How should engineers survive during AI era

by Norihiro Shimoda

Slide 1

Slide 1 text

AI礼賛時代にエンジニアはいかにしてサバイブすべきか by Norhiro Shimoda 1 ハッシュタグ：#devsumiB セッションID：【16-‐‑‒B-‐‑‒5】

Slide 2

Slide 2 text

⾃自⼰己紹介 • 下⽥田倫倫⼤大(@rindai87) • データ分析専業企業の⾼高性能雑⽤用係（⾃自称） • 気持ちは⽣生涯エンジニア • TensorFlow User Group(TFUG)主催者 2

Slide 3

Slide 3 text

最近、機械学習とか⼈人⼯工知能がものすごいブームですね出典：https://www.coursera.org/learn/machine-‐‑‒learning 3

Slide 4

Slide 4 text

⼈人⼯工知能すごい！というイメージ出典：https://www.google.com/selfdrivingcar/where/ 出典： https://gogameguru.com/i/2016/03/AlphaGo-‐‑‒ Lee-‐‑‒Sedol-‐‑‒game-‐‑‒3-‐‑‒game-‐‑‒over.jpg ⾃自動運転 AlphaGO ⼈人が運転するより事故率率率が低いらしい囲碁のプロ棋⼠士に勝利利した 4

Slide 5

Slide 5 text

⼈人⼯工知能使えそう！というイメージ出典：https://cloud.google.com/products/ 超すごい⼈人⼯工知能の要素技術をクラウドで簡単に使えそうな雰囲気！！！ 5

Slide 6

Slide 6 text

もちろんGoogleだけじゃないチャットボットを⼀一躍有名にした AI⼥女女⼦子⾼高⽣生「りんな」出典：https://twitter.com/ms_̲rinna 最近のAIブームの先駆けと⾔言える IBM Watson 出典：https://github.com/IBM-‐‑‒Watson もはやレア感がなくなるくらい浸透した Pepper 出典：http://www.softbank.jp/robot/consumer/products/

Slide 7

Slide 7 text

＿⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人＿＞突然の⼈人⼯工知能ブーム＜￣Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y￣

Slide 8

Slide 8 text

結果、こういう流流れができつつあります 8

Slide 9

Slide 9 text

⼈人⼯工知能をやりたまえ⼈人⼯工知能的な要素は是⾮非提案に含めてください⼈人⼯工知能は重要そうだよね⼈人⼯工知能かっこいいっすやりたいっすワタシ同僚僚上司お客さん後輩/部下

Slide 10

Slide 10 text

クラウドで⼈人⼯工知能関連のAPI あるじゃない ↓ APIを使ってみる ↓ ビジネスニーズに微妙にフィットしない ↓ スクラッチでやるしか ↓ 機械学習むずい＼(^o^)／ 10

Slide 11

Slide 11 text

エンジニアを取り巻く環境機械学習が使えそうな案件⼈人⼯工知能がキーワードになっている新規案件⼈人⼯工知能やりたまえという謎のプレッシャー⼈人⼯工知能や機械学習への興味数年年前まではなかった機械学習や⼈人⼯工知能というキーワードが⾒見見え隠れする今⽇日このごろ 11

Slide 12

Slide 12 text

エンジニアも⼈人⼯工知能とか機械学習っぽい話が分かった⽅方が良良さそう？？ 12

Slide 13

Slide 13 text

本⽇日お話すること⼈人⼯工知能とか機械学習とか押さえておかないと！！という焦燥感との向き合い⽅方 13

Slide 14

Slide 14 text

注意コードも出てきませんしこれだ！って結論論もないですふんわりした全体感の話です 14

Slide 15

Slide 15 text

⼈人⼯工知能と呼ばれるもの機械学習によって実現されている⼈人⼯工知能深層学習ルールベース etc.. 定義はいろいろですが、機械学習やルールベースなどを駆使して、⼈人間っぽい振る舞いをする何か、とします本資料料での⽤用語の関係

Slide 16

Slide 16 text

弊社でもよくある話機械学習とか分析を勉強したいんですよね社内にいるデータサイエンティストに聞いたり⾃自分で勉強すればいいんじゃないですか？それがどうしたら良良いかよくわからないんですよーエンジニア私 16

Slide 17

Slide 17 text

⼈人⼯工知能や機械学習について知りたい 17 エンジニア⼈人⼯工知能や機械学習の⼿手法について知りたい⼈人⼯工知能や機械学習の領領域におけるキャリアや活躍の仕⽅方を知りたい

