sitTokyo2024_SAP HANA PALの新機能「FAIR ML」を使ってみた

Transcript

1. 1 名前： 伊藤 遼太 会社： SAP 部門： SAP L Vocational Training Japan 役割： Intern (学生) TechEd 参加目的: 好奇心 Ryota Ito @Ryota_Ito Ryota Ito
2. 2024年02月22日 伊藤 遼太 SAP SAP HANA PALの新機能「FAIR ML」を使ってみた TOKYO SAP Inside Track 2024 #sitTokyo
3. 5 1. はじめに 2. SAP HANA PALとFAIR ML 3. 「FAIR ML」を使ってみた 4. まとめ SAP HANA PALの新機能「FAIR ML」を使ってみた
4. 6 Intelligent, Sustainable Enterprise エンタープライズ レベルのセキュアで 信頼できるプラットフォームで実行 SAP アプリケーションと即座に連携する 拡張機能やカスタムUXを作成 業務ナレッジを活かして、俊敏性を持って 変化に対応可能なシステムを構築 アプリケーション開発 機能拡張とイノベーション インテグレーション 接続性とシンプル化 データ＆アナリティクス 価値や意味の抽出 人工知能 知性や頭脳の埋込み プロセス自動化 最適化と自動化
5. 7 はじめに ~本セッションの目的~ • SAP HANA のPythonライブラリである「hana-ml」について紹介する。 • 「FAIR ML」の機能を使用した場合の変化について紹介する。
6. 8 近年、AI分野では様々な試みが行われている。 はじめに ~AIの面白い活用例~ 参照１： Mukesh Karunanethy et al., ”User authentication system based on human exhaled breath physics”, arXiv:2401.02447, Fig 2. (A) 参照２： Hadi Alzayer et al., ” Seeing the World through Your Eyes”, arXiv:2306.09348, Figure 1. 参照３： Sihao Hu et al., ”POKE´LLMON: A Human-Parity Agent for Pokemon Battles with Large Language Models”, arXiv:2402.01118, Figure 5.
7. 9 AIの活用にあたっては公平性や透明性といった問題が顕在化している。 はじめに ~AIの公平性に関わる問題~ 参照４：Machine Bias — ProPublica 参照５：AI 倫理と社会 | SAP
8. 10 公平性の基準には、以下のような指標が存在する。 これらの指標をモデルの学習に組み込むことによって、公平性を担保した学習を目指す。 ⇒ 精度がある程度落ちてしまう場合もあるので、注意が必要！ はじめに ~FAIR MLとは~ 参照６：Mingyang Wan et al., ” Modeling Techniques for Machine Learning Fairness: A Survey”, arXiv:2111.03015, Table 2.
9. 11 1. はじめに 2. SAP HANA PAL 3. 「FAIR ML」を使ってみた 4. まとめ SAP HANA PALの新機能「FAIR ML」を使ってみた
10. 12 • SAP HANAには分類/回帰などの多様なアルゴリズム から成る機械学習ライブラリが組み込まれている。 • SAP HANA内にあるデータを直接処理することで、 高速なトレーニングを実現できる。 • 一般的にSQLが使用されるが、 Pythonを使って操作を行うことも可能。 SAP HANAにおける機械学習
11. 13 SAP HANA PAL（Predictive Analysis Library）
12. 14 SAP HANA PALの機能一覧
13. 15 SAP HANA PAL のPythonライブラリである「hana-ml」にFAIR MLの機能が追加された。 SAP HANA PALの新機能 参照７：Fair ML | SAP Help Portal
14. 16 1. はじめに 2. SAP HANA PAL 3. 「FAIR ML」を使ってみた 4. まとめ SAP HANA PALの新機能「FAIR ML」を使ってみた
15. 17 シナリオ概要 オープンデータじゃなく、 オリジナルなことをやってみたいなぁ…
16. 18 「積読に困っている…! 」 ユーザーの特徴, 読書履歴と本の情報を用いて 次に読みやすい本を推薦するシステムの開発。 公平性を考慮してシステムがどのように推薦を行うかを検証する。 シナリオ概要
17. 19 LLMを用いて書籍データの生成 データの準備 ユーザーデータの作成 私たちがアノテーション しました。 STAR生によるラベル付け （本当にありがとうございました。） 読書履歴の作成
18. 20 Pythonの実行環境作るの大変だな… ⇒ 「Google Colab」を使おう！ ちゃんと動いた…! 実装画面
19. 21 特徴量エンジニアリングをしたデータをnotebookに読み込む 実装画面
20. 22 用意したデータからHANAテーブルを作成する。 実装画面
21. 23 用意したデータからHANAテーブルを作成する。 実装画面
22. 24 実装画面
23. 25 ユーザーの性別ごとのRMSE（二乗平均平方根誤差） FAIR ML を適用したものとの比較
24. 26 好みのジャンルごとのRMSE（二乗平均平方根誤差） FAIR ML を適用したものとの比較 標準偏差：2.11 標準偏差：1.98
25. 27 1. はじめに 2. SAP HANA PALとFAIR ML 3. 「FAIR ML」を使ってみた 4. まとめ SAP HANA PALの新機能「FAIR ML」を使ってみた
26. 28 • PAL を使ったデータ分析やってみよう！ • 「Pythonの実行環境が…」と思われている方は「Google Colab」でできます！ ※ SAP HANA PAL は Trial 環境の SAP HANA では利用できないため注意！！ メッセージ
27. 29 • 別題材で「FAIR ML」をやってみて下さい！ • センシティブな話題でなくても「FAIR ML」は活用できると思います！ • モデルを学習するだけでなく、アプリケーションに組み込んでみて下さい！ メッセージ
28. 30 参照 1. Mukesh Karunanethy et al., ”User authentication system based on human exhaled breath physics”, arXiv:2401.02447, Fig 2. (A) 2. Hadi Alzayer et al., ” Seeing the World through Your Eyes”, arXiv:2306.09348, Figure 1. 3. Sihao Hu et al., ”POKE´LLMON: A Human-Parity Agent for Pokemon Battles with Large Language Models”, arXiv:2402.01118, Figure 5. 4. Machine Bias — ProPublica 5. AI 倫理と社会 | SAP 6. Mingyang Wan et al., ” Modeling Techniques for Machine Learning Fairness: A Survey”, arXiv:2111.03015, Table 2. 7. Fair ML | SAP Help Portal 参照・参考一覧 参考 1. Fairness in Machine learning (HANA PAL) – https://blogs.sap.com/2023/12/08/fairness-in-machine-learning-a-new-feature-in-sap-hana-pal/ 2. SAP HANA PAL のサンプルコード – https://github.com/SAP-samples/hana-ml-samples/tree/main/Python-API/usecase-examples