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.

「人工知能」をあなたのビジネスで活用するには

23,265 views

Published on

「人工知能」のトレンドと、ビジネスに活用するためのプロセス

Published in: Data & Analytics
  • Be the first to comment

「人工知能」をあなたのビジネスで活用するには

  1. 1. Copyright © 2016 TIS Inc. All rights reserved. 「人工知能」を あなたのビジネスで活用するには 戦略技術センター AI技術推進室 久保隆宏
  2. 2. Copyright © 2016 TIS Inc. All rights reserved. 2  自己紹介  「人工知能」に今起こっていること  研究における革新  プラットフォームにおける革新  ビジネス応用への波及  「人工知能」活用のプロセス 1. 業務への貢献を明確にする 2. シミュレーションを行いモデルを検証する 3. 適切な手法とプラットフォームを選択し、実装する  「人工知能」活用の在り方 目次
  3. 3. Copyright © 2016 TIS Inc. All rights reserved. 3 久保隆宏 TIS株式会社 戦略技術センター  化学系メーカーの業務コンサルタント出身  現在は機械学習・自然言語処理を用いたサービスの研究・検証を担う  研究テーマ: マルチモーダル情報を利用した接客支援ロボットの開発 自己紹介
  4. 4. Copyright © 2016 TIS Inc. All rights reserved. 「人工知能」に今起こっていること
  5. 5. Copyright © 2016 TIS Inc. All rights reserved. 5  「人工知能」とはそもそも何か? 前段(1/2) ねこ 犬 うさぎ 動物大百科 (教師データ) 学習 推論 学習した結果をもとに、推論を行うことができるシステム
  6. 6. Copyright © 2016 TIS Inc. All rights reserved. 6  機械学習との関連は? 前段(2/2) 学習 予測・分類 機械学習もまた、データから学習し予測する技術。ただ、対象が限定される 数値に変換できるものしか学 習できない (画像も言語も、数値に変換し ている) 数値データ 基本的には数値を予測するか、 データのカテゴリを分類する かしかできない。 予測・分類
  7. 7. 研究における革新 Deep Learning (2012~)
  8. 8. Copyright © 2016 TIS Inc. All rights reserved. 8  ディープ・ラーニングの登場 (2012~)  ディープ・ラーニングはニューラルネットワークというモデルを、 多層にしたもの  今までは、多層にすると学習が進まなくなるという弱点があった 研究領域で起こっている革新(1/4) これはうさぎやで! うさぎやで! うさぎやで! みんなうさぎや 層が深いと、学習がうまくいかなかった ねこかな? (推論) ちゃう、うさぎや 推論とは逆向きに学習 (逆誤差伝搬法) ニューラルネットワークの仕組み ・・(たくさんの層)・・ 入力信号を前の層へと バケツリレーしていく 糸電話のように、糸を長くするほど(=層を深くす るほど)教えた内容が弱まり伝わりづらくなる
  9. 9. Copyright © 2016 TIS Inc. All rights reserved. 9  ディープ・ラーニングの登場 (2012~)  事前学習という仕組みを導入することで、弱点を克服  弱点を克服するだけでなく、人の手を介さずに特徴の学習ができる ようになった 研究領域で起こっている革新(2/4) 限られた表現で元の画像を復元で きるよう、学習する。 (イメージ的には、もとは10色の クレヨンでかかれたものを、3本で 再現しようとするという感じ) 事前学習の方法(Auto Encoder) 事前学習したものを組み合わせて、多層に 限られた表現で元の画像を復元できるよう学習 =画像の特徴を学習している!はず +人による教示は不要 (元の画像を与えるだけ) 入力=出力で学習する ・・(たくさんの層)・・ 二層目の事前学習には 一層目を事前学習した ものを使って・・・と どんどん重ねていく 教えた内容が弱まっても、事前学習済みだか ら大丈夫!(ただ、最近は事前学習なしでも うまくいく方法がわかっている) 数々のコンペで他を 圧倒する精度を出す
  10. 10. Copyright © 2016 TIS Inc. All rights reserved. 10  ディープ・ラーニングの登場により変わったもの 研究領域で起こっている革新(3/4) ねこ 犬 うさぎ 学習 より生に近いデータから学習でき、推論の精度も格段と向上した 事前学習により、よ り生に近いデータか らでも特徴を抽出し て学習できるように なってきた 精度が格段と向上 予測・分類
  11. 11. Copyright © 2016 TIS Inc. All rights reserved. 11  ディープ・ラーニングが登場しても変わっていないもの 研究領域で起こっている革新(4/4) 「教えたことがきっちりできるようになった」以上のことは起こっていない 学習 学習のためのデータ や環境は依然人が用 意する必要がある。 勝手に賢くなること はない ? 人には同じように見 えても、教えていな いことはわからない。 予測・分類 ねこ 犬 うさぎ
  12. 12. 何を学習させて、何を推論させるのか、それは人間が決める必要がある。 教えたもの以外からは学ばないし、教えたこと以外は答えられない。 ? ?
