SQL Server 2017 で実現されるＡＩシステムモデルのご紹介

Microsoft Tech Summit 2017
～ＤＢＡのＡＩことはじめ～

何かもっと良
いものあれば
差し替え
出典）https://deepmind.com/blog/alphago-zero-learning-scratch/

出典）https://www.microsoft.com/

出典）https://www.apple.com/

お手伝い
しましょうか？
出典）https://www.google.com/

人相名前は？あなたは何者？好きな食べ物は？
コルタナと申します。
仕事はあなたのお役
に立つことです。
ドーナツです。言っ
てみただけですけど。
私の名前はシリです。
もうご存知かとお
もっていました。
私がだれかなんて、
どうでもいいことで
すよ。
私の好みなんて、気
にしないでください。
私はGoogleアシス
タントです。
アシスタントです。
私は様々な食べ物が
好きです。
Microsoft
Apple
Google

① 今更何ができるの？もう遅いよ。
② ＤＢＡ仕事に関係ないしさ。
③ 今回もブームで終わるでしょ。

出典）https://www.gartner.co.jp/press/html/pr20170823-01.html

0
20
40
60
80
100
120
140
160
180
200
0
10
20
30
40
50
60
70
2012/10/28 2013/10/28 2014/10/28 2015/10/28 2016/10/28 2017/10/28
「AI Deep Learning」Trend Search
「NVIDIA Corp」Stock Price
出典）https://trends.google.com/trends/explore?date=today%205-y&q=AI%20Deep%20Learning
出典）https://stooq.com/q/d/?s=nvda.us&c=0&d1=20121027&d2=20171027&i=w

0
5
10
15
20
25
30
2010年
NEC
2011年
Xerox
2012年
University
of Toronto
2013年
Clarifai
2014年
Google
2015年
Microsoft
2016年
MPS
人間
画像識別誤り率（％）
人間の識別能力を超過
本番システムで実用可能
出典）Large Scale Visual Recognition Challenge (ILSVRC)
コンピューター画像識別世界競技会ベストレコード推移

ｔ
ｆ
in
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
Data Source ConsumerPublishAI Predict
ETL
DWH／DM
Report
API
BI
Data Prep
ModelingEvaluation
AI Train
GPU

ｔ
ｆ
in
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
ETL
DWH／DM
Report
API
BI
Data Prep
ModelingEvaluation
AI Train
GPU
SQL Server
Integration
Services
SQL Server
Analysis
Services
SQL Server
Reporting
Services
SQL Server
R Server
Power BI
Report Server

ｔ
ｆ
in
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
ETL
DWH／DM
Report
API
BI
Data Prep
ModelingEvaluation
AI Train
GPU
SQL Server
Integration
Services
SQL Server
Analysis
Services
SQL Server
Reporting
Services
SQL Server
R Server
Power BI
Report Server
SQL Server
の門外

アプリケーション
＋
インテリジェンス
データベース
アプリケーション
インテリジェンス
＋
データベース
SQL Server 2017 のコンセプトのひとつ
『データがあるところにインテリジェンスを』

ｔ
ｆ
in
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
ETL
DWH／DM
Report
API
BI
Data Prep
ModelingEvaluation
AI Train
GPU
SQL Server
Integration
Services
SQL Server
Analysis
Services
SQL Server
Reporting
Services
SQL Server
R Server
Power BI
Report Server
ML Services により
SQL Server が
AIをサポート
SQL Server
Machine Learning
Services
NEW

SQL Server サーバー
Python/R ランタイム
APP
Machine Learning Services
Database Services
プロシージャＡ
GPU
プロシージャＣプロシージャＢ
Python/R記述
Predict処理
RAPID機械学習Chainer CNTK
Python/R記述
Train処理
Python/R記述
その他処理
TensorFlow その他FW

ｔ
ｆ
in
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
ETL
DWH／DM
Report
API
BI
Data Prep
ModelingEvaluation
AI Train
GPU
SQL Server
Integration
Services
SQL Server
Analysis
Services
SQL Server
Reporting
Services
SQL Server
R Server
Power BI
Report Server
SQL Server
Machine Learning
Services

