AIとデータ・始め方

Transcript

1. AIとデータ - AI導⼊の始め⽅ DataStrategy Inc. http://datastrategy.jp Feb 2nd, 2018
2. Data Strategy Inc. | 1 • ౦ژେֶେֶӃमྃʢܦࡁֶम࢜ʣɻ • ܞଳΩϟϦΞେखɾ঎ۀۜߦͰͷσʔλ෼ੳۀ ຿ɺେखθωίϯɾٕज़ܥϕϯνϟʔͰͷσʔ λɾٕज़ίϯαϧςΟϯάΛܦݧɻ • 1ZUIPO
   TDJLJUMFBSO
   ,FSBT
   4"4
   3ͳͲΛ ༻͍ͨϞσϧߏங΍ϓϩτλΠϓ࡞੒Λܦݧɻ • ฌݿݝ๛Ԭࢢଞɺ࣏ࣗମ΍૯຿লΞυόΠβʔ Λ݉೚ɻ • ೥౓ΑΓఇژେֶܦࡁֶ෦ߨࢣʢϚʔέ ςΟϯάαΠΤϯεʣண೚༧ఆɻ • ܚጯٛक़େֶ؀ڥ৘ใֶ෦ଔ • 1SPDUFS
   
   (BNCMF
   ਆށɾγϯΨϙʔϧ
   #SBOE
   .BOBHFS
   26"/56.
   *OD
   .BSLFUJOH
   %JSFDUPS
   ౦ژɾγϦίϯόϨʔ Λܦͯݱ৬ɻચ୕ચࡎ౳ͷফඅࡒ͔Βઌ୺ς ΫϊϩδʔΛ༻͍ͨ*P5ϓϥοτϑΥʔϜɾػ ցֶश·Ͱ෯޿͘ɺϚʔέςΟϯάࢹ఺Λऔ ΓೖΕͨ੡඼։ൃɺࣄۀͷ੒௕ʹϑΥʔΧε ͨ͠ςϨϏ$.ɾσδλϧɾΦϑϥΠϯళฮɾ ઓུ13౳ͷ౷߹ϚʔέςΟϯάΛߦ͏ɻ • ۝भେֶେֶӃ ֶज़ݚڀһɻ ୅දऔక໾ $&0 ෢ా ݩ඙ औక໾ %JSFDUPS
   PG
   .BSLFUJOH ஛த ໺า
3. ⾃社サイトにて資料公開中です Data Strategy Inc. | 2 http://datastrategy.jp/slides/
4. AI = ⼈間のような知能？ Data Strategy Inc. | 3
5. AI研究の流れ Data Strategy Inc. | 4 • ⼈間（全脳）の再現はまだ道半ば 人工知能 深層学習 (ディープラーニング) 機械学習 人間の脳をどうすれば模倣できるか 特定タスクに対して 人間が学習する能力を アルゴリズムで再現できないか 脳のニューロンを模したモデル （ニューラルネットワーク）を使い 特定タスクに対する人間の学習能力を 再現できないか 1950~ 1980~ 2010~ 目安
6. ⼈⼯知能が産業にもたらすインパクト • ゴールドマンサックス証券では業務の⾃動化を推進 • 2000年に600⼈いたニューヨーク本社の株式トレーダーは、 2017年には 2⼈に Data Strategy Inc. | 5 出典: MIT Technology Review https://www.technologyreview.com/s/603431/as-goldman-embraces-automation-even-the-masters-of-the- universe-are-threatened/
7. Jibo, take a picture Data Strategy Inc. | 6
8. ⼤量の画像データからルールを教え込む Data Strategy Inc. | 7 過 去 の デ タ Model 顔である 顔ではない 顔である 顔である 顔ではない 同じサイズの 画像データ Input Model Output Input/Outputの 組み合わせから AIを学習させる Model 顔ではない ü 未知のデータ（過去にModelに投入していないデータ）の判別ができる ü 教えられていないこと（例：犬）は、判別できない
9. Data Strategy Inc. | 8 https://cvedia.com/usecases/facial-recognition-and-detection/
10. Data Strategy Inc. | 9 https://cvedia.com/usecases/facial-recognition-and-detection/
11. ⼈物や姿勢の検出も実⽤化されつつある Data Strategy Inc. | 10 出典: OpenPose Github Demo
12. ⼈物や姿勢の検出も実⽤化されつつある Data Strategy Inc. | 11 出典: OpenPose Github Demo
13. 顔や表情の分析を応⽤した例 ‒ AIが相⼿を⾒る広告 Data Strategy Inc. | 12 出展: “M&C Saatchi Creates London's First Artificial Intelligence https://www.dexigner.com/news/28079
14. ⼤⼿企業によるAI系ソリューションも充実しつつある • Amazon Reckognition Image Data Strategy Inc. | 13
15. <Demo> AIに何が写っているか判定してもらいましょう Data Strategy Inc. | 14
16. 画像認識の応⽤例：検品作業の効率を2倍に向上 • キューピーでは、約18,000枚のポテト画像を収集し、1⽇100万 個が流れるダイスポテトの不良品検知にAIモデルを活⽤。 ⽣産性を2倍に向上 Data Strategy Inc. | 15 出典:キユーピーがAI導入、1日100万個以上のポテトをさばく「ディープラーニング」の威力 http://www.itmedia.co.jp/enterprise/articles/1706/20/news049.html
17. ⾃社にあったモデルを作る場合、データ取得のための ICT化が必要 Data Strategy Inc. | 16 データ ICT 人工知能
18. 最も重要なのは「どんな課題を解決したいか」 • ビジネス上の課題があり解決してほしく、かつ 現実的に技術活⽤が可能なタスクをみきわめる Data Strategy Inc. | 17 ビジネス上課題があり P/Lへのインパクトが 大きいタスク 技術的に活用が 可能なタスク 望ましい タスク設定
19. 従来のIT開発⼿法はAI活⽤に馴染まない • データ分析やAI活⽤はIT開発・調達のように仕様を切って上⼿く いくことは少ない Data Strategy Inc. | 18 一般的なIT開発の流れ ビジネス部門 Biz 開発部門 Dev 運用部門 Ops 要件定義・仕様作成 開発チームへ指示・依頼 要件・仕様に沿って開発 定義された要求水準に 従い運用 AI活用が馴染まないポイント 1. AI開発は「ふたを開けてみないと分からない」 要素が強く、要件定義・仕様作成がそもそも困難 （事前の精度の見積もりはほぼ困難） 2. 仮に仕様を作成したとしても、 優秀な分析エンジニアにとって 「定義された仕事」は魅力的ではない 3. 分析エンジニアは自由に分析や モデル開発を実施したいが、運用部門は 余計なことはしてほしくないため、 運用部門による管理が制約になる
20. ⾃社が使える形でのAI導⼊ - 成功のポイント Data Strategy Inc. | 19 精度が出るか分からなくても まずはやってみることを決める 信頼できるエンジニアチームを⾒つけ おおまかな⽅向性を合意する 分析環境や情報セキュリティ上の 制約をゼロに近づけ、⾃由に動いてもらう 3 4 5 必要なデータを社内で揃える 2 P/Lインパクトが⼤きく 技術的にも実現可能なタスクをみつける 1