[ビッグデータオールスターズ] クラウドサービス最新情報機械学習/AIでこんなことまでできるんです! (Microsoft編)

Microsoft mission
地球上のすべての個人と
すべての組織が、
より多くのことを
達成できるようにする

Digital
Transformation
革新的なパーソナル
コンピューティング
プロダクティビティと
ビジネスプロセス
インテリジェント
クラウド
Artificial
Intelligence

Agent Applications Services Infrastructure
AI の民主化
AI がより身近な存在に

人工知能 (AI) とは？
知能 (Intelligence) とは
• 学習、理解、思考する能力
人工知能(AI: Artificial Intelligence)とは
• 人間の知能そのものをコンピューター上で実現したもの
• 人間が知能を使って行うことをコンピューターで実行するもの

現時点では
実現が難しい
現時点で利用可能な技術

参照 http://www.image-net.org/
http://image-net.org/challenges/LSVRC/2012/ilsvrc2012.pdf
ILSVRC
大量のタグ付き画像データの認識
精度を競うコンテスト

http://image-net.org

11x11 conv, 96, /4, pool/2
5x5 conv, 256, pool/2
3x3 conv, 384
3x3 conv, 384
fc, 4096
fc, 4096
fc, 1000
AlexNet, 8 layers
(ImageNet 2012)

Very
3x3 conv, 64
3x3 conv, 128
3x3 conv, 256
3x3 conv, 256
3x3 conv, 256
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
fc, 4096
fc, 4096
fc, 1000
VGG, 19 layers
(ImageNet 2014)

Ultra
ResNet,
152 layers
By Microsoft
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x2 conv, 128, /2
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
7x7 conv, 64, /2, pool/2

Deep Learning
得意分野
画像認識
音声認識Azure Machine Learning

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

Platform Services
Infrastructure Services
Web
Apps
Mobile
Apps
API
Apps
Notification
Hubs
Hybrid
Cloud
Backup
StorSimple
Azure Site
Recovery
Import/Export
SQL
Database DocumentDB
Redis
Cache
Azure
Search
Storage
Tables
SQL Data
Warehouse
Azure AD
Health Monitoring
AD Privileged
Identity
Management
Operational
Analytics
Cloud
Services
Batch
RemoteApp
Service
Fabric
Visual Studio
Application
Insights
VS Team Services
Domain Services
HDInsight Machine
Learning Stream Analytics
Data
Factory
Event
Hubs
Data Lake
Analytics Service
IoT Hub
Data
Catalog
Security &
Management
Azure Active
Directory
Multi-Factor
Authentication
Automation
Portal
Key Vault
Store/
Marketplace
VM Image Gallery
& VM Depot
Azure AD
B2C
Scheduler
Xamarin
HockeyApp
Power BI
Embedded
SQL Server
Stretch Database
Mobile
Engagement
Functions
Cognitive Services Bot Framework Cortana
Security Center
Container
Service
VM
Scale Sets
Data Lake Store
BizTalk
Services
Service Bus
Logic
Apps
API
Management
Content
Delivery
Network
Media
Services
Media
Analytics

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
(R Server and
Spark)
Stream Analytics
Intelligence
Data Lake
Analytics
Machine
Learning
Big Data Stores
SQL Data
Warehouse
Data Lake Store
Data
Sources
Apps
Sensors
and
devices
Data

A GOAL WITHOUT
A PLAN IS
JUST A WISH
Analyze image
OCR
Category People; 1 face found
Adult False
Black & White? No
Dominant colors
Accent color

"faceId": "48cdf8c8-841c-4d33-b875-1710a3fc6542",
"faceRectangle": {
“width”: 228,“height”: 228, "left": 460,"top": 125
},
"faceAttributes": {
"age": 23.5,"gender": "female",
"headPose": {"roll": -16.5,"yaw": 22.1,"pitch": 0},
"smile": 0.998,
"facialHair": {"moustache": 0,"beard": 0,"sideburns": 0},
"glasses": "ReadingGlasses"
}
Detection Result
Grouping
Identity

“Thousands of partners sign in to our
platform every hour. The response time
from the Face API is incredible, enabling
us to verify our drivers without slowing
them down.”
Dima Kovalev, Product Manager, Uber
Face API Read Case Study Here

https://translator.microsoft.com/
neural

Intent PlayVideo
Entity Content: Daily Show
DateTime.date: T-1 Day
Intent PauseDevice
Entity DateTime.duration:
5 Minutes
Play yesterday’s
Daily Show
Pause for
5 minutes

https://qnamaker.ai/

ダイアログ形式のコミュニケー
ションを実装
(C#, Node.js)
ボット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

重
み
づ
け
更
新
重
み
づ
け
更
新
重
み
づ
け
更
新

従来の ML
•
DL
•
11x11 conv, 96, /4, pool/2
3x3 conv, 384
3x3 conv, 384

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 InfiniBand 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

Cognitive Toolkit | Caffe | TensorFlow | Torch

• 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

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

Cognitive Toolkit による
自動応答システムの実現

https://notebooks.azure.com/

モデル
学習データを使ってモデルを教育すること
モデルの出来を精度から測ってあげること評価

データ準備
加工
学習
モデル分割
評価

https://azure.microsoft.com/en-us/marketplace/partners/microsoft-ads/dsvm-deep-learningtoolkit/

故障診断医療診断物品の自動仕分け

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

62
※ 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。

• 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
63

• 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）
64

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。
65

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
66
Azure ML Studio の基本的な使い方

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
67Azure ML Studio の基本的な使い方

AI のためのREST API サービス群
https://www.microsoft.com/cognitive-services
独自の機械学習モデルの開発、
REST APIサービス化のためのサービス
https://azure.microsoft.com/ja-jp/services/machine-learning/
ディープラーニング処理の最適なGPU VM インスタンス
https://azure.microsoft.com/ja-jp/pricing/details/virtual-machines/series/#n-series
OSS のディープラーニングフレームワーク
https://www.microsoft.com/en-us/research/product/cognitive-toolkit/

[ビッグデータオールスターズ] クラウドサービス最新情報機械学習/AIでこんなことまでできるんです! (Microsoft編)

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to [ビッグデータオールスターズ] クラウドサービス最新情報機械学習/AIでこんなことまでできるんです! (Microsoft編) (20)

More from Naoki (Neo) SATO (20)