【20170414みんなのAI】機械学習の民主化を促進するAI活用術

© 2017 Knowledge Communication Co., Ltd.
機械学習の民主化を促進するAI活用術
2017年04月14日
株式会社ナレッジコミュニケーション
小泉裕二

本日のポイント
2
[1]AIの中の機械学習
[2]機械学習の利用シーン
[3]機械学習プラットフォーム「ナレコムAIについて」

ナレッジコミュニケーションについて
3
■会社名：株式会社ナレッジコミュニケーション
■設立日：2008年11月 (創立2006年5月)
■資本金：9,000,000円
■代表者：代表取締役奥沢明
■本社：東京都江東区
■支社：千葉オフィス、熊本オフィス
■従業員：20名
会社情報

自社メディア
＆受託開発
スマートフォンアプリ
クラウド
4
教育系コミュニティ
『ナレコム』
法人向けモバイルサイト用CMS
『ナレコムモバイル』

© 2017 Knowledge Communication Co., Ltd. 5
特にクラウドAI(機械学習)の分野に注力して事業展開
設計構築運用保守

AIの中の機械学習
6
人工知能という大きな枠の中に機械学習・深層学習がある
参考 : https://blogs.nvidia.co.jp/2016/08/09/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
人工知能
Artificial Intelligence
人間の知性を機械的に再現
深層学習
Deep Learning
データ分類や認識の基準をデー
タ自ら見つけ出す機械学習の手
法
機械学習
Machine Learning
データ解析の結果から、
判断材料となるルールを見つ
け出す手法
データ
規則性の抽出
アルゴリズム
猫と判断
今日は↓の話をします

機械学習とは
7
性別
年齢
年収
勤続年数ローンＯＫ
機械学習
・あるデータとその答えをもとにコンピュータが予測方法を自動的に学習
・新しいデータを入れるとその予測結果を返してくれる

これまでのデータ分析と予測
8
 過去の経験からの予測
 業務が属人化
勘と経験
金＞月＞水・木＞火の順で多い
給料日、年金支給日は多い
五十日は多い、など
月火水木金土日
27日 28日 3月1日 2日 3日 4日 5日
6日 7日 8日 9日 10日 11日 12日
13日 14日 15日 16日 17日 18日 19日
20日 21日 22日 23日 24日 25日 26日
27日 28日 29日 30日 31日 4月1日 2日
来店者数予測
 過去の実績からの予測
 ルールを作る手間
ルールベース
来店者数予測
27日 28日 29日 30日 31日
190人 190人 200人 200人 240人
ルール例
・前年同月来店者数の平均を求める
・曜日ごとの係数をかける
月火水木金
＋5％ -5％ 0％ 0％＋20％

機械学習による自動化・精度向上
9
データ（過去の来店者実績）
日付
予測
来店者数
4月1日 175
4月2日 201
4月3日 221
4月4日 205
4月5日 195
学習
（モデル作成）予測
予測結果
日付曜日
給与
支給日
五十日来店者数
3月15日水 Y 230
3月16日木 180
3月17日金 215
3月18日土ー
3月19日日ー
3月20日月 Y ー
3月21日火 206
3月22日水 200
3月23日木 176
3月24日金 Y 241
他にも、月末、週末、年金支給日、
四半期末、半期末、年度末など
・データを自動的に分析してモデルを自動作成
・大量のデータから人間が気づいていなかった特徴を捉えてモデルに反映するため
予測精度が向上

様々な分野で利用される機械学習
10
機械学習
データからパターン・規則・関係などの抽出
特徴をモデル化
銀行工場ヒトの行動医療物流企業活動
融資判断支援
不正取引検出
設備の予兆保全
自動検品
購買活動予測
効率化
診断精度向上
ゲノム解析作業
需要予測
商品レコメンド
人材マッチング
企業戦略案策定

様々な分野で利用される機械学習
11
機械学習
データからパターン・規則・関係などの抽出
特徴をモデル化
銀行工場ヒトの行動医療物流企業活動
融資判断支援
不正取引検出
設備の予兆保全
自動検品
購買活動予測
効率化
診断精度向上
ゲノム解析作業
需要予測
商品レコメンド
人材マッチング
企業戦略案策定
機械学習で出来ること
=
高度な予測・分析を少ない労力で実現