ｔ
ｆ
in
AI for X
Data Source Consumer本番システムで利用可能なＡＩ実行基盤
AI for Y
AI for Z
ETL
DWH／DM
Report
API
BI
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
SQL Server ワンボックス
AI プラットフォーム

▌システムモデル
▌Y県自治体のお悩み事
毒キノコの誤食による食中毒の被害があとを絶たない。なんとか減らせないものか…。
Deep Learning on SQL Server による画像判定
Predict
Train
Internet
ETL
Bing
Image
Search
API
スマホ
食用キノコ
画像
毒キノコ
画像
学習モデル
（AI）
要判定キノコ画像
キノコ狩り
判定結果可視化

▌Y県自治体のお悩み事
毒キノコの誤食による食中毒の被害があとを絶たない。なんとか減らせないものか…。
Deep Learning on SQL Server による画像判定
▌登場人物
Data Scientist ：ＡＩを開発。
SQL Server DBA：ＡＩをSQL Serverにデプロイ。
Developer ：ＡＩをアプリに組込み、結果を可視化。

Internet
ETL
Bing
Image
Search
API
スマホ
食用キノコ
画像
毒キノコ
画像
学習モデル
（AI）
判定結果
事前環境
SQL Server
on IaaS w/GPU
VS Code
on IaaS w/GPU
キノコ狩り

PredictTrain
ETL
デモ① Data Scientist「私が慣れ親しんだ環境でAIを開発します。」
可視化
Internet
Bing
Image
Search
API
食用キノコ
画像
毒キノコ
画像
学習モデル
（AI）
判定結果
キノコ狩り
スマホ

PredictTrain
ETL
Predict
Train
デモ② DBA「ＡＩを『コピペ』のプロシージャ化で SQL Server にデプロイします」
Internet
Bing
Image
Search
API
食用キノコ
画像
毒キノコ
画像
学習モデル
（AI）
判定結果
キノコ狩り
スマホ

PredictTrain
ETL
Predict
Train
デモ③ Developer「ＳＱＬ文１行でＡＩを実行し、結果を可視化します」
可視化
Internet
Bing
Image
Search
API
食用キノコ
画像
毒キノコ
画像
学習モデル
（AI）
判定結果
キノコ狩り
可視化
スマホ

ｔ
ｆ
in
Data Source Consumer本番システムで利用可能なＡＩ実行基盤
Mobile
APP
IoT
SoR
Social
Desktop
APP
Web
Browser
システム構成要素が少なく信頼性が高い
入口と出口が標準化されたI/Fで接続可能
AIがSQL Serverのリッチな機能に相乗可能
１
２
３
AI for X
AI for Y
AI for Z
Report
API
BI
ETL
DWH／DM

SQL Server 2017 で実現されるＡＩシステムモデルのご紹介

 200人の日本人の身体データ
誤って100人分の性別情報を削除
身体データから，その方の性別を推定する以外にオ
プションがありません。

 90個の身体特徴があるので，頑張れば性別判定できそう。

1st Step：ルール・ドリブンアプローチ
(自分のアタマで考える)
現在の時刻：午後6時 (残り12時間)

 身体データに入っている90個の身体特徴を見ながら，
性別を予測するプログラムをゼロから書こう。
 「身長」と「体重」の2つの特徴を使えば，
おそらく個人の性別を判定できるだろう。

 「身長」と「体重」だけでは性別判定できなさそう。
他の身体特徴も使う必要がありそうだ。

2nd Step：インサイト・ドリブンアプローチ
(データに教えてもらう)
現在の時刻：午前0時 (残り6時間)

 残り時間は6時間。性別判定プログラムを
6時間で書き上げるのは難しそうだ。
 プログラム開発の生産性をアップする，
何か別の良いソリューションはないかな？
 データ削除を免れた100人の身体データから，
日本人の性別と身体特徴の関係を調べたら？
 あなたが知らない，男女判別に有用な身体特徴
を見つけられるかもしれませんよ。