  13. 13. プラットフォームにおける革新
  14. 14. Copyright © 2016 TIS Inc. All rights reserved. 14 プラットフォームにおける革新(1/4) ~2014年 2015年 Azure Machine Learning Watson on Bluemix 日本マイクロソフトと竹中工務店 が IoT を活用した次世代建物管理 システムで連携(MS 14/10/15) IBMのWatsonが実戦デビュー、 三井住友銀行とみずほ銀行で年 明けにも(ITPro 14/12/15) 7月 10月 12月 4月 Amazon Machine Learning 大手のクラウドプラットフォームベンダーか ら、続々とサービスがリリース 事例が出るまでのスピードが速い
  15. 15. Copyright © 2016 TIS Inc. All rights reserved. 15  すぐに使い始められて、費用は使った分だけ  ERP、BIツール、ワークフローシステム・・・今までのいわゆる 「ソリューション」は、導入にかかる時間も費用も長く大きかった  これに対し、Azure Machine LearningもWatsonも、使おうと思っ たら数分で使い始めることができる(個人でも利用可能)。費用は 使った分だけ(試す分程度は無料)。 プラットフォームにおける革新(2/4) クラウド化の延長線上に生まれた機械学習関連サービス
  16. 16. Copyright © 2016 TIS Inc. All rights reserved. 16  時間がかかるカスタマイズ < すぐに試せるテンプレート  Azure Machine Learning、Watson共に用途が決められたテンプ レート(API)が存在し、すぐに試せる。 プラットフォームにおける革新(3/4) クラウド化の延長線上に生まれた機械学習関連サービス 文書分類、翻訳、音 声合成など、ありあ わせの機能を選んで 組み合わせてつける =バイキング方式  逆に(2016/6現在)これがないAmazon Machine Learning、 Google Prediction APIはそれほど流行ってない(特にGoogleの方は 2010年リリースにもかかわらず)。
  17. 17. Copyright © 2016 TIS Inc. All rights reserved. 17 教育リソース 開発者向けのライブラリにも大 きな動きがある。 2015年から、約一年の間に何 個もの深層学習用フレームワー クがリリースされる(それまで は数個しかない状態がずっと続 いていた)。 Coursera、UDACITYといった オンラインの講座で機械学習の 講座が続々と開講する。 プラットフォームにおける革新(4/4) 2015/6 2015/6 2015/11 2016/1 DSSTNE amazon 2016/5 ・研究から実装(実用化)までのスピードが加速 ・誰でも学べて、試すことができる 実装フレームワーク
  18. 18. 世はまさに、大機械学習時代。チャンスでもあり、ピンチでもある。 誰でも機械学習という船を手に入れることができる。 それは自社だけでなく、競合、はては一個人までもが同じ状態ということ。 トヨタがGoogleに脅かされているように、予想しない方向から攻められる可能 性もある。 逆に、活用ができれば大きな力になる。
  19. 19. Demo Watsonで災害対策 AzureMLで花粉予測 Watsonを利用した災害対策システム 災害情報や災害対策マニュアルなどを使用し て学習して、以下の機能を実現。 ・災害情報のカテゴリ・重要度の判断 ・災害対策マニュアルからの、対策提案 ・対策のワークフロー管理 Azure MLを利用した、花粉情報予測 環境省の花粉予測システムで提供されている 花粉の飛散データを利用し、その飛散量を予 測するためのモデルをAzure Machine Learningで構築
  20. 20. Copyright © 2016 TIS Inc. All rights reserved. 20 機械学習技術はさまざまな領域で応用されている。その利点は、以下3つ に分けられる。  サービスの付加価値の向上  コスト削減  新規サービスの創出 ビジネス応用への波及(1/6)