Slide 18

Slide 18 text

⼈人⼯工知能や機械学習について知りたい 18 エンジニア⼈人⼯工知能や機械学習の⼿手法について知りたい⼈人⼯工知能や機械学習の領領域におけるキャリアや活躍の仕⽅方を知りたい

Slide 19

Slide 19 text

世の中に良良質なリソースがたくさんあるので、細かい話はググるなりしてくださいよくエンジニアの⼈人と話すこととそのリアクションでサクサクお届けします 19

Slide 20

Slide 20 text

ブラックボックスとしての機械学習アルゴリズムが取り扱えるデータフォーマット機械学習のアルゴリズム何らかの結果⼊入⼒力力⼊入出⼒力力の変換だけしてライブラリ呼び出し 20

Slide 21

Slide 21 text

⾔言ってることはわかるけど⾯面⽩白くない著作者：dice-‐‑‒kt 出典：http://free-‐‑‒photos.gatag.net/2014/05/15/180000.html 21

Slide 22

Slide 22 text

⽤用途別のアルゴリズムの選択出典：http://scikit-‐‑‒learn.org/stable/tutorial/machine_̲learning_̲map/ 22

Slide 23

Slide 23 text

やっぱり⾔言ってることはわかるけどやりたかった機械学習ではない著作者：Gwen241 出典：http://free-‐‑‒photos.gatag.net/2014/07/20/060000.html 23

Slide 24

Slide 24 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択 24

Slide 25

Slide 25 text

出典：http://playground.tensorflow.org/ 25

Slide 26

Slide 26 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択 26

Slide 27

Slide 27 text

出典：http://playground.tensorflow.org/ アルゴリズムや使っているツールに合わせ、いい感じの結果が出るように⼊入⼒力力を加⼯工する 27

Slide 28

Slide 28 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択 28

Slide 29

Slide 29 text

出典：http://playground.tensorflow.org/ 結果を⾒見見て今のパラメータで良良いかかどうかを判断 29

Slide 30

Slide 30 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択 30

Slide 31

Slide 31 text

出典：http://playground.tensorflow.org/ ⾚赤いところを問題に合わせていい感じに調整する 31

Slide 32

Slide 32 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択 32

Slide 33

Slide 33 text

出典：http://playground.tensorflow.org/ あー、これじゃだめだ、とそもそも違うアルゴリズムを選ぶこともある 33

Slide 34

Slide 34 text

機械学習っぽいけど急に難易易度度が上がりすぎじゃね？出典：http://labaq.com/archives/51849423.html 34

Slide 35

Slide 35 text

⼿手法について知りたい系の結論論 • ある程度度ちゃんとやりたいなら、やっぱり数学を理理解した上で機械学習に取り組むことが重要 – こればっかりはプロトコルみたいなものなので、最低限理理解しましょう、みたいな感じ • こつこつやるしかない！ • オープンソースで⾊色々公開されているので、エンジニアな皆さんは、動かして/背景の理理論論を知って、みたいな感じで進むといいと思います 35

Slide 36

Slide 36 text

おすすめの書籍など 36 etc… 馴染みのない⼈人たちにとっては、それなりに硬派な書籍達です。こつこつと何回も読むのが良良いかもしれません。

Slide 37

Slide 37 text

深層学習ならこれがすごい良良い！ 37 この本話題になっていますが、ほんとにすごく良良いです！

Slide 38

Slide 38 text

⼈人⼯工知能や機械学習について知りたい 38 エンジニア⼈人⼯工知能や機械学習の⼿手法について知りたい⼈人⼯工知能や機械学習の領領域におけるキャリアや活躍の仕⽅方を知りたい

Slide 39

Slide 39 text

39 まずは業務での関わり⽅方を整理理しましょう

Slide 40

Slide 40 text

ここからの話の前提 • ⼈人⼯工知能的なものをプロジェクトとして考えることを想定 – 研究開発的な取り組みの延⻑⾧長ではなくプロジェクトを想定 • いわゆる何でもできるスーパーマンがいない状態を想定 – スーパーマンがいると知らない間にいい感じにプロジェクトが終わって再現性がない • 事業会社の中で完結していないようなケースを想定 – 世の中に出てきている事例例の多くは事業会社が⾃自社データx⾃自社エンジニアx⾃自社データサインティストな掛け合わせで実現 40

Slide 41

Slide 41 text

⼈人⼯工知能に取り組む⽬目的 • コスト削減 – ⼈人の作業のリプレース • 品質の均⼀一化 – AIは疲れないしコピー可能 • 既存サービスの強化 – ⼈人⼯工知能の⼒力力を借りてサービスを強化 • 新規事業機会の創出 – クリエイティブな何かこの4つが必ずしも全てではないが、だいたいこんな感じで考えるはず

