Downloaded 38 times
Uploaded byYoshitaka Seo
AI-900 ポイント解説
This document is a presentation by Yoshitaka Seo, a Microsoft MVP for AI, covering the AI-900 certification and its key points, including AI workloads and considerations, as well as the basics of machine learning. It discusses skills evaluated in the AI-900 exam such as machine learning principles, computer vision, natural language processing, and conversational AI features. The document also emphasizes responsible AI principles, the importance of transparency, accountability, and the evaluation of machine learning models.
More Related Content
![[2024年4月] 業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会）](https://cdn.slidesharecdn.com/ss_thumbnails/genai101forgenaiusers-240501013644-db5ddbe3-thumbnail.jpg?width=640&height=640&fit=bounds)
![[de:code 2019] [DP10] Build 2019 Azure AI & Data Platform 最新アップデート](https://cdn.slidesharecdn.com/ss_thumbnails/decode19dp10build2019azureaidataupdates-190529091728-thumbnail.jpg?width=640&height=640&fit=bounds)
![[AI03] AI × 導入の速さを武器に。 ” 人工知能パーツ ” Cognitive Services の使いどころ](https://cdn.slidesharecdn.com/ss_thumbnails/ai03-170616034922-thumbnail.jpg?width=640&height=640&fit=bounds)
AI-900 ポイント解説
- 1. 瀬尾 佳隆 Microsoft MVP forAI AI-900 ポイント解説 Microsoft AI fan 2021/12/14 瀬尾 佳隆 (@seosoft) MVP for AI
- 2. 自己紹介 瀬尾 佳隆 (せおよしたか) • フリーランスのエンジニア • MVP for AI (Jul 2018 – Jun 2022) / MVP (Jan 2009 – Jun 2018) • Microsoft Certified Trainer (2021–2022) • 学生向け・MS社員向け AI / IT トレーニング (2020-2021) • マイクロソフト公式の認定資格トレーニングを 1年間で 38回を担当 • 業種別マイクロソフト パートナー プログラム トレーニング (2019-2020) 2
- 3. AI-900: Microsoft AzureAI Fundamentals https://docs.microsoft.com/ja-jp/learn/certifications/exams/ai- 900 3
- 4. AI-900 で評価されるスキル AI のワークロードと考慮事項の説明15-20% 7-10 問 程度 機械学習の基本原則の説明 30-35% 15-18 問 程度 コンピューター ビジョン ワークロードの機能の説明 15-20% 7-10 問 程度 自然言語処理 (NLP) ワークロードの機能の説明 15-20% 7-10 問 程度 会話型 AI ワークロードの機能の説明 15-20% 7-10 問 程度 4 詳細な評価スキルはダウンロード可能 https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4wGpB
- 5. AI のワークロードと考慮事項 • 責任あるAI がポイント
- 6. そもそも “AI” とは 人間の行動と能力を模倣するソフトウェア 6 機械学習予測 を行い データ から結論を導き出す方法を コンピューター モデル に「教える」こと 異常検出 システムのエラーや 異常 な状態を自動的に検出する機能 コンピューター ビジョン カメラ、ビデオ、画像 などの視覚的な情報を解釈する機能 自然言語処理 文字言語 や 音声言語 を解釈して応答する機能 対話型 AI 会話 に参加するためのソフトウェア "エージェント" の機能 https://docs.microsoft.com/ja-jp/learn/modules/get-started-ai- fundamentals/1-introduction
- 7. 責任ある AI 原則 課題またはリスク例 公平性 偏りが結果に影響する可能性がある ローン承認モデルで、データの偏りが原因で 性別による差別が生じる 信頼性と 安全性 エラーによって損害が発生する可能性が ある 自律走行車でシステム障害が発生したために 衝突が起こる プライバシーと セキュリティ データが流出する可能性がある 医療診断ボットが、患者の機密データを使用して トレーニングされる 包括性 ソリューションがすべてのユーザーに 対して有効ではない可能性がある ホーム オートメーション アシスタントで、視覚障碍 のあるユーザーに音声出力が提供されない 透明性 ユーザーが複雑なシステムを信頼する 必要がある AI ベースの金融ツールで推奨事項が、 何に基づいているのかがわからない アカウンタ ビリティ 誰が AI 主導の意思決定の責任を 負うのか 顔認識による証拠に基づいて無実の人が有罪 判決を受けた場合、誰がその責任を負うのか 7 https://docs.microsoft.com/ja-jp/learn/modules/get-started-ai-fundamentals/7- challenges-with-ai
- 8.