 性別情報が残った100人の身体データから，
日本人の性別判定する予測モデルを作ろう。
 性別情報を削除してしまった残り100人の性別は，
この予測モデルを使ってレストアしよう。
200人
100人 100人

 最初は，「身長」と「体重」だけで
日本人の性別判定できるか試してみよう。
 追加の身体特徴を使うかどうかは，
この予測結果を見てから判断しよう。

 「身長」と「体重」だけで72%，
日本人の性別を判定できそうだな。
 予測精度を100%に近づけたいから，
追加の身体特徴を使おう。何を使うべきか？
混同行列
予測
女性男性
正解
女性 15 6
男性 8 21

 100人の日本人の身
体データは，2つの
クラスタに分割
できそうだ。
 各クラスタの代表点
(重心)を見ると，女
性は「体脂肪」
が性別判定に効
きそうだ。

身体特徴重要度
身体寸法
体脂肪
0.43
関節可動域
肘関節.伸展
0.21
体力測定
長座体前屈
0.16
身体寸法
腹囲
0.09
身体特徴重要度
被験者情報
身長
0.86
身体寸法
頚椎高
0.85
体力測定
握力
0.66
被験者情報
体重
0.49

 次は「身長」「体重」に「体脂肪」を加えて，
日本人の性別を予測できるか試してみよう。
 追加の身体情報を使うかどうかは，
この予測結果を見てから判断しよう。

 「身長」と「体重」に「体脂肪」を加えると，
日本人の性別を84%判定できそうだな。
 予測精度を100%に近づけたいけど，
午前6時までにモデリングが終わるか不安だ。
混同行列
予測
女性男性
正解
女性 19 2
男性 6 23

3rd Step：データ・ドリブンアプローチ
(AIに教えてもらう)
現在の時刻：午前2時 (残り4時間)

 残り4時間。予測モデルを4時間で仕上げ
できるか不透明だ。
 プログラム開発の生産性を更に加速する，
何か別の良いソリューションはないかな？
 データ削除を免れた100人の身体データに含まれる
90個すべての身体特徴を使ったらどう？
 ディープラーニングを使えば，
性別判定に効く身体特徴を勝手に探してくれますよ。

 最初に，90個すべての身体特徴を使って
日本人の性別判定できるかざっと試してみよう。
 これでダメだったら，身体特徴から性別を当てるのは
難しいとあきらめがつきそうだ。

 90個すべての身体特徴を使うと，
日本人の性別を96%予測できそうだな。
 間違えた日本人 2名は，プログラムで個別にケアすれば，
なんとかなりそうだ！！
混同行列
予測
女性男性
正解
女性 26 1
男性 1 22

→ システム化はこれから！
→ SQL Server がＡＩをサポート！
→ 使うべき実用的テクノロジー！

“Data is the New Oil”
出典）https://www.photo-ac.com/

出典）https://www.photo-ac.com/

▌シナリオ
あるスキーレンタル事業者のレンタルデータ（月日、曜日、祝日、天気
、降雪量など）をもとに将来のレンタル数の予測を行います。
▌ポイント
シンプルなサンプルです。
まずはPythonの開発環境でモデルトレーニング（scikit-learn×線形回
帰アルゴリズム）とスコアリングを実装し、これとまったく同じ処理を
SQL Server にデプロイする方法を学びIn Database Analyticsを実践し
ます。
https://goo.gl/QDnxp1

▌シナリオ
ニューヨークのタクシー事業者の乗車データ
（時刻、距離、ピックアップ場所など）をも
とに特定の乗車においてチップが得られるか
どうかを予測を行います。
▌ポイント
In Database Analytics の開発ライフサイク
ルを体感するようにチュートリアルが構成さ
れています。
同じシナリオのサンプルコードをPython、R
の両言語で用意しています。
scikit-learnとRevoScaleそれぞれでロジス
ティック回帰モデルをトレーニングします。
モデルの
デプロイ
モデルの
オペレー
ション
探索と
可視化
特徴抽
出
トレー
ニング
テスト
ETL
https://goo.gl/Lq8GVt