Slide 42

Slide 42 text

⼈人⼯工知能的なものの実現⽅方法出典：https://twitter.com/tikal/status/787902585294327809 実現できればなんでもよい

Slide 43

Slide 43 text

プロジェクトの各種フェーズ • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後こうやって⾒見見るといわゆる開発プロジェクトと似ているように⾒見見えますが。。。

Slide 44

Slide 44 text

44 • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後

Slide 45

Slide 45 text

プロジェクトの企画/⽴立立ち上げ • ⼊入り⼝口（どんなデータを使うか）と出⼝口（分析結果をどう使うか）というビジネス上の設計が重要 – ビジネスオペレーション(に|を)寄せる？ • ⼈人⼯工知能には過度度な期待が寄せられがち – 経験がない場合は⼩小さく計画を⽴立立てる – 魔法の箱ではないのですが…

Slide 46

Slide 46 text

既存のビジネスフロー⼊入⼝口/出⼝口のイメージ

Slide 47

Slide 47 text

⼊入⼝口（データ）既存のビジネスフロー⼊入⼝口/出⼝口のイメージ既存のビジネスで得られているデータを⼊入⼝口とする

Slide 48

Slide 48 text

⼊入⼝口（データ）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ機械学習、ルールベース、etc…

Slide 49

Slide 49 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージビジネスフローにつながる形のアプリケーション Webサービスだと⽐比較的簡単だが、それ以外だと結構⼤大変なイメージ

Slide 50

Slide 50 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの⼊入⼝口/出⼝口のイメージ新規のビジネスフロー既存のビジネスにこだわる必要はなく、全く新しい⼊入⼝口/出⼝口を考えても良良い既存のビジネスにこだわる必要はなく、全く新しい⼊入⼝口/出⼝口を考えても良良い

Slide 51

Slide 51 text

⼈人⼯工知能的なアプローチは、やってみなければ成果が出せそうかどうか分からない、という側⾯面があります。そのため実証実験から始めることが多いです。

Slide 52

Slide 52 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ（再掲）ここにフォーカスを当てます⼈人⼯工知能的なもので何ができますっけ？という確認（PoCと⾔言ったりもしますね）

Slide 53

Slide 53 text

プロジェクト企画/⽴立立ち上げのまとめ • そもそも⼿手持ちのデータややりたいことから⼈人⼯工知能的なこととして何ができるかの実証実験から始めることが多い • このフェーズではコンサル＋データサイエンティストが活躍する – のだけど、ここの話がいずれエンジニアにブーメランで来るので知っておく必要はある – それは実験的にはできるけど、、、みたいな 53

Slide 54

Slide 54 text

54 • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後

Slide 55

Slide 55 text

プロジェクト推進チーム 1. ビジネスを考える⼈人 – 経営企画など 2. AIとビジネスを繋ぐ⼈人 – いわゆるディレクターとかプロデューサー 3. AIそのものを扱う⼈人 – データサイエンティストとか⾔言われる⼈人 4. AIを使った仕組み化する⼈人 – The エンジニア！最低限こんな感じのはず

Slide 56

Slide 56 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ（再掲）

Slide 57

Slide 57 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロープロジェクト推進チームビジネス考える⼈人⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを扱う⼈人仕組み化を実現する⼈人

Slide 58

Slide 58 text

58 • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後

Slide 59

Slide 59 text

プロジェクトの進⾏行行 • 機能要件、⾮非機能要件が決めにくく、プロジェクト全体のゴールが曖昧になりがち – 期待値の調整が超重要 • プロジェクト進⾏行行に関しての明確な⽅方法論論が世の中に存在していない – 世の中にあるプロジェクトマネジメントや開発⼿手法は転⽤用できるんですっけ…？ • もちろん部分的にはYes

Slide 60

Slide 60 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ（再掲）ビジネス考える⼈人⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを扱う⼈人仕組み化を実現する⼈人この⼈人が超⼤大事ここの連携も超⼤大事

Slide 61

Slide 61 text

プロジェクト進⾏行行あるあるその1 61 エンジニアともデータサイエンティストとお話ができるデータサイエンティストエンジニア取りまとめ役エンジニアともデータサイエンティストとも話ができてプロジェクトを推進できる⼈人はなかなかいない取りまとめ役不不在

Slide 62

Slide 62 text

Slide 63

Slide 63 text

プロジェクト進⾏行行あるあるその２ 63 データサイエンティストエンジニアエンジニアともデータサイエンティストがうまく協働されず、作るものがブレまくるシステム⽬目線でのみ考えているアルゴリズム⽬目線でのみ考えているエンジニアとデータサインティストで作るものがブレる

