Downloaded 15 times
Uploaded byDaiyu Hatakeyama
クラウドだから手を付けやすい AI への道
信頼できるクラウドを皆さんのアプリケーションの一部にする事で、データを安心して「共有」できるようになります。それは、Webサイトでの情報共有だけでなく、Big DataやAI (Artificial Intelligence) を組み込めるという事になります。このセッションでは、具体的にどの様にAIやBig Dataといった機能を活用できるのかをデモを交えてご紹介します。
More Related Content
![[db analytics showcase Sapporo 2017] MicrosoftのAIテクノロジーを活用しよう ～インテリジェントAPIからデ...](https://cdn.slidesharecdn.com/ss_thumbnails/20170630dbanalyticsshowcasesapporocognitive-170704000138-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Developers Festa Sapporo 2018] Azure AI ～Microsoft AzureでのAI開発のイマ～](https://cdn.slidesharecdn.com/ss_thumbnails/20181117devfestasapporoazureaipublic-181119035506-thumbnail.jpg?width=640&height=640&fit=bounds)
![[第50回 Machine Learning 15minutes! Broadcast] Azure Machine Learning - Ignite ...](https://cdn.slidesharecdn.com/ss_thumbnails/20201205ml15minazuremlignite-201205101214-thumbnail.jpg?width=640&height=640&fit=bounds)
Similar to クラウドだから手を付けやすい AI への道
![[teratail Study ~機械学習編#2~] Microsoft AzureのAI関連サービス](https://cdn.slidesharecdn.com/ss_thumbnails/20161219teratail-161219114731-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Azureビッグデータ関連サービスとHortonworks勉強会] Azureビッグデータ関連サービス最新情報](https://cdn.slidesharecdn.com/ss_thumbnails/20160719hortonworksmeetupazuredata-160721074638-thumbnail.jpg?width=640&height=640&fit=bounds)
クラウドだから手を付けやすい AI への道
- 1.
- 3. 2 2 3 3 4 4 5 6 6 8 20 0 2 46 8 10 12 14 16 18 20 22 Xiaomi Snapchat Airbnb CloudFlare Uber Average Unicorns Tesla Cloudera Facebook Google Typical Fortune 500 時間（年） 驚異的に短縮 スマートフォン $499 $10 2007 2015 単価 ドローン $100,000 $700 2007 2013 単価 3Dプリンター $40,000 $100 2007 2014 同程度の機能を実現す る機器の単価 DNA検査 $2.7BN $10M $1,000 2000 2007 一回あたりの検査費用 2014 テクノロジーの製造コスト ビジネスが10億ドル規模に 拡大するまでに要する時間 Source: World Economic Forum 3
- 4.
- 6. #azurejp 2011 年1年間に追加された サーバー台数。 今では 1日で追加する サーバー台数とおんなじ。
- 11. 2016年 国内システム運用管理市場 ユーザー実態調査/ http://www.idcjapan.co.jp/Report/Software/jpj40607116.html
- 13. • 2x XeonE5-2699v4 2.30Ghz (22c44t) • 128GB DRAM • 4x 800GB Intel P3700 NVMe (PCIe 3.0 x4) • 1x LSI 9300 8i • 20x 1.2TB Intel S3610 SATA SSD • 1x Chelsio 40GbE iWARP T580-CR (Dual Port 40Gb PCIe 3.0 x8) ⇒ 5,000,000 IOPS • 2x Xeon E5-2699v4 2.20GHz (55M Cache, 22 cores, 145W) • 2x 800G Intel P3700 NVMe for Cache Tier • 8x 2TB Intel P3500 NVMe for Capacity Tier • 1 x Chelsio 40GbE dual-port T580 adapter • 1x Extreme Networks 40GbE Summit X770- 32x switch for cluster networking ⇒ 3,000,000 IOPS https://blogs.technet.microsoft.com/filecab/2016/07/26/storage- iops-update-with-storage-spaces-direct/ http://itpeernetwork.intel.com/record-performance-flash-nvme- configuration-windows-server-2016-storage-spaces-direct-2/ 16ノード クラスター 4ノード クラスター
- 15.
- 18.
- 19. ストレージ サーバー ネットワーク OS ミドルウエア 仮想化 データ アプリケーション ランタイム OS ミドルウエア データ アプリケーション ランタイムユ ー ザ ー 管 理 アプリケーション データ ベ ン ダ ー 管 理 Microsoft Azure 仮想マシン WindowsServer Hyper-V Windows Server Microsoft Azure App Services Office 365 Dynamics CRM ベ ン ダ ー 管 理 ユ ー ザ ー 管 理 ユ ー ザ ー 管 理
- 20.