  21. 21. Copyright © 2016 TIS Inc. All rights reserved. 21  サービスの付加価値の向上の例: 広告の最適化  ユーザーの嗜好把握:膨大なコメントなどから、ユーザーの嗜好に かかわるものだけを抽出する  ユーザー嗜好にあった情報提示:ユーザーの嗜好情報から製品への 好き嫌いを学習し、それに応じた情報提示を行う ビジネス応用への波及(2/6) 今日はいい天気 ケーキが好き 仕事が大変 ケーキが好き 有効な情報(例:嗜好に関するコメ ント)の特徴を学習し、抽出 ユーザーの行動を学習し、嗜好 に沿ったものを提示
  22. 22. Copyright © 2016 TIS Inc. All rights reserved. 22  コスト削減の例: 問い合わせ対応の効率化  滞留時間の低減:問い合わせの意図を理解し、適切な担当者のもと へ割り振る  ノウハウの共有:問い合わせ対応を学習しオペレーターを支援する ことで、誰でも一定レベル以上の対応ができるようにする ビジネス応用への波及(3/6) 問い合わせと対応部門の関係を 学習して、振り分け PCが起動しない 旅費を精算したい 蛍光灯が切れた 問い合わせと回答の関係を学習 し、自動回答+アシスト システム部門 経理部門 ビル管理センター 回答候補 ex: みずほxWatson
  23. 23. Copyright © 2016 TIS Inc. All rights reserved. 23  新規サービスの創出の例  ドメイン特化サービス:自社の蓄積してきたデータ・ノウハウを機 械学習し、特定の業界や業務に特化したサービスを構築する  汎用サービス:先進的な技術を用い、データ分析・解析、予測など、 汎用的に使えるサービスを構築する ビジネス応用への波及(4/6) 蓄えてきた業務改善の ノウハウ 最先端の技術力 ドメイン特化 汎用サービス
  24. 24. Copyright © 2016 TIS Inc. All rights reserved. 24 ビジネス応用への波及(5/6)
  25. 25. 革新なくしてビジネス応用への波及はなかったか?
  26. 26. Copyright © 2016 TIS Inc. All rights reserved. 26 活用しているところは昔からやっている。  Amazonのレコメンド  特許の出願は1998年  コマツの位置情報を利用したサポートサービス(KOMTRAX)  2001年から標準装備  お掃除ロボットルンバ  初号機は2002年 機械学習自体は新しい技術ではなく、近年の革新が目覚ましいとはいえ 「それがないとできない」わけではなかった。 つまり、機械学習の活用において最新技術(ディープ・ラーニング等)を使 う必要はほとんどない。ただ、使いやすくはなってきているのでプラット フォームは効果的に使うとよい。 ビジネス応用への波及(6/6)
  27. 27. Copyright © 2016 TIS Inc. All rights reserved. 27 「人工知能」に今起こっていること 研究における革新 活用における革新 ディープ・ラーニングの登場(2012~) より生に近いデータから学習でき、推論の精 度も格段と向上した。 しかし、 「教えたことがきっちりできるよう になった」以上のことは起こっていない。 何を学習させて、何を推論させるのか、それ は人間が決める必要がある。 クラウド化した機械学習サービス (2014~) すぐに使い始められて、費用は使った分だけ。 すぐに試せるテンプレートの充実。 また、続々と登場する機械学習関連ライブラ リと、学習用リソース。 事例が出るまでのスピードは加速し、チャン スとピンチが背中合わせの大機械学習時代。 ビジネスへの波及 機械学習の応用は10年以上前に始まっている。すでに実用段階の技術。 サービスの付加価値の向上、コスト削減、新規サービスの創出といった領域ですでに活用が行われ ている。最新の技術を使わずとも十分に役立てることは可能であり、活用のプラットフォームが充 実してきた現段階は、スタートを始めるには大きなチャンス。
  28. 28. Copyright © 2016 TIS Inc. All rights reserved. 28 「人工知能」活用のプロセス
  29. 29. ユーザーのデータ活用は 85%が失敗している @Hitachi Platform Solutions World 2012
  30. 30. Copyright © 2016 TIS Inc. All rights reserved. 30  機械学習は、データ活用の一貫である  データ活用プロジェクトの85%は失敗している  よって機械学習の活用プロジェクトも同程度で失敗すると予想される 2010年代から始まったビッグデータ・BIツールといったトレンドを経て、 現状あなたの会社に特に変化が起きていなければ、機械学習も同様の道を たどる可能性が高い。 失敗の原因はさまざまなものがあるが、本項では失敗しないために特に重 要と思われるプロセスについて解説していく。 「人工知能」活用のプロセス(1/2)
