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.

クラウドの進化とメディア理解の発展

2,060 views

Published on

クラウドの進化とメディア理解の発展について述べる.要点は以下である.
1.自然言語処理技術は踊り場.今後何が起こるかわからない.
2.技術のコモディティ化は早い.
3.グローバルなモジュール化の流れを見誤ってはいけない. 多くのモジュールは調達可能(SenseTimeのモジュールとか)
4.転移学習の今後の発展に期待.
5.クラウドの利用はIoT化の鍵.
6.AIはモジュールから統合システムの一部へ.
7.AIの民主化は進んでいる.
8.セキュリティが大事(この発表では触れられないが)
10. モジュール技術者はトップを除き,駆逐される.
11. システムデザイナーが重要な役割を得る.
12. IoTシステム設計はROIが見極められるかどうか.

Published in: Business
  • Be the first to comment

クラウドの進化とメディア理解の発展

  1. 1. All night stars & Galaxy pictures are courtesy of Nori Yuasa except my own クラウドの進化とメディア理解の発展 栄藤 稔(えとう みのる) ⼤阪⼤学 先導的学際研究機構 教授 株式会社 みらい翻訳 社⻑  6/14/2018 本書に記載の会社名・製品名・ロゴは各社の商標または登録商標です1
  2. 2. 1.みらい翻訳が経験した深層学習による⾃然⾔語処理技 術の激変ぶりと機械翻訳技術開発の苦労話. 2.クラウド事業者によりAIがコモディティー化されよう としている中で企業が取るべき戦略. 3.モジュールからインテグレーションへのシフト. 本⽇,話したいこと 2
  3. 3. 今,こんな感じ. LSTM Transformer Tensor Flow PyTorch MXNet MiraiTranslate 3
  4. 4. COPYRIGHT MiraiTranslate, Inc. 2018 4 モバイル×サービス基盤 翻訳サービス × 翻訳データ企業向け翻訳システム×  多⾔語翻訳 ⾃然⾔語処理技術,企業向けソリューション 多⾔語翻訳技術 × 翻訳データ 技術⽀援 翻訳システムソリューション 機械翻訳を事業とする合弁会社(2014-) in 2018
  5. 5. COPYRIGHT MiraiTranslate, Inc. 2018 5 2500億円 機械翻訳12億円 ⽇本における翻訳・通訳市場規模(2014) 2017年の訪⽇外国⼈、過去最⾼の2869万⼈
  6. 6. Language is a means of communication. ⾔語はコミュニケーションの道具である. 意味 抽象化された⾔葉 ⾔葉 表象的な⾔葉区切りの対応関係 抽象化された⽂章の対応 状況による⽂意 (前後の⽂脈, 置かれて居る状況 五感) 単語分割 単語列⽣成 抽象化 具象化 概念理解 意味⽣成 概念 翻訳ピラミッド(栄藤バージョン) Vauquois Triangleを今⾵に栄藤が解釈 6
  7. 7. COPYRIGHT MiraiTranslate, Inc. 2018 7 【700〜795】 •会議の案内等の社内⽂書・通達を、読 んで理解できる。 •⾃分の仕事に関連した⽇常業務のやり かたについての説明を理解できる 【600〜695】 •⾃分宛てに書かれた簡単な仕事上のメ モを読んで理解できる。 •ゆっくりと配慮して話してもらえば、 ⽬的地までの順路を理解できる 2014年 2016年 2019年 現在の性能(600点) 700点 800点 TOEIC 目指すスコアと到達年度 年度 社会⼈平均:602点 ⽬標スコア ???? 新会社が実現する翻訳精度レベル(Oct. 2014)
