https://satonaoki.wordpress.com/2017/03/02/devsumi-microsoft-ai/ https://docs.com/satonaoki/2666/developers-summit-2017-microsoftai https://www.slideshare.net/satonaoki/20170216devsumiai http://event.shoeisha.jp/devsumi/20170216/session/1250/

5. 東京大学 特任准教授
松尾 豊 氏 による AI 発展の系譜
総務省「AIネットワーク社会推進会議」資料

7. 過去のデータの傾向を
モデル(数式やルール)に
変換
→過去の傾向から未来を
予測
傾向のモデル化
と予測
データを多次元空間に
マップして、近いデータ
を集めてグループ化
→人間には判別できない
類似傾向をもつ
グループを発見
多次元空間での
集約
大量のデータ項目 (変数)
の関連性を高速に計算し、
関係を可視化
→業務環境の状況把握や、
経年変化などを察知
関連性の高い変数の
組み合わせ発見

9. 性別 年齢 配偶者 子供人数
…
製品カテゴリ
男性 19 無 0 1
女性 44 有 2 3
男性 49 有 1 2
男性 12 無 0 3
女性 37 無 0 1
女性 60 有 2 4
男性 44 有 1 2
女性 27 有 0 4
女性 51 有 3 2
女性 81 有 2 1
男性 22 無 0 3
男性 29 無 0 2

10. 性別：男
年齢：45
配偶者：有
子供人数：2
“商品カテゴリ2”

11. ・・・・・
・・・・・
・・・・・
・・・・・
・・・・・

15. Microsoft の AI 分野での取り組み
Bing maps
提供開始
目的地への
最短経路
Microsoft
Research
設立
Hotmail
提供開始
迷惑メールの
判別
Bing search
提供開始
最適な
検索結果
1991 20091997 2008
Kinect
販売開始
人の動きを
認識する
Azure ML
提供開始
将来起こること
の予測
Skype
Translator
提供開始
人の言葉を
認識する
2014 20152010
CNTK
OSS公開
深層学習
ツールキット
2016
Cognitive
Services
提供開始
知覚・記憶・
判断・推理
2016
クラウド
ロボティクス分野
戦略提携
Pepper による
次世代型店舗
2016
Microsoft AI
and
Research
Group
設立
2016
りんな
提供開始
会話型
AI
2015

16. アプリケーション インフラエージェント サービス
Microsoft AI and Research Group
5,000 人以上の AI 専門チーム アプローチ
Cortana のような AI
を利用したエージェン
トにより、人とコ
ンュータのやりとりを
根本的に変える。
写真アプリ、Skype,
Office 365 等の全ての
アプリケーションに AI
を取り入れる。
認知機能、機械学習を
利用した分析などのイ
ンテリジェント機能を
全てのアプリケーショ
ン開発者に提供する。
Azureを利用して、世
界で最も強力な AI
スーパーコンピュータ
を構築し、誰でも利用
できるようにする。

17. • Personal Digital Assistant ：人工 AI 秘書
• Cortana for Android, Cortana for iPad
リリース済み。Cortana Devices SDK 発表
• Cortana に対応したアプリ開発も可能

18. • IM
50以上の言語サポート
• 通話
中国語, 英語, フランス語,
ドイツ語, イタリア語,
ポルトガル語,スペイン語,
アラビア語, ロシア語

19. https://www.microsoft.com/en-us/translator

20. LINE ID：@ms_rinna

21. AI の民主化

24. Action
People
Automated
Systems
Apps
Web
Mobile
Bots
Intelligence
Dashboards &
Visualizations
Cortana
Bot
Framework
Cognitive
Services
Power BI
Information
Management
Event Hubs
Data
Catalog
Data
Factory
Machine Learning
and Analytics
HDInsight
Stream
Analytics
Intelligence
Data Lake
Analytics
Machine
Learning
Big Data Stores
SQL Data
Warehouse
Data Lake
Store
Data
Sources
Apps
Sensors
&
Devices
Data
Cortana Intelligence Suite

25. AI 利用 → Machine Learning へのステップ
人工知能パーツを
用いたWebサービス
を試す
人工知能パーツ
を使う
自分でモデル
を作成するMLテンプレート
を使う
（既存のモデル） ・R
・Python
・SPSS
・SAS
・Hadoop
・Spark
Cognitive Services
Azure Machine Learning
How-Old.net

26. 機械学習 教師あり学習
教師なし学習
強化学習
決定木
線形回帰
SVM
ロジスティック回帰
ニューラルネットワーク
クラスタリング
次元削減
Q学習
K-mean法
主成分分析
正準相関分析
ディープニューラル
ネットワーク
畳みこみニューラル
ネットワーク
再帰的ニューラル
ネットワーク
回帰結合ニューラル
ネットワーク