  31. 31. Copyright © 2016 TIS Inc. All rights reserved. 31 「人工知能」の活用を失敗しないためのプロセス 1. 業務への貢献を明確にする 2. シミュレーションを行いモデルを検証にする 3. 適切な手法とプラットフォームを選択し、実装する 「人工知能」活用のプロセス(2/2)
  32. 32. Copyright © 2016 TIS Inc. All rights reserved. 32 機械学習は「学習」が必要であり、放置されれば役に立たなくなる。 継続的な学習のためには業務プロセスへの組み込みが必須であり、それに は現場の理解、現場が納得できるだけの「貢献」の提示が必要になる。 業務への貢献を明確にする(1/2) 機械学習システムの成長にはユーザーの協力が必要 機械学習を使って営業対 象の顧客をレコメンドす るシステムを作ったよ! システム部/経営企画部 ユーザー 気が向いたら使うわね (使い方覚えるのめんど くさいし~) やがて・・・時代遅れになっ た学習内容
  33. 33. Copyright © 2016 TIS Inc. All rights reserved. 33 win-win  貢献の明確化(Plan)  Before/Afterの姿と、それを測るための明確な指標を設定する  シェアの拡大、生産効率の向上、etc…  役割の明確化(Do)  本業のビジネスプロセスの中に、どのように組み込まれるのか  誰の作業が、どのように変わるのか  運用の明確化(See)  誰が機械学習モデルの評価を行い、継続的な学習を行わせるのか  いつどのタイミングで、どんな指標で評価するのか 業務への貢献を明確にする(2/2) 業務における役割と、創出する価値を明確にしてユーザーと合意する 業務への貢献 継続的な学習
  34. 34. Copyright © 2016 TIS Inc. All rights reserved. 34 シミュレーションを行いモデルを検証する(1/2) 機械学習の精度は、与えるデータに大きく依存する。 通常、手元にあるデータ(伝票データやログなど)のみで精度が出ることは まずない。 機械学習は、与えたデータからわかることしかわからない とりあえず手元のデータ を入れてみよ システム部/経営企画部 やがて・・・ いつまでも精度 がでない 精度悪っ!業務への貢献 とかありえんわ
  35. 35. Copyright © 2016 TIS Inc. All rights reserved. 35 シミュレーションを行いモデルを検証する(2/2) 人手でシミュレーションを行い、その判断過程を明らかにする A社 100 200 B社 150 110 X 増加傾向 Y これから来る どんなデータの、どの項目 に注目しているのか そこからどんな予測をして いるのか 前提知識や経験といった要素を極力排除し、デー タのみから判断結果が追えるまで検証を繰り返す。 データは数値だけ とは限らない システムの中には ないデータが必要 な可能性もある 業務に貢献できる 精度を達成する
  36. 36. Copyright © 2016 TIS Inc. All rights reserved. 36 適切な手法とプラットフォームの選択(1/3) 機械学習モデルを実装する際には、以下3つの選択肢がある。
  37. 37. Copyright © 2016 TIS Inc. All rights reserved. 37  ライブラリ型: プログラムに組み込むライブラリの形式  ○:高い自由度でプログラムに組み込むことができる  ×:利用にあたっては専門的な知識が必要  パッケージ型:よく利用するアルゴリズムをパッケージにまとめたも の。Client/Server形式のものが多い。  ○:目的 (推薦・異常検知など)に応じまとまった形で機能が提供さ れており、利用しやすい  ×:パッケージが提供するAPI・機能の範囲でのみカスタマイズが 可能。  サービス型:クラウド経由で提供するもの  ○:クラウド上でサービスが提供されており、導入の敷居が低い。  ×:手軽に導入できる分、機能・データ量等に制限がある場合があ る。課金体系にも注意。 適切な手法とプラットフォームの選択(2/3)