Slide 64

Slide 64 text

Slide 65

Slide 65 text

プロジェクト進⾏行行あるあるその３ 65 データサイエンティストエンジニア取りまとめ役お客様から⾒見見て今の状況を適切切に判断できないチームとしてもコミュニケーションしにくい今何が出来てて、どのタイミングで何をすれば良良いの・・・超いい感じの分析モデルできてます！順調です！お客様に何を報告しよう・・・分析モデルは⽬目に⾒見見えない

Slide 66

Slide 66 text

Slide 67

Slide 67 text

67 • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後

Slide 68

Slide 68 text

プロジェクトの後 • ⼈人⼯工知能的なもの、のメンテナンスが定期的に必要だと考えた⽅方が良良いです – 世の中は変化するはずなので、データの質が変わる可能性があります – データの質が変わるとモデルが当初のような精度度がでなくなることも… • 逆に⾔言うと、今の⼈人⼯工知能は最初の設計を逸脱したものに追随できるほど汎⽤用的なものではない、というのが真実 – 保守でもお⾦金金を取るチャンスがありそうですね^^

Slide 69

Slide 69 text

プロジェクト全体についてのまとめ • 全体的には開発プロジェクトに似ている – と思ったら案外そうじゃない • 分析モデルは⽬目に⾒見見えない上、お客様に状況を適切切に理理解/判断いただくことはなかなか難しい – 信頼関係超重要 • 世の中に⽅方法論論も経験のある⼈人材も少ないため、⽕火種がそこら中にある – 期待値調整超重要 69

Slide 70

Slide 70 text

ここまでで業務でAIと関わるイメージが少しはつけられたでしょうか？もう少しエンジニア視点で Deep Diveしてみましょう 70

Slide 71

Slide 71 text

71 エンジニアはどう活躍するのか？

Slide 72

Slide 72 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ（再掲）ビジネス考える⼈人⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを扱う⼈人仕組み化を実現する⼈人全てエンジニアのキャリアとして有りえますし、エンジニアのバックグラウンドがある⼈人がなるべき全てエンジニアのキャリアとして有りえますし、エンジニアのバックグラウンドがある⼈人がなるべき全てエンジニアのキャリアとして有りえますし、エンジニアのバックグラウンドがある⼈人がなるべき全てエンジニアのキャリアとして有りえますし、エンジニアのバックグラウンドがある⼈人がなるべき

Slide 73

Slide 73 text

⼊入⼝口（データ）出⼝口（アプリケーション）⼈人⼯工知能的なもの既存のビジネスフロー⼊入⼝口/出⼝口のイメージ（再掲）ビジネス考える⼈人⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを扱う⼈人仕組み化を実現する⼈人

Slide 74

Slide 74 text

AIを仕組み化する⼈人 74 アルゴリズムデータのパイプライン可⽤用性パフォーマンステスト etc… ジョブスケジューリングアルゴリズムはある、それをどう仕組み化するか⼀一番⾃自然にポジションを築きやすいはず

Slide 75

Slide 75 text

Slide 76

Slide 76 text

AIそのものを扱う⼈人最近機械学習エンジニアとか⾔言われ始めている 76 技術全般にある程度度明るいライブラリのインストールや環境構築も⾃自分でバシバシできるもちろん、機械学習のアルゴリズムに詳しいどちらかというと・理理論論に精通しているのでモデルを考えるのは得意・コンサルっぽくクライアントワークが得意ツールを駆使して仕事をしているイメージ（⽇日本で数が多い）データサイエンティスト機械学習エンジニア

Slide 77

Slide 77 text

ツール使いじゃだめな理理由 • 新しい論論⽂文や理理論論がバシバシ出てきているので、ツールやライブラリで提供されるまで試せない、ではスピード感が合わないL • GPUやクラスタなども利利⽤用する必要があったりするため、環境の構築からできないとスピード感が合わないL • けっこう低レイヤーのエンジニアリングの⼒力力が必要な印象 77 とはいえ、ここを狙うのはけっこう⼤大変かも。。。

Slide 78

Slide 78 text

Slide 79

Slide 79 text

⼈人⼯工知能とビジネスを繋ぐ⼈人 79 ビジネスとしてやりたい事 AIにできる事ビジネス x 機械学習 x エンジニアリング仕組み（サービス/ プロダクト）としての提供個⼈人的にはここがもっと増えて来ても良良いと思っています既存のPM以上に技術のバックグラウンドが必要なはず新しいPMの形があると思っています

