機械学習案件について

機械学習案件について  機械学習アプリを開発した経験から

発表者  名前：和泉寿範  ニックネーム：いずみん  好きな言語：Python、PHP  好きなFW：Masonite、Laravel  興味がある事：機械学習、DDD  仕事：研究所のエンジニア  WEB系のエンジニア  その他：チャリティーサンタ 

機械学習に関わったプロジェクト  • scikit-learnを用いた化合物予測WEBアプリ  • scikit-learnを用いた化学物性質予測WEBアプリ  • jubatusを用いた花粉対策アプリPollinosys(個人プロジェクト)  プロジェクトで用いた技術の説明とやってよかった事、やればよかった事などを発表します。 

実際のAIエンジニアのイメージ AIシステムの開発工程  データの収集データの前処理特徴量の決定アルゴリズムとパラメーターの決定してモデル作成 WEBAPI化実データで運用
地味な処理(全体の8割から9割)

AIを作るためのツール  ライブラリ型  自分で実装する。  AIエンジニアが必要。  • scikit-learn  • keras   
サーバ型 AIサーバーを立ち上げて、データを送信する。 AIサーバーの機能に依存する。 • Jubatus サービス型 WEBサービス上でAIを作成する。サービスに依存します。お金が掛かる。 • Watson お金と依存性が高くなる作成するコード量が増える 

jubatusとは？  • サーバ型のAIプラットフォーム  • C++で作成されており、処理が高速  • OSSなので無料で利用が可能  • 特徴量抽出を設定ファイルに記述  なんとな〜くデータを機械学習エンジンに送信すると予測デー
タが帰ってくるっという事が可能です。 

花粉対策アプリPollinosysのシステム構成  機械学習エンジン WEB(アプリ本体) Laravel JSON リクエスト予測に必要なデータ予測値

機械学習アプリを作ってみて  やってよかった事  • Gitリポジトリの分割  • Jubatusの使用  • Flaskの使用  やればよかった事  •
オブジェクト指向プログラミング  • 機械学習ツールの検討や条件の検討  • Dockerを用いた開発環境作成  良い意味でも悪い意味でも、リリーススピードを優先する開発だった。 

まとめ  • JubatusやFlaskを使って、お金をかけずにAIシステムの開発ができた。  • プロトタイプを作るならライブラリ型よりもサーバー型やサービス型のツールを使うのが効率がいい。  • オブジェクト指向を意識して、コードを書かないと後からアルゴリズムやツールの変更が大変になる。 

機械学習案件について

機械学習案件について

eyener3

More Decks by eyener3

Other Decks in Programming

Featured

Transcript