  38. 38. Copyright © 2016 TIS Inc. All rights reserved. 38  ディープ・ラーニングが適切なケースはほとんどない。  画像、音声など効果が実証されている領域のみで使うとよい。  チューニングには専門的な知識が必要で、学習にも時間がかかる。  scikit-learnやAzure Machine Learningでは、手法を選択するための チャートシートが公開されているので参考にする。 適切な手法とプラットフォームの選択(3/3) 注意点:シンプル・イズ・ベスト やっぱディープラーニン グでしょ!! 開発者 いつまでも精度 がでない
  39. 39. Copyright © 2016 TIS Inc. All rights reserved. 39 「人工知能」活用のプロセス 業務への貢献を明確にする シミュレーションを行いモデルを検証する 適切な手法とプラットフォームの選択
  40. 40. Copyright © 2016 TIS Inc. All rights reserved. 40 「人工知能」活用の在り方
  41. 41. Copyright © 2016 TIS Inc. All rights reserved. 41  「人工知能」に仕事のすべてを任せるのは現実的ではない  どんなタスクもこなせるわけではない  基本的には人間の方が優秀  逆に、人間がすべての仕事を行うのも現実的ではなくなる  仕事量は加速度的に増大している(1970年代に5000件→5万件)  半面、生産年齢人口は減少傾向  現状を放置すれば、「現場が回らなくなる」のは当然の帰結  ビジネスモデルは問題なくても、それを「稼働させる」ことができ なくなる。 「人工知能」活用の在り方(1/2) どんなに良い車(ビジネスモデル) でも、燃料(特に人的資源)がなけ れば走れなくなる
  42. 42. Copyright © 2016 TIS Inc. All rights reserved. 42 「人工知能」活用の在り方(2/2) 人間と人工知能を組み合わせた、新しい業務設計が必要  「人間でなければならない仕事をしているか」を改めて問い直す。  働き方を変えない会社は、収益面よりも事業継続の面でのリスクを迎 えることになる 「人工知能」は、経営課題よりも 「働くあなた」のために使ってください
  43. 43. ご清聴ありがとうございました
  44. 44. Copyright © 2016 TIS Inc. All rights reserved. 参考資料
  45. 45. Copyright © 2016 TIS Inc. All rights reserved. 45 「人工知能」のトレンドと出来事 • 1998: Amazonレコメンドの特許出願 • 1999: AIBO • 2000: アシモ誕生 • 2001: KOMTLAX標準搭載 --- • 2011 • 10/4 SiriがiPhone 4Sに搭載されるとの発表(2012/3/8に日本語対応) • Jubatus発表 • 2012 • Googleの猫 -> Deep learningの登場、ビッグデータがトレンドに • 2013年 • ルンバ100万台突破(発売は2002年) • シリコンバレーの最新ITトレンド予想に機械学習が入る • 2014年末 • Jubatusでビニールハウスの温度管理(2月) • Azure Machine Learningβ稼働(7月)、10月竹中工務店の事例 • IBM BluemixにWatsonが搭載(10月) • ホーキング博士が人工知能について警鐘 • 2015年 • Amazon Machine Learning 「人工知能」のトレンド
  46. 46. <免責事項> 本資料は、作成時点の法規制等に基づき、細心の注意を払い作成しておりますが、 その正確性、適用性、完全性、網羅性、有用性、最新性、知的財産権の非侵害などに 対して弊社は一切保証いたしません。また当該情報に起因するいかなる損害についても 弊社は責任を負いません。本資料より得られるいかなる情報も利用者ご自身の判断と 責任において利用していただくものとします。なお、本資料は特定の事項に関する 一般的な情報提供を目的としています。提供されている情報は、専門的アドバイザリー、 コンサルティング等のサービス提供を意図したものではありません。 <本資料の取り扱いに関して> 本資料は、著作権法及び不正競争防止法上の保護を受けております。資料の一部或いは 全てについて、TIS株式会社から許諾を得ずに、いかなる方法においても無断で複写、 複製、転記、転載、ノウハウの使用、企業秘密の開示等を行うことは禁じられて おります。本文記載の社名・製品名・ロゴは各社の商標または登録商標です。

×