  8. 8. Language is a means of communication. ⾔語はコミュニケーションの道具である. 意味 抽象化された⾔葉 ⾔葉 表象的な⾔葉区切りの対応関係 抽象化された⽂章の対応 状況による⽂意 (前後の⽂脈, 置かれて居る状況 五感) 単語分割 単語列⽣成 抽象化 具象化 概念理解 意味⽣成 概念 ⽂章を語句に区切って, 最適化した並び替えをする. 第2世代統計機械翻訳の理解 8
  9. 9. COPYRIGHT MiraiTranslate, Inc. 2018 9 私は 彼⼥ その 映画 に を⾒た 私は を⾒た 彼⼥ に その 映画  I saw   her   in the screen 私は を⾒た? 私が を理解した? を⾒た 彼⼥? ⾒た 彼⼥の? で その スクリーン? に その 映画? 翻訳モデル: フレーズ単位の置換 並び替えモデル: ⾃然な⽂に近づくよう並 び替え SMT:フレーズ単位で翻訳の並び替え
  10. 10. COPYRIGHT MiraiTranslate, Inc. 2018 10 +255 みらい 2015年 400点 ※ ※TOEIC問題集より300文抽出 2014-2015のTOEICスコア
  11. 11. COPYRIGHT MiraiTranslate, Inc. 2018 Encoder I am the alpha Decoder <s> 私 は アルファ 私 は アルファ であり Attention 11 Attention付きRNNベースモデル(2014)
  12. 12. COPYRIGHT MiraiTranslate, Inc. 2018 Greg Corrado, senior scientist at Google Research August 20, 2015 LSTM, hard to progress… The Factory Five Mk4 Roadster 12
  13. 13. COPYRIGHT MiraiTranslate, Inc. 2018 13 3.5 → 4.5
  14. 14. Language is a means of communication. ⾔語はコミュニケーションの道具である. 意味 抽象化された⾔葉 ⾔葉 表象的な⾔葉区切りの対応関係 抽象化された⽂章の対応 状況による⽂意 (前後の⽂脈, 置かれて居る状況 五感) 単語分割 単語列⽣成 抽象化 具象化 概念理解 意味⽣成 概念 Vauquois Triangleを今⾵に栄藤が解釈 第3世代ニューラル機械翻訳の理解 ⽂章をそのまま抽象化したベクトル表現 に置き換え,そこから単語列を⽣成する. 14
  15. 15. COPYRIGHT MiraiTranslate, Inc. 2018 15 Plenary meeting on 4/13/2017 Mick Etoh
  16. 16.  Time Gain Loss Shallow Dive Deep Dive Failure 9/10 Success 1/10 Stop STM Development, Focus on LSTM. 16
  17. 17. COPYRIGHT MiraiTranslate, Inc. 2018 17 ⽇→英 1.00 2.00 3.00 4.00 5.00 SMT NMT 人手翻訳1 人手翻訳2 4.16 4.31334.3 3.207 3.73333.843.743 3.14 伝達レベル 流暢さ 英→⽇ 1.00 2.00 3.00 4.00 5.00 SMT NMT 人手翻訳1 人手翻訳2 4.14 4.2933 3.81 3.247 4.02334.01 3.413 2.973 伝達レベル 流暢さ ・⼈⼿翻訳は⽇→英、英→⽇共にTOEIC900点以上の⽇本⼈が実施 ・SMT に⽐べて NMT は伝達レベル、流暢さ共に⼤きく精度向上 ・特に、⽇本⼈があまり得意ではない英訳については、TOEIC900点相当 と同等レベル  (⼈⼿でも5点満点を取れているわけではない) • 分野:ビジネスコミュニケーション • 評価者:3名(外部翻訳会社) • 評価⽂:100⽂ • 評価基準:伝達レベル(Adequacy)、流暢さ (Fluency)各5段階 SMT と NMT の精度⽐較 性能に関する諸データは公開できません.