- 23.
- 25.
- 26.
- 27.
- 28. 継続的な ジオ・レプリケーション > 500 miles MicrosoftAzure Storage
- 29. クラウドネイティブな database asa service 高可用性、耐障害性 世界中に簡単にスケール インメモリー カラムストア SQL Server 互換 透過的データ暗号化 (TDE) フルテキスト サーチ Elastic Database Pool SQL DB
- 32.
- 35. 機械学習 深層学習 (DeepLearning) 深層強化学習 画像解析 音声解析 データ分類 異常検知, 顧客グルーピング 数値予測 売上予測, 需要予測, 品質管理 ラベル分類 不良品分析, 故障予測, チャーン分析 より強力な分析 自律学習型ロボット 自動運転車 テキストや画像等の自動生成 活用例 主に多層のニューラルネットワーク を用いた手法での分析 分析のためには、莫大なデータ量、 計算量、知識・スキルを要する 統計に基づいた手法での分析 そのため、比較的少ないデータ量と 計算量で分析を行うことができる 定義したあるべき姿に従い試行錯誤 をして自ら学習を行うための分析手 法である 強化学習と、深層学習を組み合わせ た 分析 Azure Machine Learning Cognitive Toolkit / GPU Instance (N-Series) マイクロソフトが提供する技術
- 37.
- 39.
- 40.
- 42. #azurejp Intelligent LakeIntelligent DB DeepIntelligence
- 43. 従来の Database + App IntelligenceDatabase + App Application + Intelligence Database Application Intelligence + Database VS
- 44. R & Pythonベースの AI の ストアドプロシージャ 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
- 45. • 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
- 46. #azurejp Language Speech Search Machine Learning Knowledge Vision Spell check Speech API Entitylinking Recommendation API Bing autosuggest Computer vision Emotion Forecasting Text to speech Thumbnail generation Anomaly detection Custom recognition (CRIS) Bing image search Web language model Customer feedback analysis Academic knowledge ORC, tagging, captioning Sentiment scoring Bing news search Bing web search Text analytics Big Cognition
- 47. 1. 顔の解析 2. 画像へのタグ 付け 3. 顔の感情分析 4. OCR 5. テキストからの重要語句の抽出 6. テキストの感情分析 Azure Data Lake の 6つの Cognitive 機 能
- 48. Cognitive Services +Bot Framework
- 49.
- 52. © 2017 MicrosoftCorporation. All rights reserved. Microsoft, Windows 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.
Editor's Notes
- #43 Let me now tell you about three patterns of Innovations – the Intelligence DB, Intelligent Lake and Deep Intelligence. They are 3 patterns for developing and deploying intelligence @ scale.
- #44 The basic premise of IntelligenceDB pattern is that you “push intelligence to where your data lives”. When you do this with an industrial strength database engine like SQL Server, you can get throughput, parallelism, security, reliability, compliance certifications and manageability, all in one. It’s a big win for developers – you don’t have to build it separately. Furthermore, just like data in databases can be shared across multiple applications, you can now share the predictive models. Models and intelligence beome “yet another type of data”, managed by the DBMS. 1. Bring intelligence to where your data lives 2. On the most trusted and performant plat 3. With any language, any platform, anywhere
- #45 A few weeks ago, we announced SQL Server 2017 CTP 2.0, the first commercial database with AI built-in. By adding Python support in addition to R and adding real-time scoring capabilities, now you can run machine learning models directly in SQL Server to eliminate the need to move data, increase efficiency and help uncover new insights. You can easily incorporate AI models into SQL queries, allowing you to infuse your applications with intelligence with minimal extra coding. It also supports graph data, enabling efficient analysis of complex relationships. And the database server uses machine learning internally to adaptively process queries for best possible performance. It Supports Linux distributions including RedHat Enterprise Linux (RHEL), Ubuntu, and SUSE Enterprise Linux (SLES) You can run SQL Server in Windows and Linux containers on Docker It’s an amazing harness for AI applications.
- #46 Native integration of Python in SQL Server – best of the both worlds Deep learning database apps with GPU and open source Python packages The only commercial database server for AI
- #47 In Azure we can integrate the power of Cognitive Intelligence and Data Lakes for processing massive data. I call this Big Cognition.