28. → MLによるモデルを自作せずに結果だけ利用

33. Face
Computer
Vision
Emotion
Video
Speaker
Recognition
Custom
Speech
Bing Speech
Linguistic
Analysis
Language
Understanding
Bing
Spell Check
Web Language
Model
Text Analytics
Knowledge
Exploration
Entity Linking
Academic
Knowledge
QnA Maker
Bing
Image Search
Bing
Video Search
Bing
Web Search
Bing
Autosuggest
Bing
News Search
Translator
Content
Moderator
Recommendations

34. Face
Computer
Vision
Emotion
Video
Speaker
Recognition
Bing Speech
Linguistic
Analysis
Language
Understanding
Bing
Spell Check
Web Language
Model
Text Analytics
Knowledge
Exploration
Entity Linking
Academic
Knowledge
Bing
Image Search
Bing
Video Search
Bing
Web Search
Bing
Autosuggest
Bing
News Search
Translator
Content
Moderator
QnA Maker
Recommendations
Custom
Speech

35. Custom
Speech
Linguistic
Analysis
Language
Understanding
Bing
Spell Check
Web Language
Model
Text Analytics
Knowledge
Exploration
Entity Linking
Academic
Knowledge
Bing
Image Search
Bing
Video Search
Bing
Web Search
Bing
Autosuggest
Bing
News Search
Translator
QnA Maker
Recommendations
Face
Computer
Vision
Emotion
Video
Speaker
Recognition
Bing Speech
Content
Moderator
見る+認知機能

38. 導入事例：東京サマーランド様

39. Custom
SpeechFace
Computer
Vision
Emotion
Video
Speaker
Recognition
Bing Speech
Linguistic
Analysis
Language
Understanding
Bing
Spell Check
Web Language
Model
Text Analytics
Knowledge
Exploration
Entity Linking
Academic
Knowledge
Bing
Image Search
Bing
Video Search
Bing
Web Search
Bing
Autosuggest
Bing
News Search
Translator
Content
Moderator
QnA Maker
Recommendations
言語+認知機能

40. ダイアログ形式のコミュ
ニケーションを実装
(C#, Node.js)
BOT アプリをメッセージ
ングサービスに接続
Bing, Cortana などから
利用できるディレクトリ
に登録

45. http://www.nri.com/Home/jp/news/2015/151221_1.aspx

46. http://www.headwaters.co.jp/news/pepper/SynApps.html

47. https://www.microsoft.com/
cognitive-services/en-us/pricing
https://www.luis.ai/
https://www.cris.ai/
https://portal.azure.com

48. 48

49. 49
※ Wikipedia より引用
定型レポート
（SSRS）
セルフサービス BI
（Power BI）
マシンラーニング
（Azure ML）
機械学習とデータマイニングは交差する部分が大きく、技法も同じなので混同されることが多いが、次のよう
に定義できる。
• 機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。
• データマイニングの目的は、それまで「未知」だったデータの特徴を発見することである。

50. • レコメンデーション
• 同じ商品を買った人が買った別のアイテムを お勧め商品として提示
• 同じ属性を持った人が買った商品を お勧め商品として提示
• 分類
• メール本文・タイトルの内容からスパムメールの分類
• Web サイトの行動履歴から不正ユーザの検出
• 異常検知
• センサー情報に基づく機械故障予測
• NW アクセス情報から不正アクセスや攻撃を検知
• ユーザ属性の推定
• 属性情報が完全に取れているお客様のデータから、属性情報に欠損のあるお客様の属性情報を推定
50

51. 5151
機械学習 教師あり学習
教師なし学習
強化学習
決定木
線形回帰
SVM
ロジスティック回帰
ニューラルネットワーク
クラスタリング
次元削減
Q学習
K-mean法
主成分分析
正準相関分析
ディープニューラル
ネットワーク
畳みこみニューラル
ネットワーク
再帰的ニューラル
ネットワーク
回帰結合ニューラル
ネットワーク

52. • クラウドベースの機械学習実行基盤
• 機械学習の「モデル作成」「モデルの評価」から、作成した分析モデルのデプロ
イ（ Web サービス化）まで、機械学習 の開発～サービス提供で必要となるすべ
てのコンポーネントを PaaS で提供
Microsoft Azure Machine Learning
開発環境
予測モデルのデプロイ
（ Web サービス ）
52

