Service トレーニングとデプロ イ Azure
  25. 25. 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
  26. 26. Azure IoT Edge IoT Hub Devices Local Storage Azure Machine Learning (Container) Module Management Agent 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 TwinModule Twin Module Twin Module Twin Module Twin Device Twin Module Twin Module Twin Module Twin Module Twin Device Twin IoT Hub
  27. 27. #azurejp Machine Learning Rule base Intelligent App
  28. 28. #azurejp
  29. 29. © 2016 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.

×