12
しかし、データを活用するには色々な課題が
20年でデータ量は約7000倍に国内では4.8万人が不足
出典元：週刊ダイヤモンド 2017年3/4号
潜在人員規模
112,090人
IT企業
34,940
IT企業
41,160
IT企業
48,510
ユーザー企業
61,960
ユーザー企業
70,790
ユーザー企業
80,880
15,190
31,500
47,810
2016
年
18
(予想)
20
(予想)
潜在人員規模
143,450人
潜在人員規模
177,200人
不
足
数
人
材
数
不
足
数
人
材
数
2000
年
03 07 10 13 20
(予想)
0
20
30
40
50 (兆ギガバイト)
10 62億
ギガバイト
44兆
ギガバイト
先端IT人材の不足数推計

データを扱う職種が人気が高い、様々なスキルが必要
4種類のスキルが必要米国人気職業ランキング1位
順位職業年収(万円)
1位データサイエンティスト 1410
2位統計学者 879
3位情報セキュリティアナリスト 977
4位聴覚医 803
5位超音波診断技師 687
6位数学者 1140
7位ソフトウェアエンジニア 1077
8位コンピューター・システム・ア
ナリスト
909
9位医療言語聴覚士 787
10位アクチュアリー 1063
出典元：週刊ダイヤモンド 2017年3/4号
解析技術
人工知能・機械学習・ディープラーニング
統計学数学
プログラ
ミング

データを扱うのはとても大変=AIを扱うのはとても大変
結果がわかるのに
時間がかかるコストが高い
高いスキルを持っ
た人的リソース

クラウドAIの活用でデータ分析の敷居が下がる
15
-主な特徴
・強力なクラウドベースの予測分析
・MS Research、Xbox、Bing で実証済みのアルゴリズム
・オープンソースの R 言語を高度にサポート
・ビッグデータソリューション用の HDInsight へのシームレスな接続
・モデルのAPI化もクラウドサービスを利用することにより対応
機械学習の演算処理をクラウド上で行うことにより、
データを送り処理結果を受け取るだけで機械学習処理を行うことが可能。
機械学習のために大規模なインフラを用意することが不要になる。

Azure MLのアルゴリズム
Azure
Machine Learning
回帰分析
多項分類
二項分類
クラスタリング・Linear
・Bayesian Liner
・Neural Network
・Decision Forest
・Boosted Decision Tree
・Fast Forest Quantile
・Ordinal
・Poisson
・Logistic Regression
・Decision Forest
・Decision Jungle
・K-Means Clustering
・Averaged Perceptron
・Bayes Point Machine
・Decision Forest
・Decision Jungle
・Support Vector Machine
・Locally-Deep Support Vector Machine
・Logistic Regression
・Neural Network
16

Azure MLユーザーインターフェイス
17
**********
ドラッグ＆ドロップ操作
(コーディング不要)
基本的なモデルは
数個のモジュールをつなぐだけ

機械学習の活用例の紹介
18

頭数?
出荷出産
予測したい！>
日数?
配送
手配
養豚-グローバルピッグファーム株式会社様

利用データ：生産データ、天候データ等
出荷分娩肥育離乳
①生産イベント ②事故率等係数 ③出荷仕切りデータ
④天候データ

PoC結果
21
生産データ気象データデータクレンジング
予測誤差: ± 53 日
農場別：最小 ± 6 日

Azure Storage
構成イメージ
22
Machine Learning
Web Service
(Predictive API)
Web
Service
発行
Azure
Machine Learning
Azure Storage
気象データ
過去の
生産データ
生産データ
可視化

大学-立教大学様
Azure
Machine Learning
Azure
BLOB Storage
Local Storage
■タンパク質の化学分野での活用
■膨大なデータに対して、データ同士の関連性を見つける
ことができる
■実験の結果を機械学習で予測することで、「解析すべき
データ」の自動整理・圧縮に活用