  18. 18. http://lotus.kuee.kyoto-u.ac.jp/~nakazawa/ NLP2017-NMT-Tutorial.pdf Word Embedding 22 (local representation) (distributed representation) (0, …, 0, 0, 1, 0, 0, 0, …, 0) (0.05, …, -0.32, 1.83, …, 0.49) word2vec GloVe king - man + woman queen Paris - France + Italy Rome NMT embedding 1 18
  19. 19. COPYRIGHT MiraiTranslate, Inc. 2018 19 Google すごい! NMTの特徴
  20. 20. COPYRIGHT MiraiTranslate, Inc. 2018 http://www.pre-eikaiwa.com/welcome-there-is-an-english-menu/ 20
  21. 21. COPYRIGHT MiraiTranslate, Inc. 2018 21 この店には英語の メニューがあります. This store has an English menu. http://menman.exblog.jp/20574017/
  22. 22. COPYRIGHT MiraiTranslate, Inc. 2018 22 ⻄郷さんが北薩摩の東郷村に来た時、住⺠が くれた⽝が“ツン”という⽝である. みなさん,訳せますか?
  23. 23. COPYRIGHT MiraiTranslate, Inc. 2018 23
  24. 24. COPYRIGHT MiraiTranslate, Inc. 2018 24 TOEIC900点以上の英作⽂能⼒
  25. 25. COPYRIGHT MiraiTranslate, Inc. 2018 25 • WMT: 世界トップの機械翻訳精度を競うコンペティション – 毎年開催されており、5⽉22⽇が今年のシステム提出締め切りだった – 世界中の機械翻訳研究者が注⽬しており、
 ここで良いスコアを出した⼿法は世界的に使われる傾向がある • トップスコアを達成した機械翻訳システム – 2015年: フレーズベースSMT – 2016年: Attentional NMT – 2017年: Attentional NMT – 2018年: Transformer (トップスコアのシステムは14⾔語対全てでTransformer) • 世界の主流は完全にTransformerに移った 機械翻訳シェアードタスクWMTでの傾向
  26. 26. COPYRIGHT MiraiTranslate, Inc. 2018 Encoder I am the alpha Decoder <s> 私 は アルファ 私 は アルファ であり Attention Self-attention Masked 
 Self-attention 26 Transformerモデルの概要
  27. 27. COPYRIGHT MiraiTranslate, Inc. 2018 27 • RNNと違い、全トークンとの依存関係を直接参照し ている – globalな依存関係を考慮した埋め込みベクトルが学習できる (e.g. 代名詞の解決など) – RNNはあくまで⼀期先のマルコフ依存関係しかないし、⻑期記憶も限界がある • レイヤ内での依存関係がないので、並列計算が容易 – 巨⼤な⾏列積の形で⼀括計算可能, GPUに有利 – GNMTのようなレイヤごとのGPU割当などのハックがいらない • シーケンスに対する計算複雑度が下がる Why Self-Attention
  28. 28.  Time Performance 臨界点を超えると⾒る世界が異なる ⾳声認識 2012 2014 2016 DNN 単⼀画像認識 多層CNN ⼀⽂機械翻訳 LSTM Google Neural Machine Translation Comercial Debut ??? Transformer 28
  29. 29. COPYRIGHT MiraiTranslate, Inc. 2018 V.S. 29 • メガプラットフォーマーとは競争しない. • 特定の事業領域を垂直に深耕する. • 業界,コミュニティのデータ商流を形成する. • AWS,Azure, GCP は⾼セキュリティの下で使ってます. みらい翻訳の⽴ち位置
  30. 30. COPYRIGHT MiraiTranslate, Inc. 2018 30 ⼀般IT分野 1.00 1.68 2.35 3.03 3.70 特化モデル 他社エンジン 特定企業分野 1.00 1.71 2.41 3.12 3.82 特化モデル 他社エンジン 特殊解が汎⽤分野では性能が出ない例 • 4段階評価の平均値例:IT分野における特定企業特化モデル 分野モデル → 特化モデル 特殊解が特定分野では成功する例.
