https://satonaoki.wordpress.com/2018/02/19/devsumi-microsoft-ai-2/ http://event.shoeisha.jp/devsumi/20180215/session/1611/

2. http://event.shoeisha.jp/devsumi/20180215/session/1611/

4. 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 コンシューマー
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

5. 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4,000GB
のデータを生成、消費 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 4
2020年、飛行機から
1日に40TB
のデータが生成 6
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 5

6. Productive + Hybrid + Intelligent + Trusted

7. 高度なワークロード
Web + モバイル
IoT (Internet of Things)
マイクロサービス
サーバーレス
アイデンティティ管理
データ + 分析
Cognitive Services
HPC
コア インフラストラクチャ
コンピューティング ストレージ ネットワーキング セキュリティ
ツール
Visual Studio + Visual Studio Code + Visual Studio Team Services

9. https://www.youtube.com/watch?v=r1cyTL8JqRg

10. 2012
深層学習
Google Brain が、
YouTube で
75% の精度で
猫を識別
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
コンピューターが
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
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

11. サービス
インフラストラクチャ
ツール

12. 事前構築済みAI

14. Custom Custom CustomCustom Custom

15. だから何なの?

16. • 雑草
農薬にお金
コンバイン x AI
大幅
応用

17. https://www.microsoft.com/ja-jp/casestudies/eng.hokudai.aspx

18. Eラーニングシステム
動画配信
Azure Media Services
字幕作成
Azure 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
✓ 多数の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の提供
✓ 教員間での動画コンテンツの共有・移譲
特徴

20. 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

21. John F. Kennedy (JFK)
November 22, 1963
http://aka.ms/jfkfilesjp

22. Azure Web Apps
(azsearch.js)
Azure Blob
Storage
Azure Functions
Skills:
Computer Vision
OCR + Handwriting
Entity Linking
CIA Cryptonyms Azure Search
Azure
Cosmos DB Azure
Machine Learning
Cognitive
Skill Set
JFK FILES
COGNITIVE SEARCH
ARCHITECTURE
Skill: Topics

27. Positive
Text Analytics

28. Entities Identified
Positive
Text Analytics
Entity Linking Intelligent Service

29. "entityTypeHints": [ "Person" ],
"entityTypeDisplayHint":
"Explorer"
"entityTypeHints": [ "Drug"
"entityTypeHints": [
"Place"
Positive
Entities Identified
Text Analytics
Entity Linking Intelligent Service
Entities Type
Bing Entity Search API

31. Copyright 2018 Cogent Labs. All Rights Reserved.
カイドク - 自然言語理解エンジン -
文書を探しやすくして間違いや
問合せをなくし検索にかかる時間を短縮
気づいていなかった文書間の関係性の発見
- 業務文書の検索の高度化
- 問合せサポート業務の改善
- トレンド分析
- 業務報告書からの行動分析
さまざまな文書を理解しマッピング
「ドキュメントを入れる」または「検索」 目的の文書を探し出すことができます

32. データAI

33. 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

34. 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

35. カスタムAI

36. https://medium.com/@samim/generating-stories-about-images-d163ba41e4ed
https://github.com/ryankiros/neural-storyteller

38. 運用データの準備 モデルの構築
Azure Machine Learning
Experimentation Service
Azure Machine Learning
Model Management
Service

40. St George Island

43. 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

44. Spark
SQL Server
GPU インスタンス
AKS (Kubernetes)
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、モデルの管理
Azure Machine Learning
Services
トレーニングとデプロイ
Azure

45. リモート監視、制御
多数のIoTデバイスからの収集データを集約
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、ストレージ
リアルタイム応答に必要な低遅延、
厳しい制御
プライバシーデータや知的財産の保護

46. Azure IoT Edge Azure 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

48. 機械学習
ルール ベー
ス
インテリジェント
アプリ

50. https://dllab.connpass.com/

51. © 2018 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.