53. 熟練者のノウハウをサービス化して世界に展開
53
経営課題
• 高度な予兆保全サービスによる連続稼働性の向上と、
低コストの保守ビジネスによる利益確保を両立したい
• 急成長するアジア市場で保守技術者の大量育成が必要
効果
解決策
“我々は予防保全の業界標準の先を行き、先取りした予兆的な保全を行うことにより、
より高い稼働時間を保証したかった”
ANDREAS SCHIERENBECK
CEO
ThyssenKrupp Elevator
• ThyssenKrupp とその顧客の保守費用を削減
• 予測モデルの精度を向上し、急成長する市場の未熟な保守
技術者も活用
• エレベーターの稼動データをリアルタイムに監視・見え
る化し、PCやモバイルでどこでも活用
• 問題発生時の対処方法のノウハウを機械学習でシステム
に学ばせ世界中に展開

54. 5454
デバイス・コネクティ
ビティ
データ収集と
ブローカー
サービス
イベント処
理とデバイ
ス管理
データ管理
（変換・蓄
積・処理）
高度な分析
(Big Data 処
理)
データの提供と
表現・気づき
モビリティとコラボレー
ション
ISS Agent
ISS Gateway
Event Hub
Blob Storage
マシンデータ
の蓄積
Azure ML
予兆の学習モデル
Azure ML
修繕方法の
学習モデル
ダッシュボード
参照 • 顧客
• 設備
• 担当者
Notification
Hubs
通知
予兆イベント
修繕方法
の推奨
• ヘルス状態
• インシデント管理
• 対応のディスパッチ
現地技術要員の
モバイルデバイス
オペレーション
センター
Power BI
セルフサービス分析
『ThyssenKrupp teams up with Microsoft to create ‘smart’ elevators』
http://blogs.microsoft.com/firehose/2014/09/30/thyssenkrupp-teams-up-with-microsoft-to-create-smart-elevators/
数千のシステムとセンサー データ
• イベント :
✓ドア開閉、軸アライメント、キャビン速度、
モーター温度など
• アラーム :
✓故障アラーム、エラーコードなど

55. Azure ML を用いてビルの熱源・動力の制御モデルを構築し、自動制御を実施
55
① 建物の情報を Microsoft Azureにリアルタイム送信
② 機械学習 Microsoft Azure Machine Learning によりデータを解析・学習し、建物にフィードバック
これまでのビル設備管理は“経
験と勘”に頼っていたが、今回
の連携とクラウド化によって、
実データに基づく制御モデルの
構築や管理の自動化が可能とな
り、ビルの使用エネルギー効率
化と管理負担の軽減が実現する

56. ビジネス課題
• ゲーム開始直後 (3ヶ月以内) に解約する会員の増加
• 解約が予期される会員への早期のアクションが必要
• アクティブ期間が伸びるほど収益への影響が大きい
利用データ
最初の3日間の下記データを基に150以上のパターン化(数十TB以上)
• Engagement（各セッションや日毎の利用時間）
• Performance（ランキング、勝利数、敗退数）
• Social（友人や他ユーザーとの同時プレイ数）
モデリング
• パターン化されたユーザー毎に次の7日間の行動を分析
• 1 週間分のデータを基にモデルのテストを実施
（Boosted Decision Tree を活用）
効果
 ランダム抽出による従来の分析方法に
比較して、3倍以上の精度で解約する
会員を特定
 AUC*：0.779
 影響を与えた主要な項目：
・友人とのプレイ数
・3日目のプレイ数
・3日目のプレイヤーの Grade
*AUC (Area under the carve)
AUC 0.9 - 1.0 High accuracy
AUC 0.9 - 0.7 Moderate accuracy
AUC 0.5 - 0.7 Low accuracy

57. 5757

58. 1. トレーニングデータ（実績データ）の準備
• 予測モデルを作成する為のトレーニングデータ（実績データ）を準備
例：顧客属性によるお勧め商品の提示（リコメンデーション）を行いたいのであれ
ば、どういった属性情報のお客様が、どういう商品を買ったのかという実績データ
が必要
2. 予測モデルの開発と評価
3. 予測モデルの公開（Web サービス）
• 作成した予測モデルは、非常に簡単な操作でWebサービスとして公開可能。
58