  31. 31. COPYRIGHT MiraiTranslate, Inc. 2018 31 We Speak Your Industry’s Language. SYSTRAN HQ in Seoul
  32. 32. COPYRIGHT MiraiTranslate, Inc. 2018 32 一般企業様 翻訳会社様 公共機関様 B2B Data Federation
  33. 33. https://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html Present Future Trajectory based on the past growth rate Trajectory based on the present growth rate Trajectory taking exponential growth in to account  Time  Performance 研究=事業 33
  34. 34. 2018 AIは モジュールから統合システムの⼀部へ 34
  35. 35. •Deep Learning を中⼼とした機械学習の進歩. •⾮ICT 産業のICT化による”データ”の表出. •ハードウェアとクラウドによる実装技術の進化. 35 何がここ数年のAIの産業応⽤を実現したのか?
  36. 36. 36 Japan & MassMedia System of Systems AI Perception
  37. 37. IoTとか⼈⼯知能とか 機械学習 ビッグデータ ビジネス設計 センサー・ネットワーク技術 クラウド&データベース技術 システムエンジニアリング 企業⽂化・組織改⾰ ICT⼈材育成・スタートアップ デジタル変⾰ AI は技術モジュールからインテグレーションの時代に突⼊した. 37
  38. 38. 38 ほとんどがクラウド で揃う 分析保存 Amazon Glacier Amazon S3 Amazon DynamoDB Amazon RDS/ Aurora AWS Glue Amazon CloudSearch Amazon EMR Amazon EC2 Amazon Redshift Amazon Machine
 Learning AWS IoT AWS Direct Connect 収集 Amazon Kinesis Amazon Kinesis Firehose Amazon Elasticsearch Amazon Kinesis Analytics Amazon QuickSight AWS DMS Snowball 可視化 Amazon EC2 Amazon Athena AWSマネージドサービス:ビッグデータ領域
  39. 39. ⾮定型 定型 知識労働 作業労働 第II象限: AIが強化 第Ⅰ象限 AI/ロボティクスが分担 第Ⅳ象限:AI/ロボティクスが代替 スポーツの審判 スーパーのレジ係 第Ⅲ象限:AIが代替 農産物の仕分け係 俳優 ⻭医者 読影医 保険の審査担当者 不動産のブローカー 消防⼠ 税務申告代理⼈ 司法書⼠ 建設機器操作員 経営者 エコノミスト 介護⼠ 精神科医 弁護⼠ ⼯場の組み⽴て係 ⼩売接客係 39 IoTのターゲット RPA!
  40. 40. ドメイン技術通信を伴うデジタル化 IoT = ICT + OT (Operational Technology) 40
  41. 41. Bloomberg BETA(VC)によるトレンド分析資料・2016向けより抜粋 エージェント/アシスタント ⾃動制御(ドローン、⾃動⾞、船、⼯場機器) Security HR Marketing カスタマーセンター 社内稼働管理 市場分析 基盤機能提供(機械学習基盤、⾳声認識、画像認識・・・・) 広告 農業 ⼩売 財務管理 法務 医療 ヘルスケア 教育 流通 投資分析 AIサービス提供者向け各種ツール提供 社会問題 材料/製造 ※Pitchbook調査に AI関連といわれる企業数は 1100社以上※。 適⽤分野は対話/⾃動制御/ セキュリティ/・・・広告/医療/農業・ など多種多様。 ⾮ICT分野のデジタル変⾰ が進⾏中 41 ⽶国内AI関連事業の概況
  42. 42. • プラットフォーム⾰命 (サイバーX 実空間の統合最適化) • アマゾンの⼩売:ネットで注⽂(サイバー空間)ロボットで梱包,ドロー ンで配送(実空間). • Uberの貨客混載物流:スマホで注⽂(サイバー空間),⾞で⽣鮮⾷品も 配送(実空間) • 農⽔産物の商流が劇的に変化する前兆がある. • 定型業務の置換:医療・農作業・投資信託の⾃動化が進展 42 AIで今,起きようとしていること