- 9. 機械学習の基本原則 • 予測問題 3種類の理解 •評価指標の理解
- 10. 機械学習とは ◼データ の 特徴を コンピューターに見つけさせる こと 例) ある商品の過去の売り上げデータから 買ってくれた人、買ってくれなかった人の特徴を 見つけ出す • 性別 • 年齢 • 一人か他の人と一緒か • 地域、季節、曜日・・・ ◼特徴を見つけさせるには 実際のデータ が必要 10
- 11.
- 12. 回帰 (Regression) 数値を予測 • 教師あり学習 • 数値 を問われたら回帰 • 何個？ • 何円？ • 何人？ • モデルは線形 (y = ax + b) で なくてもよい • 明日の売り上げは 何円 になるか？ 12
- 13. 分類 (Classification) ラベルを予測 • 教師あり学習 • どれに該当するか を問われたら分類 • True or False • 犬か、猫か • 松か、竹か、梅か • 晴れか、曇りか、雨か、雪か • Computer Vision も分類（多値分類） • 明日は売り上げ目標を 達成できるか、できないか？ 13
- 14. クラスタリング (Clustering /クラスター化) コンピューターに グループ分け させる • 教師なし 学習 • クラスターの数は 人間が指示 • どう分けるかは コンピューター任せ (教師なし ＝ 正解が分かっていない) 14
- 15. 回帰モデルの評価指標 平均絶対誤差 Mean Absolute Error 予測値と実際の値との差（絶対差）の平均 値が小さいほどモデルの予測が正確 二乗平均平方根誤差 Root Mean Square Error 予測値と実際の値との差の二乗の平均の平方根 値が小さいほど モデルの予測が正確 相対二乗誤差 Relative Square Error 予測値と実際の値との差の二乗に基づく、0～1 の範囲 の相対的な値 値が 0 に近いほど モデルの予測が正確 相対絶対誤差 Relative Absolute Error 予測と実際の値との絶対差に基づく、0～1 の範囲 の相対的な値 値が 0 に近いほど モデルの予測が正確 決定係数 R2 予測と実際の値とがどれだけ近いかを表す指標 0～1 の範囲で値が 1 に近いほど モデルの予測が正確 15
- 16. Predicted vs. Trueグラフ • 予測値と実際の値との誤差の相関 • 破線・・・完璧なモデルの誤差 • 実線と帯・・・作成したモデルの “残余” • 下のヒストグラムは実際の値の分布 Residuals ヒストグラム • 残余値の範囲の頻度を示す • 0 (= グラフ中央) が高いほど良いモデル • 残余・・・予測値と実際の値との差 • 品質が良いモデルであれば、完璧なモデルの 誤差 に近い値になる 回帰モデルの評価指標の視覚化 16
- 17. 分類モデルの評価 混同行列 (Confusion Matrix) 分類モデルの性能を測るために使用する 17 TruePositive 実際に Positive であり、正しく Positive であると 予測したデータ False Positive 実際は Negative であるが、誤って Positive であると 予測したデータ False Negative 実際は Positive であるが、誤って Negative であると 予測したデータ True Negative 実際に Negative であり、正しく Negatite であると 予測したデータ