59. ① 部品をドラッグ＆ドロップ
②各部品のプロパティーを設定
59
Azure ML Studio の基本的な使い方

60. ① 部品をドラッグ＆ドロップ
②各部品のプロパティーを設定
60Azure ML Studio の基本的な使い方

61. 61

62. 62
性別 年齢 配偶者 子供人数
…
製品カテゴリ
男性 19 無 0 1
女性 44 有 2 3
男性 49 有 1 2
男性 12 無 0 3
女性 37 無 0 1
女性 60 有 2 4
男性 44 有 1 2
女性 27 有 0 4
女性 51 有 3 2
女性 81 有 2 1
男性 22 無 0 3
男性 29 無 0 2
トレーニングデータ（実績データ）
を元に予測モデルを作成
Azure Machine Learning ではトレーニングデータを使ってモデルの学習を行い、
予測モデルを作成
性別：男
年齢：45
配偶者：有
子供人数：2

63. 63
Azure Machine Learning では、以下のシステム・サービスからトレーニングデー
タをロード可能
CSV, TSV, ARFF, SvmLight 形式
HDInsight
(Hadoop)
Azure SQL Database
Azure テーブル
OData
業務システム OData
Training
Data
Azure
Machine Learning

64. 64

65. Train
Model
Score
Model
検証用
データ
トレーニング
データ
Evaluate
Model
機械学習
アルゴリズム
予測モデルの評価予測モデルの見直し
• アルゴリズムの変更
• パラメータの見直し

66. 66
トレーニングデータの
読込み
データクレンジング・
メタデータ設定
読み込んだデータを「トレー
ニングデータ」と「評価用
データ」に分割
予測モデルの作成に使用する
アルゴリズム
予測モデルの作成（トレーニング）
左インプット：利用するアルゴリズム
右インプット：トレーニングデータ
作成した予測モデルを評価する為に、
評価用データで予測を実行
予測結果の評価と可視化

67. 67
 ML Studio : Experiments > Evaluate Model > Evaluation Result
• True Positive
• False Positive
• True Negative
• False Negative
• Accuracy
• Precision
• Recall
• F1 Score
• Threshold
• AUC
✓ AUC 0.9 - 1.0 High accuracy
✓ AUC 0.9 - 0.7 Moderate accuracy
✓ AUC 0.5 - 0.7 Low accuracy

68. 68

69. 予測モデルの公開（Web サービス）
69

70. 70
② Web サービスの
Input / Output を設定
③「 PREPARE WEB SERVICE 」ボタンを
クリックすると Web サービスが
作成される
① Deploy 用の
Experiment を作成

71. 71
WEBサービスは
「REQUEST/RESPONSE」「BATCH
EXECUTION」の２種類が作成される
API Help Pageで作成された Web
サービスの詳細を確認可能
Web フォーム、Excel を使って
Web サービスや予測モデルの
確認・評価を行う事が可能

72. ✓ REST API. POST リクエスト
✓ HTTP の Req/Res の body は JSON 形式
✓ REST API. 入力として各種データソースが指定可能。
Azure Blob/Azure Table/Azure SQL Database/HiveQL/HTTP
✓ レスポンスとして “JOBID” が返ってくる。
それを基にバッチジョブの状態を定期チェック
✓ 状態が Finished/Failed になったら処理結果を取得
結果は Azure Blob に出力される

73. 73
• Request-Response Service
✓ Web サービス URI
✓ インプットパラメータ
✓ アウトプットパラメータ
✓ サンプルコード（ C# / Python / R ）
• Batch Execution Service (BES)
• Web サービス URI
• ジョブの投入方法
• ジョブステータス確認方法
• ジョブのキャンセル方法
• サンプルコード（ C# / Python / R ）

74. 74
① Excel シートにパラ
メータを入力
② 予測結果が表示される
① Webフォームに入力パ
ラメータを設定
② クリックすると予測結果
が表示される

75. Training
Data
Web
Service
Azure Machine Learning
Microsoft Azure
75
Webシステム
Azure Blob
ストレージ
Hive
Azure SQL Database
Azure テーブル
業務システム
OData
OData
HDInsight
( Hadoop )
他システム
Power View 等の
データ分析・可視化
ツール
Azure Blob
ストレージ
Azure SQL
Database
Batch Execution
Service
Request-Response
Service
評価モデル作成
(Training)

76. 76

77. 77

78. 78

79. 79

80. 80
R 言語対応
• Execute R Script / Create R Model モジュール
• R スクリプトの記述と実行を制御する Azure ML のモジュール
• 良く利用される 400 以上の標準的な Ｒ パッケージを事前ロード済み
• カスタムパッケージを作成、ロードして利用する事も可能。
Execute R Script
• 主にデータ加工とプロット（可視化）に利用
Create R Model
• 機械学習の独自アルゴリズムの実装に利用
• Training Script（機械学習のアルゴリズム） と
Scoring Script （予測モデルの評価用スクリプ
ト）の２つを記述
80
Execute R Script モジュール の例
R スクリプトを記述
Execute R Script モジュール
カスタムパッケージ (Zip)