  43. 43. National Robotics Engineering Center, CMUの ⾃律⾃動化のケーススタディ (2014) 時給$15x10週間 =$6000/⼈年 x500⼈=$3M 時給$50x52週間 =$104,000/⼈年 x75⼈=$7.8M 時給$25x52週間 =$52,000/⼈年 x5000⼈=$260M 時給$62x52週間 =$124,800/⼈年 x500⼈=$62M 43
  44. 44. National Robotics Engineering Center, CMUの ⾃律⾃動化のケーススタディ (2014) 4〜5農場が共同で 2000⼈規模の ⾃律⾃動化 2年でリターン PoC前に中⽌ 事業者が リスク取らず 企業秘密 44
  45. 45.  Time Fulfillment Progress Blueprinting(概念設計) Instrumentation(実装設計) Pilot & ROI(仮説検証) Scale(展開) Machine Data Analysis(データ解析) System of Systems(システム連結) IoT Customer Journey Time 壁 45
  46. 46. • IoTの費⽤対効果:儲からない. ✦GE PREDIXの成功例は? • ICTリソースとOTリソースの乖離:まともな会社がない. • プラットフォーム志向の⽋如:エコシステム設計者がいない. ✦結果と⼿段・コストの相克:鶏と卵問題 だからPoC&ROIが⼤事 ✦セキュリティは発展途上 ✦ベストプラクティスがまだ共有されていない. 46 IoT+AIに関する議論
  47. 47. アルゴリズムしか 知らない研究者 データベースしか 知らないエンジニア 47 こんなギャップを埋めるキーワードは”クラウド” 駆逐 傾向
  48. 48. Google AutoML Vision(alpha版)で
 ラーメン⼆郎 分類器を作ってみた 2018年2⽉ by Tetsuo Sumiya, NTT DOCOMO 好きなもの:DevOps,⾃動化,CICD( continuous integration and continuous delivery) 48
  49. 49. 突然ですが、どこのラーメン⼆郎でしょう? 49
  50. 50. 突然ですが、どこのラーメン⼆郎でしょう? 50 三⽥本店 関内店 元ネタ:Large Scale Jirou Classification - ディープラーニングによるラーメン⼆郎全店舗識別 https://www.slideshare.net/knjcode/large-scale-jirou-classification
  51. 51. • Google のインフラを活⽤したクラウドサービス • 主なサービスは コンピューティング、ストレージ、ビックデータ、機械学習等 ✦ コンピューティング ✓Compute Engine, App Engine, Kubernetes Engine, Cloud Functions(β) ✦ ストレージ ✓Cloud Storage, Cloud SQL, Cloud Bigtable, Cloud Spanner, Cloud Datastore ✦ ビッグデータ ✓BigQuery, Cloud Dataflow, Cloud Dataproc, Cloud Datalab, Clopud Pub/Sub …etc ✦ 機械学習 ✓Cloud Machine Learning Engine, Cloud Natural Language API, Cloud Translation API, Cloud Vision API …etc Google Cloud Platformとは 51
  52. 52. • 専⾨知識が無くても学習済のモデルを活⽤できるAPIを提供していたが、
 独⾃のモデルを作りたい場合にはまだまだ専⾨知識が必要 GCPの機械学習系サービス ⾼いカスタマイズ性, Googleの技術を利⽤可能 専⾨知識が無くても簡易に利⽤可能 52 Cloud Vision API Cloud Translation API Cloud Natural Language Cloud Speech- to-Text Cloud Video Intelligence Cloud Text-To- Speech Machine Learning APIs: Google Cloud ML Engine ML Frameworks:
  53. 53. • 既存のサービスの間を埋めるのがCloud AutoMLサービス.第⼀弾はVision だが、そのほかの分野にも拡張予定 GCPの機械学習系サービス ⾼いカスタマイズ性, Googleの技術を利⽤可能 専⾨知識が無くても簡易に利⽤可能 Cloud Vision API Cloud Translation API Cloud Natural Language Cloud Speech- to-Text Cloud Video Intelligence Cloud Text-To- Speech Machine Learning APIs: Google Cloud ML Engine ML Frameworks: AutoML: AutoML Vision 53
  54. 54. • ⾃分が持っているデータセットをアップロードするだけで、
 カスタムモデルを作成し、デプロイまで簡単なUIで構築可能 • シンプルな転移学習により数分でデモまで作れる • 早ければ⼀⽇以内にLearning to Learnを活⽤した、
 ⾼精度なモデルの構築も可能 Cloud AutoML Vision 54
  55. 55. ある領域で学習させたモデルを、別の領域に適応させる技術.広くデータ が取得できる領域で学習したモデルを、データの収集が困難な別の領域に 適応させることができる. 転移学習とは モデルの構成とパラメータはそのまま使う 最後の層 だけ 再学習さ せる 55 出典:mNeuron: A Matlab Plugin to Visualize Neurons from Deep Models
 http://vision03.csail.mit.edu/cnn_art/index.html
  56. 56. • 「メタラーニング」、「学習⽅法の学習」、モデルの構築には⾮常に⾼度な知識やノウハウが 必要とされるため、ニューラルネットワークのモデル構成を最適化するための⼿法. • AutoML Visionでは、ニューラルネットワークアーキテクチャ検索技術を活⽤. 
 https://research.google.com/pubs/pub45826.html Learning to learnとは 56 出典:TensorFlow Dev Summit 2018 Keynote
  57. 57. • Python – beautifulsoup ライブラリを使ってスクレイピング • URLを指定し、beautiful soupでlxmlパース • パースした結果からfind_allメソッドを使い、フィルタ条件にimgタグ, classなどを指 定することで簡単に画像収集可能 • ⼆郎の三⽥本店、横浜関内店、⽬⿊店、品川店、中⼭店のページを対象に収集 • 収集した結果を⽬視でざっくりチェックし、ラーメン以外の画像を削除(なぜか⽔を 写したものや、スープを全部飲み⼲した写真などが結構ある) ラーメン⼆郎分類器の作成 – 画像収集 書いたコードこれだけ 57
  58. 58. • Google Cloud Storageに格納し(もしくはブラウザでアップロード)、CSVで画像のパスとラベルをまとめる • 画像に対し、⼀つ以上のラベルを付与可能.画像の中の位置などは指定できない • 最低限ラベルは2つ、画像はラベルあたり10枚あればモデルを作ることはできるが精度は低い.推奨は ラベルあたり50枚から100枚 • 認識するラベル以外の画像も対象外として登録することが推奨される ラーメン⼆郎分類器の作成 – ラベリング 58
  59. 59. ラーメン⼆郎分類器の作成 – ラベリング ラベリングのための
 分かりやすいGUI 人力ラベリング
 サービス 統計情報 (ラベルあたりの画像数表示) 59
  60. 60. • 転移学習だけであれば無料.数⼗分で独⾃ モデルを構築 • メタ学習を利⽤したモデル構築は約⼀⽇か かる • アップされたデータセットをランダムに分 類.80%をトレーニング⽤、10%をハイ パーパラーメタチューニング⽤、10%を モデルの評価(トレーニングに使われない) に利⽤ • 今回は無料枠で構築 トレーニング 60
  61. 61. • AUC(PRC) • 5店舗全体 •Area Under the 
 Precision(適合率)/Recall(再現率)
 Curve - 0.9559 • 各店舗AUC(PRC): • 三⽥本店 - 0.9709 • 関内店 – 0.9701 • ⽬⿊店 – 0.9470 • 中⼭店 – 0.7983 • 品川店 – 0.9263 モデルの評価 61
  62. 62. • 画像のスコアリング結果表⽰ モデルの評価 62
  63. 63. • 中⼭店だけAUCが低い.データが少ないのに加えて完⾷や、ど アップ、ラーメン以外の写真が多かった モデルの評価 63