今のビジネスマンにとってパソコンが使える
のは当たり前のように、これからはAIを使い
こなせて当たり前の時代になろうとしている。

AIを金融の分野にも活用できるか
RISE UP CLUB：https://www.riseupclub.com/CS202_CorpMbrshpArticleRefPage?name=0354
マルチクラウドの
機械学習から自動的に
最適化を行う
「ナレコムAI」
クラウドAI×専門家不要

私達の仮説：データ分析はデータサイエン
ティストだけのものではない
課題発掘・
ゴール設定
データ
設計
データ
加工
モデル
作成
テスト活用
データサイエンティストで
ないと出来ない範囲
業務担当者が
できる範囲

業務担当者が直接データ分析ができるようにする
機械学習プラットフォーム
データサイエンティストIT担当業務担当
データ分析の敷居を下げるため
データサイエンティストの担当箇所をカバーする
プロダクト「ナレコムAI」
課題発掘・
ゴール設定
データ
設計
データ
加工
モデル
作成
テスト活用

機械学習の予測モデルの自動最適化
課題発掘・
ゴール設定
データ
設計
データ
加工
モデル
作成
テスト活用
アルゴリズム選択パラメーターチューニング
アセスメント
[今まで]数千万通りから数週間以上かけて
経験と勘で選んだ数十～数百パターンで最適化

アルゴリズム1
アルゴリズム2
アルゴリズム3
モードA
モードB
レート0.1
レート0.2
レート0.3
Data Source
最適
モデル
作成
難しいアルゴリズム選定、パラメーター調整を自動最適化
[ナレコムAIなら] １時間以内に数百～数千の組
み合わせから自動的に最適な予測モデルを構築
機械学習の予測モデルの自動最適化
35
マルチクラウド
アルゴリズム

特徴
36
アルゴリズム
パラメータ
モデル1 正解率91％
Microsoft Azure
■簡単：アップロードして予測対象を指定するだけ
➡最適なアルゴリズム、パラメータを自動選択
■高精度：最新のアルゴリズムを利用可能
➡複数のクラウドサービスの機械学習APIを利用
■速い：数十分でモデル作成完了
➡クラウド上でモデル作成を並列実行

補足資料 : モデル精度について
36
世界の統計の専門家やデータ分析家が最適モデルを競う
「 Kaggle 」におけるナレコムAIの結果
モデルスコア(pt) 備考
世界トップが作成したモデル 0.829072
ナレコムAIで生成したモデル 0.821963 トップと僅か0.008pt差
未チューニングモデル 0.688330
トップクラスのデータサイエンティストが300回近く試行錯誤したスコア

ナレコムAI費用感：スモールスタートで従量課金
ナレコムAI 競合製品
予測モデル構築：5万
モデル実行：5千円
/10,000件数
（つかっただけ課金）
ライセンス費用が数百万～約1千万～
アウトソース：200万～
モデリング選択、
パラメータ設定を自動最適化
自社のエンジニアが
アルゴリズムを作成
数ステップで機械学習の利用が可能一定のスキルが必要
利用料金
アルゴリズム
簡単さ

AI活用の課題を解決
結果がわかるのに
時間がかかるコストが高い
高いスキルを持っ
た人的リソース
数万円から 1時間以内
業務担当者
が直接

簡単3ステップでデータ分析
STEP1：データ投入
STEP2：予測対象選択
STEP3：予測モデル構築

まとめ
■色々な業種・業界で利用されている機械学習
■早く、安く、簡単にAIを試せる「ナレコムAI」
■データ分析の敷居を下げるクラウドAI

AIに興味があるエンジニアを
絶賛大募集中です。
ご興味ある方はメッセージください。
https://www.facebook.com/yuji.koizumi.9

【20170414みんなのAI】機械学習の民主化を促進するAI活用術

More Related Content

What's hot (19)

Similar to 【20170414みんなのAI】機械学習の民主化を促進するAI活用術 (20)

Recently uploaded (9)

【20170414みんなのAI】機械学習の民主化を促進するAI活用術