81. 81
Python 対応
• Execute Python Script モジュール
• Python Script の記述と実行を制御する Azure ML のモジュール
• 「データ加工」「予測結果のプロット」等に利用可能
• Python の実行環境には、データ分析・科学技術計算ライブラリが豊富な
Anaconda ディストリビューションを採用
• カスタムパッケージを作成、ロードして利用する事も可能
Execute R Script モジュール の例
カスタムパッケージ (Zip)
Execute R Script Python スクリプトを記述

82. 82
 依存関係のある R パッケージ (.zip) をまとめて ZIP 化して、”+NEW” で Dataset としてアップロードする
 Saved Datasets からアップロードした Dataset を Drag & Dropし、R 実行モジュールの Script Bundle Port
(一番右側の入力ポート) に接続し、install.packages を利用して ZIP 内の R パッケージを読み込む
➢ 読み込み先としてセットするパスの “src/” 部分は固定
スクリーンショットは、RHmm モジュール
を読み込んで利用している例。依存関係の
ある MASS と nlme を含めている。

83. • Microsoft Azure Machine Learning Center
http://azure.microsoft.com/ja-jp/documentation/services/machine-learning/
• Azure Machine Learning Support Forum
http://social.msdn.microsoft.com/forums/azure/en-US/home?forum=MachineLearning
• Machine Learning Blog
http://blogs.technet.com/b/machinelearning/
83

84. 84

85. Cognitive Toolkit | Caffe | TensorFlow | Torch

86. Azure N シリーズ GPU インスタンス
2 種類の NVIDIA GPUを搭載
サイズ コア数 メモリ SSD RDMA GPU
NV6 6 56 GB 380 GB -
M60 半分 (GPU 1
基)
NV12 12 112 GB 680 GB - M60 1枚 (GPU 2基)
NV24 24 224 GB 1.5 TB - M60 2枚 (GPU 4基)
NC6 6 56 GB 380 GB - K80 半分 (GPU 1基)
NC12 12 112 GB 680 GB - K80 1枚 (GPU 2基)
NC24 24 224 GB 1.5 TB - K80 2枚 (GPU 4基)
NC24r 24 224 GB 1.5 TB
InfiniBan
d
K80 2枚 (GPU 4基)
Visualization の
NV 系
Tesla M60搭載
Compute の
NC 系
Tesla K80 搭載
Deep Learning はこちら

87. • 世界記録を達成した MS Research のスピーチ研究チームが開発
• MIT や Stanford 等の様々な研究者と共同作業で改定中
• Python, C++, BrainScript

88. Theano only supports 1 GPU
We report 8 GPUs (2 machines) for CNTK only as it is the only
public toolkit that can scale beyond a single machine. Our
system can scale beyond 8 GPUs across multiple machines
with superior distributed system performance.
0
10000
20000
30000
40000
50000
60000
70000
80000
CNTK Theano TensorFlow Torch 7 Caffe
Speed Comparison (Frames/Second, The Higher the Better)
1 GPU 1 x 4 GPUs 2 x 4 GPUs (8 GPUs)
2015年7月時点

89. Cognitive Toolkit による
自動応答システムの実現

92.  本書に記載した情報は、本書各項目に関する発行日現在の Microsoft の見解を表明するものです。Microsoftは絶えず変化する市場に対応しなければならないため、
ここに記載した情報に対していかなる責務を負うものではなく、提示された情報の信憑性については保証できません。
 本書は情報提供のみを目的としています。 Microsoft は、明示的または暗示的を問わず、本書にいかなる保証も与えるものではありません。
 すべての当該著作権法を遵守することはお客様の責務です。Microsoftの書面による明確な許可なく、本書の如何なる部分についても、転載や検索システムへの格納または挿入を行うことは、どのような形式または手段（電子的、
機械的、複写、レコーディング、その他）、および目的であっても禁じられています。
これらは著作権保護された権利を制限するものではありません。
 Microsoftは、本書の内容を保護する特許、特許出願書、商標、著作権、またはその他の知的財産権を保有する場合があります。Microsoftから書面によるライセンス契約が明確に供給される場合を除いて、本書の提供はこれらの
特許、商標、著作権、またはその他の知的財産へのライセンスを与えるものではありません。
© 2016 Microsoft Corporation. All rights reserved.
Microsoft, Windows, その他本文中に登場した各製品名は、Microsoft Corporation の米国およびその他の国における登録商標または商標です。
その他、記載されている会社名および製品名は、一般に各社の商標です。