- 18. 分類モデルの評価指標 18 Accuracy 精度 正解率 𝑇𝑃 + 𝑇𝑁 𝑇𝑃+ 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁 すべてのデータのうち正解した割合 もっとも単純な指標 Precision 適合率 (精度) 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 Positive と予測したもののうち 本当に Positive である割合 Recall とはトレードオフの関係 Recall 再現率 真陽性率 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 実際には Positive なデータのうち 取りこぼしなく Positive であると 予測した割合 F-measure F 値 Precision と Recall との調和平均 Precision と Recall との一方に 偏らせずに評価したい場合に使う
- 19. “左上 + 右下”の比率が大きいほど良い モデル セル色の濃さで視覚的に判断 Accuracy 19
- 20. Precision と Recallの直感的な例 20 予測 Positive Negative 実際 Positive TP FN Negative FP TN 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 6 6 + 1 𝑅𝑒𝑐𝑎𝑙𝑙 = 6 6 + 2
- 21. ◼ROC 曲線 (受信者動作特性曲線) •偽陽性率と真陽性率 (＝再現率) とが どのように変化するかをグラフ化 • 曲線が “上に張り付く” ほど良い モデル ◼AUC • ROC 曲線より下の面積 • 1 に近いほど良いモデル • 0.5 だとランダムに回答するのと同じ品質 =予測の精度が低い ROC 曲線 / AUC 21
- 22.
- 23. 機械学習の処理フロー 23 データセットの作成 データの整形・特徴選択 アルゴリズムの選択 モデルのスコアリング モデルの評価 データの分割 (1) データの準備 (2) モデルの学習 (3)モデルの評価 モデルのトレーニング テスト データ 特徴 (x)＋正解 (y) トレーニング データ 特徴 (x)＋正解 (y)
- 24. (1) データの準備 自動 ML 24 データセットの作成 データの整形・特徴選択 アルゴリズムの選択 モデルのスコアリング モデルの評価 データの分割 (2)モデルの学習 (3) モデルの評価 モデルのトレーニング テスト データ 特徴 (x)＋正解 (y) トレーニング データ 特徴 (x)＋正解 (y) ユーザーが行うのは、データセットの作成と自動 ML の起動だけ 自動 ML が処理する範囲
- 25. デザイナー 25 データセットの作成 データの整形・特徴選択 アルゴリズムの選択 モデルのスコアリング モデルの評価 データの分割 モデルのトレーニング テスト データ 特徴 (x)＋正解(y) トレーニング データ 特徴 (x)＋正解 (y) モジュールを繋げて Pipeline を作る
- 26.
- 27.
- 28. Computer Vision の機能 画像分類画像を 分類 「この画像は何？」 物体検出 画像内で認識した 個々の物体 を分類 「この画像には何と何が写ってる？ その位置は？」 セマンティック セグメンテーション 画像内で認識した個々の物体に 着色 「この画像で写ってるものに色を 塗って」 画像解析 画像についての タグや要約 を生成 「この画像を説明して」 顔検出と認識 画像の中の人間の 顔 を認識 「この画像に写っている人の顔の 位置を教えて」 光学文字認識 画像内の 文字 を検出して読み取る 「この画像に写っている文字を 教えて」 28
- 29.