  64. 64. • トレーニング後は⾃動的にデプロイされる • ブラウザで画像をアップして結果を表⽰できる • カスタムモデルをCloudML上でデプロイされる ので、CLIやSDKから叩ける • VISION APIからも叩くことができる デプロイ 64
  65. 65. • Google Cloud Platformの概要 • Google AutoML Vision(alpha版)の概要 • ラーメン⼆郎分類器の作成 • 画像収集(5店舗) • ラベリング • トレーニング • 構築したモデルの評価 • デプロイ • 機械学習の素⼈でも、画像収集からカスタムモデルのデプロイまで2〜3時間程 度で完了できた.ラーメン⼆郎三⽥本店にもの凄く⾏きたくなった Lessons Learned 65
  66. 66. = IT/AIの⺠主化 66 ソフトウェア化の⼒
  67. 67. 静岡県の農家⼩池誠さんによるキュウリ仕分機(2016) 現在は実運⽤中,第4世代機を開発中 67
  68. 68. 68 http://www.itmedia.co.jp/enterprise/articles/1804/12/news021.html 写真は,エルアンドエーの取締役副社⻑、⽥原⼤輔さん提供 福岡県クリーニング店取締役副社⻑、 ⽥原⼤輔さん
  69. 69. AWS Kinesis Video と REKOGNITION で実時間顔認識システムを作ってみた. by Mick Etoh,Osaka University with DAIKIN & COGNIZANT 好きなもの:みらいのオフィス設計 69
  70. 70. 70 (by Courtesy of Cognizant)
  71. 71. 71 AWS IoT アーキテクチャー Endpoints デバイスの導⼊、 管理、SWアップ デート デバイスの 監査と保護 IoTデータ分析と インテリジェンス Gateway モノ
 センサー、実⾏ クラウド
 保存、計算 ローカルでの安全な トリガー、アクション、 データの同期 知能 (Intelligence)
 洞察と論理 → 実⾏ 安全な デバイス接続と メッセージング
  72. 72. Kinesis Video Streams 72
  73. 73. 時間符号化データを永続的に暗号化・保存・インデクス化 動画は時間符号化データの⼀例. オーディオ信号、RADAR 信号、 LIDAR 信号も取り扱い可能. 任意のChunkにアクセス可能 Producer-Consumerの数に 対してオートスケール データ⽣成のためのSDK REKOGNITIONと統合 Apache MxNet、 Tensorflow、OpenCV な どの ML フレームワーク を動画ストリームと統合 73
  74. 74. 74 Auto Scaling Group Producer SDK Kinesis Video Streams 動画像のキャッシュ REKOGNITION 認識 Kinesis Data Streams 認識結果のキャッシュ Dynamo DB RedShift Producer SDK Producer SDK Lambda データ保存 Kinesis Fire horse 認識結果の整形 Lambda 実時間フロー 蓄積・解析フロー S3 Bucket
  75. 75. 75
  76. 76. 76 Geek Regular Folks G A M
  77. 77.  Time Technology Development Technology Adoption (Integration) Fulfilment Ratio 77 研究=事業 このギャップは狭い
  78. 78.  Time Technology Development Technology Adoption (Integration) Fulfilment Ratio 78 モジュール調達可能性,産業エコシステムの⾒極め 技術経営の本質 ⼆つのカーブの⽴ち上がりの タイミングを⾒極めること
  79. 79. Ss 79
  80. 80. Courtesy of DOCOMO Innovations AI分野での動き Ready to useIn-House Development Edge Cloud 「AIを構築するツール」 → 「AIサービス」 「Cloud」 ↓ 「Edge」 AIを⾃社構築して 事業導⼊ AIの⺠主化を加速 制約条件の克服 (通信コスト・遅延 セキュリティ) AI Everywhere 80
  81. 81. 81 Letʼs see what will wait us.

×