▌シナリオ
ローンデータをモデル化し、貸付金利を上昇させた場合の貸倒償却度合
の変化についてWhat-If分析を行います。
▌ポイント
In Database Analyticsの真価を体感できるようにチュートリアルが構
成されています。
PowerBIによる可視化を含んだサンプルです。
RevoScaleRでディシジョンフォレストモデルをトレーニングします。
In-memory TableColumn Store Power BI
Predict
（parallel）
VisualizeTrain
R
loan Data
Import
https://goo.gl/zb8Rwb

https://goo.gl/QDnxp1
https://goo.gl/Lq8GVt
https://goo.gl/zb8Rwb

ご清聴いただき
ありがとうございました

CREATE PROCEDURE ユーザ定義プロシージャ
AS
BEGIN
EXEC sp_execute_external_script
@language = N'Python',
@script =N'#Python code#'
END
SQL Server 2017
Python Runtime
APP
結果返却
Python/Rコード実行
T-SQL
Java
C/C++
C#/VB.NET
PHP
Node.js
Python
Ruby
②
③
①
EXEC ユーザ定義プロシージャ
sp_execute
_external
_script の呼び出し
EXEC sp_execute_external_script
@language = N'Python',
@script =N'#Python code#'
もしくは
Server

Sqlsrvr.exe Launchpad.exe
Pythonlauncher.dll
/Rlauncher.dll
Python.exe
/RTerm.exe
Python35.dll
/R.dll
PyLink.dll
/RxLink.dll
BxlServer.exe
SqlSatellite.dll
Database Engine
Services
Launchpad
Services
Python/R Process BxlServer Process
Named Pipe
①
②
③ ④
Named Pipe
⑤⑥
TCP/IP
conhost.exe
APP Server
sp_execute
_external
_script

１．SQL Server Database Engine Services と
SQL Server Machine Learning Services のインストール
２．外部スクリプト実行機能の有効化
（EXEC sp_configure 'external scripts enabled', 1;）
３．SQL Server の再起動

SQL Server 2016 の R
Services が改名して
Machine Learning
Services となっている

▌Machine Learning Services
Python/RをSQL Serverに統合した In
Database な実行環境を提供
• SQL17CU1でWindows版のみ
▌Machine Learning Server
スケーラブルなPython/Rの実行環境を
提供
• SQL Serverとは直接かかわりがない
– Windows版はSQL Serverのライセンスによっ
て提供される
• Windows/Linuxに対応こっち（Machine
Learning Server）
は別物

▌Python：version 3.5.2
Anaconda 4.3 がインストールされる
• Continuum Analytics社が提供するPythonディストリビューション
Python HOME
• C:¥Program Files¥Microsoft SQL Server¥MSSQL14.MSSQLSERVER¥PYTHON_SERVICES
▌R：version 3.3.3
Microrosft R がインストールされる
• Revolution Analytics社（2015年Microsoft社が買収）が提供するRディストリビューション
R HOME
• C:¥Program Files¥Microsoft SQL Server¥MSSQL14.MSSQLSERVER¥R_SERVICES

▌Machine Learning Services は Standard Edition でも使えます
Enterprise Edition 比較で機能差は無し。
• （抜粋） Standard Edition has all the capabilities of in-database analytics included with Enterprise Edition,
except for resource governance. Performance and scale is also limited: the data that can be processed must fit in
server memory, and processing is limited to a single compute thread, even when using the RevoScaleR functions.
スレッド数やリソースのスケーラビリティに制約有り。

▌プラットフォームは SQL Server on Windows のみ
SQL Server on Linux は今時点未サポート
▌AlwaysOn による可用性構成は Availability Group
のみサポート
Failover Cluster Instance は未サポート

SQL Server 2017 で実現されるＡＩシステムモデルのご紹介

More Related Content

What's hot (20)

Similar to SQL Server 2017 で実現されるＡＩシステムモデルのご紹介 (20)

More from Tomoyuki Oota (8)