Slide 80

Slide 80 text

キャリアについて知りたい系の結論論 • エンジニアはきっとチャンスが多い時代に⼊入ってきている – 技術なしには話にならない時代への突⼊入（このあと更更に詳しく話ます） – ただし、数学っぽい話（主に線形代数と微積）から逃げるのは厳しそう – ⼤大丈夫、僕らにはnumpyがある！コードで学ぼう！ • これから狙うなら以下が狙い⽬目かも？？ – 機械学習エンジニアやデータサイエンティストと協働できるエンジニア – 機械学習の要素が含まれるプロジェクトを取りまとめるリーダー/マネージャー 80

Slide 81

Slide 81 text

81 おまけ：技術的なトレンドの⼩小話

Slide 82

Slide 82 text

機械学習のトレンド • R使ってコツコツ • ⼤大きなデータだとRは⾟辛いなぁ • Pythonがあるぞ • Scikit-‐‑‒learnがデファクトっぽくなる • 機械学習ではPythonがよく選ばれる⼤大規模データ分析のトレンド • RとかPythonで⼀一台のマシンだと⾟辛い。⾼高価なDWHとかに投資するのも限界 • Hadoop登場！ • Hadoop上でそのまま機械学習したい要望にMahout • Hadoopだとデータ分析のタスクは⾟辛いのでSpark登場 • SparkはMLlibもあって、⼤大規模な機械学習の決定打はこれだ 82 機械学習 x ⼤大規模データ分析のこれまでのトレンド

Slide 83

Slide 83 text

83 GPU

Slide 84

Slide 84 text

GPUの重要性 • CPUベースの分散処理理の決定打としてSparkの存在があった • が、特に深層学習の場合、GPUでドーンと処理理すれば圧倒的に早い – 体験しないと分からないGPUのありがたみ – ほんとにすごい差ですよ、マジで • 複数GPUでの分散処理理がトレンドに – SparkももちろんGPU対応を進めている 84

Slide 85

Slide 85 text

ハードウェアと機械学習 • 「GPU！以上！」ではなくてFPGAなどもけっこう盛り上がってきはじめている • Mobile APP含め、組み込み系で推論論を⾏行行うことは必須 – 実世界で使われるには組み込みとの関わりも必須 – 学習はもちろん厳しいので、別の場所で実⾏行行する前提 – モデルの軽量量化なども必要 85

Slide 86

Slide 86 text

TFUG ハード部 86

Slide 87

Slide 87 text

クラウドと機械学習 • GPUインスタンスの重要性の増加 – 各クラウドベンダーが対応してきている – AWS/Azure/GCPではGPUが使えて、有名所のライブラリ/フレームワークも動く • マネージドなMLサービスもガンガン出てきている – GCPのCloudMLとか、AzureのAzureMLとか – 分散機械学習にニーズが出てくればきっとすごく流流⾏行行ると思っている（今はまだ少し早いかも） 87

Slide 88

Slide 88 text

AIは総⼒力力戦の様相を呈している 88 AI （深層学習）ハード/ 組み込みクラウドソフトウェア開発データ分析

Slide 89

Slide 89 text

本⽇日の話のまとめ • AIと向き合うために数学から⽬目は離離せません – ⽬目を話したら⾯面⽩白い仕事ができません • AIブームのおかげでより技術的なバックグラウンドが重要になってきました – ノリでふわふわしたお話が望まれないフェーズに • AI（正確には深層学習）周辺には技術的な課題がたくさん – クラウドからハードウェアまで 89

Slide 90

Slide 90 text

Thank You !? 90

Slide 91

Slide 91 text

Thank You ! 91

Slide 92

Slide 92 text

What is TFUG ? • 分散機械学習フレームワークであるTensorFlowのコミュニティです • 2016年年10⽉月に⽴立立ち上がりました

Slide 93

Slide 93 text

Meetup • ⽉月に⼀一度度程度度のペースでミートアップイベントを開催しています第1回⽬目のミートアップの様⼦子です。 NHKの取材が⼊入りました。

Slide 94

Slide 94 text

全国展開も始まっています • 昨年年末にTFUG AIZUが⽴立立ち上がりました • ⼤大阪、京都、名古屋、福岡などの主要な都市で⽴立立ち上がらないかなぁと妄想しています

Slide 95

Slide 95 text

How to join us? イベント情報を管理理しています https://tfug-‐‑‒tokyo.connpass.com/ 各種情報交換の場として利利⽤用されています https://www.facebook.com/groups/178559235921208/

Slide 96

Slide 96 text

Slide 97

Slide 97 text

TensorFlow dev summit recap • TFUG関係者が参加しているのでrecapやります • 3⽉月中旬で検討中 • 続報は少々お待ちを！ 97

Slide 98

Slide 98 text

98 Thank You again!