SAS ViyaのCNNを活用したProcess Innovation ～機械は解析図表をどう見ているのか～
2 likes700 views
SAS ViyaのCNNを活用したProcess Innovation ～機械は解析図表をどう見ているのか～ 木口亮，平野勝也，北西由武 （塩野義製薬 解析センター） Process Innovation Making Use of CNN by SAS Viya How does the Machine cognize Analytic TLF (Table, Listing, Figure)? Ryo Kiguchi, Katsunari Hirano, Yoshitake Kitanishi SHIONOGI & CO., LTD. SAS ViyaのConvolutional Neural Network (CNN) の解析事例紹介として，弊社が保有するSASプログラム準自動生成システム“AI SAS Programmer” に搭載される「図表計画書の解析」を公開する．CNNを活用することで起こったProcess Innovationを紹介したい．
![参考文献
• MathWorks, “畳み込みニューラルネットワーク (CNN)”,
[https://jp.mathworks.com/discovery/convolutional-neural-network.html]
• Qiita, “Convolutional Neural Networkとは何なのか”, 2017
[https://qiita.com/icoxfog417/items/5fd55fad152231 d706c2]
• Course Hero, “Deep-Learning-2017-Lecture5CNN.ppt”,
[https://www.coursehero.com/file/27811115/Deep-Learning-2017-
Lecture5CNNppt/]
• System Integrator, “畳み込みニューラルネットワーク_CNN(Vol.16)”,
[https://products.sint.co .jp/aisia/blog/vo l1-16]
26](https://image.slidesharecdn.com/sasuserforum2018augcnnryokiguchi-180824010529/85/SAS-Viya-CNN-Process-Innovation-26-320.jpg)
SAS ViyaのCNNを活用したProcess Innovation ～機械は解析図表をどう見ているのか～
- 1. SAS ViyaのCNNを活用したProcess Innovation ～機械は解析図表をどう見ているのか～ 木口亮，平野勝也，北西由武 （塩野義製薬 解析センター） Process Innovation Making Use of CNN by SAS Viya ~ How does the Machine cognize Analytic TLF (Table, Listing, Figure)? ~ Ryo Kiguchi, Katsunari Hirano, Yoshitake Kitanishi SHIONOGI & CO., LTD.
- 2. 要旨： SAS ViyaのConvolutional Neural Network (CNN) の解析事 例紹介として，弊社が保有するSASプログラム準自動生成シ ステム “AI SAS Programmer” に搭載される「図表計画書の 解析」を公開する．CNNを活用することで起こったProcess Innovationを紹介したい． キーワード： 2 SAS Viya, CNN, Python, AI, Data Governance, Data Scientist
- 3. Agenda • はじめに • CNNの解説 ～NNとの違い～ • SAS ViyaによるCNNの実装 ～SASとPython～ • 解析事例 ～ CNNによる「図表計画書の解析」～ 3
- 4. 4 はじめに
- 5. 5 Convolutional Neural Network (CNN) 何段もの層を持つNeural Network (NN) であり，特に 画像認識の分野における強力なツールの1つ Today’s Topic!!
- 6. Neural Networkは，人間の脳の 神経回路の仕組みを模したモデル 入力されたデータの重み付き和でデータ の特徴を表し，それらを用いて非線形な モデルを構築する • 1943年にW. McCulloch とW. Pittsが原型のモデルを発表したのが起源 • 一時の氷河期を乗り越え，今黄金期を迎えている手法 Neural Network導入
- 13. 13 CNNの概念を簡単に フィルタで画像の傾向 を掴む！ -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 1 -1 -1 -1 1 -1 -1 -1 -1 -1 1 -1 -1 1 -1 -1 -1 -1 -1 1 -1 -1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 1 -1 -1 -1 1 -1 -1 -1 -1 -1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 9×9の「○」の画像 -1 -1 -1 -1 -1 1 -1 1 -1 1 1 1 1 1 -1 1 -1 -1 ピクセル数 (=9) 6つ一致，3つ不一致 （合計すると6-3=3） 0.33 1 0.33 0.33 -0.11 0.56 0.33 1 -0.11 -0.11 -0.11 0.33 -0.11 0.56 0.33 -0.11 0.33 0.56 0.33 0.33 0.33 0.33 -0.11 0.56 0.56 0.56 0.33 0.33 -0.11 0.33 0.33 0.56 0.33 0.78 -0.11 0.56 -0.11 0.33 0.33 0.78 -0.11 0.11 0.33 0.56 0.33 0.33 -0.11 0.11 0.33 畳み込み計算結果 (特徴マップ) フィルタ
- 16. 16 SAS ViyaによるCNNの実装 proc cas ; loadactionset 'image'; image.loadImages / casout={name='image_files', replace=1} path="/var/viya_data/image" recurse= TRUE decode=TRUE labellevels=-2; image.processImages / casout={name='resized_image', replace=1} imageTable={name='image_files'} imageFunctions={{functionOptions={functionType="RESIZE", height=224, width=224}}}; shuffle / casout={name='resized_shuffled', replace=1} table={name='resized_image'}; deepLearn.buildModel / modelTable={name="SAS_TEST", replace=TRUE} type="CNN"; deepLearn.addLayer / layer={type="INPUT" nchannels=3 width=224 height=224} modelTable={name="SAS_TEST"} name="data"; deepLearn.addLayer / layer={type="CONVO" nFilters=8 width=7 height=7} modelTable={name="SAS_TEST"} name="conv1" srcLayers={"data"}; deepLearn.addLayer / layer={type="POOL" width=2 height=2 } modelTable={name="SAS_TEST"} name="pool1" srcLayers={"conv1"}; deepLearn.addLayer / layer={type="CONVO" nFilters=8 width=7 height=7} modelTable={name="SAS_TEST"} name="conv2" srcLayers={"pool1"}; deepLearn.addLayer / layer={type="POOL" width=2 height=2 } modelTable={name="SAS_TEST"} name="pool2" srcLayers={"conv2"}; deepLearn.addLayer / layer={type="OUTPUT" act='softmax' n=2} modelTable={name="SAS_TEST"} name="outlayer" srcLayers={"pool2"}; deepLearn.modelInfo / modelTable={name="SAS_TEST"}; deepLearn.dlTrain / inputs={{name="_image_"}} modelTable={name="SAS_TEST"} modelWeights={name="SAS_TEST_W" replace=TRUE} table={name="resized_shuffled"} optimizer={ maxepochs=1 miniBatchSize=128}; quit; %matplotlib inline import swat sess = swat.CAS("sasviya-address", 1234, "user-id", "password") from dlpy.images import ImageTable img_path='/var/viya_data/image' my_images = ImageTable.load_files(sess, path=img_path) my_images.resize(width=224) from dlpy.splitting import two_way_split tr_img, te_img = two_way_split(my_images, test_rate=20, seed=123) tr_img.as_patches(width=200, height=200, step_size=24, output_width=224, output_height=224) from dlpy import Model, Sequential from dlpy.layers import * from dlpy.applications import * model1 = Sequential(sess, model_table='CNN sample program') model1.add(InputLayer(3, 224, 224, offsets=tr_img.channel_means)) model1.add(Conv2d(8, 7)) model1.add(Pooling(2)) model1.add(Conv2d(8, 7)) model1.add(Pooling(2)) model1.add(Dense(16)) model1.add(OutputLayer(act='softmax', n=2)) SAS Viyaの SAS StadioインターフェイスによるCNN SAS Viyaの PythonインターフェイスによるCNN
- 17. 17 SAS ViyaによるCNNの実装 model1 = Sequential(sess, model_table='CNN sample program') model1.add(InputLayer(3, 224, 224, offsets=tr_img.channel_means)) model1.add(Conv2d(8, 7)) model1.add(Pooling(2)) model1.add(Conv2d(8, 7)) model1.add(Pooling(2)) model1.add(Dense(16)) model1.add(OutputLayer(act='softmax', n=2)) SAS ViyaのPythonインターフェイスによる CNNのモデル構築プログラム 畳 み 込 み 層 正 規 化 最 大 プ ー リ ン グ 層 畳 み 込 み 層 正 規 化 最 大 プ ー リ ン グ 層 全 結 合 層 出 力 層 テントウムシ 猫 モデルのSummaryをグラフィカル表示 model1.plot_network()
- 18. 18 SAS ViyaによるCNNの実装 SAS Viyaの PythonインターフェイスによるCNNプログラム model1.fit(data=tr_img, mini_batch_size=3, max_epochs=30, lr=5E-5, log_level=3) model1.plot_training_history(fig_size=(15, 6)) model1.predict(te_img) モデルのあてはめ 学習履歴の表示とテストデータの予測結果 model1.plot_predict_res(type='C', image_id=2) 分類結果の確認 78.94%
- 19. 19 SAS ViyaによるCNNの実装 SAS ViyaのPythonインターフェイスによる CNNの考察～機械はどこを見ている～ 各レイヤーの内容 (特徴) を見る ヒートマップ # 2層目 # 4層目 # 6層目 # 8層目 # 10層目
- 22. 22 臨床試験解析を準自動化（通称AI project） – AI SAS Programmer System 解析資料作成プログラム等の準自動生成するためのシステム 活用事例：「図表計画書の解析」
- 24. 24 モデルと解析結果(ヒートマップ) 活用事例：「図表計画書の解析」 機械がどこを見て分類したのかを考察することで， 新たな知見の発見に繋げることができる AI SAS Programmer Systemの一部の構成要素と している．このシステム稼働により33％のタスク減
- 25. 25 CNNの実装には難しさも多い (環境に依存する問題であるが) 処理時間の問題 モデル構築 (層の数など) の検討 パラメータのチューニングなど しかし，CNNの魅力は大きい 従来の機械学習は，過学習等に注意してパラメータをチューニングし，「人の直感」 のようなものを結果として出力するイメージに近かったが，CNNは，誤分類率や情報 損失を低下させるようにパラメータをチューニングし，「機械の直感」のようなものを 結果として出力するイメージに近い 本発表のポイントは「全てのデータは画像にすることができる」というア イデア．様々な視点から作成した画像データに対してCNNを活用するこ とで，Process Innovationを起こすことは可能 本発表がCNNの可能性を拡げる一助になれば幸甚である まとめ
- 26. 参考文献 • MathWorks, “畳み込みニューラルネットワーク (CNN)”, [https://jp.mathworks.com/discovery/convolutional-neural-network.html] • Qiita, “Convolutional Neural Networkとは何なのか”, 2017 [https://qiita.com/icoxfog417/items/5fd55fad152231 d706c2] • Course Hero, “Deep-Learning-2017-Lecture5CNN.ppt”, [https://www.coursehero.com/file/27811115/Deep-Learning-2017- Lecture5CNNppt/] • System Integrator, “畳み込みニューラルネットワーク_CNN(Vol.16)”, [https://products.sint.co .jp/aisia/blog/vo l1-16] 26
- 27. 27