- 30. ◼光学文字認識するだけではなく 認識した文字列の意味まで 予測する • 店舗名 • 住所 •日付・時刻 • 商品名 • 価格 • 合計金額 など Form Recognizer 30
- 31. 視覚サービス利用時に必要な情報 サービス名 利用時に必要な情報 Computer Vision • Key・・・クライアント アプリケーションの認証に使用 • Endpoint ・・・リソースにアクセスできる HTTP アドレス Custom Vision • Project ID ・・・Custom Vision プロジェクトの一意の ID • Model name ・・・公開中にモデルに割り当てた名前 • Prediction endpoint ・・・"予測" リソースのエンドポイントの HTTP アドレス • Prediction key ・・・"予測" リソースの認証キー Face • Key ・・・クライアント アプリケーションの認証に使用 • Endpoint ・・・リソースにアクセスできる HTTP アドレス OCR • Key ・・・クライアント アプリケーションの認証に使用 • Endpoint ・・・リソースにアクセスできる HTTP アドレス 31
- 32. OCR API ◼少量 のテキスト •写真 中の 看板、商品パッケージ など ◼取得の単位 • テキストを含む画像内の 領域 • 各領域のテキストの 行 • 各テキスト行の 単語 Read API (読み取り API) ◼テキスト中心 の画像 • 文書 や Web ページ のハードコピーなど ◼取得の単位 • ページ サイズと向きに関する情報を 含むテキストの 各ページ • 各ページ上のテキストの 行 • 各テキスト行の 単語 ◼入力の制限 • PDF / TIFF ファイル ・・・最大 2,000 ページ • ファイルサイズ ・・・50MB OCR API / Read API 32 https://docs.microsoft.com/ja-jp/learn/modules/read-text-computer- vision/2-ocr-azure
- 33. 自然言語処理 • テキストと音声のサービスの範囲 • LanguageUnderstanding の理解 • 2021年11月発表の Language Studio は現在プレビュー • AI-900 の範囲にはまだ入らないと考えられる
- 34.
- 35. Text Analytics 35 • 主要言語:英語 • センチメント: 88% が肯定的 • キーフレーズ: "wonderful vacation" • エンティティ: France
- 36. 翻訳サービスの機能比較 ◼Translator Text • テキストからテキストへの翻訳 ◼Speech • Speech to Text ・・・音声 からテキスト • Text to Speech ・・・テキストから 音声 • Speech Translation ・・・音声から音声 36
- 37. Intent : ユーザーの意図・目的Entity : 参照される項目 Language Understanding (LUIS) 37
- 38. 対話型 AI • QnAMaker の理解 • Bot Service とチャネルの理解 • 2021年11月発表の Language Studio は現在プレビュー • AI-900 の範囲にはまだ入らないと考えられる
- 39. Bot に関する責任ある AIガイドライン 1. ボットができる (およびできない) ことについて透明性を保つ 2. ユーザーがボットと通信していることを明確にする 3. 必要に応じてボットを人間にシームレスに引き渡し可能にする 4. ボットが文化的基準を尊重することを確認する 5. ボットが信頼できることを確認する 6. ユーザーのプライバシーを尊重する 7. データを安全に処理する 8. ボットがアクセシビリティの基準を満たしていることを確認する 9. ボットのアクションに対する説明責任を想定する 39 https://www.microsoft.com/en- us/research/uploads/prod/2018/11/Bot_Guidelines_Nov_2018.pdf
- 40. ナレッジベース : Q&Aの管理 テスト ペイン : ポータル内でテスト QnA Maker 40
- 41. Bot Service とチャネル ◼作成したBot は 複数の “チャネル” に接続可能 • チャネルごとに 個別の Bot を作る必要はない 41 https://docs.microsoft.com/ja-jp/learn/modules/build-faq-chatbot-qna-maker-azure- bot-service/2-get-started-qna-bot Bot Web チャット メール 音声
- 42. 改めて AI-900 でAI の勉強
- 43. AI-900: Microsoft AzureAI Fundamentals https://docs.microsoft.com/ja-jp/learn/certifications/exams/ai- 900 43
- 44. AI-900 で評価されるスキル AI のワークロードと考慮事項の説明15-20% 7-10 問 程度 機械学習の基本原則の説明 30-35% 15-18 問 程度 コンピューター ビジョン ワークロードの機能の説明 15-20% 7-10 問 程度 自然言語処理 (NLP) ワークロードの機能の説明 15-20% 7-10 問 程度 会話型 AI ワークロードの機能の説明 15-20% 7-10 問 程度 44 詳細な評価スキルはダウンロード可能 https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4wGpB