20180720_AIエンジニア育成のプロセスと落とし穴.pdf

Slide 1

Slide 1 text

AIエンジニアを育成するためのプロセスと落とし穴株式会社キカガク

Slide 2

Slide 2 text

2018 Kikagaku, Inc. All Rights Reserved 2 会社概要 *機械学習とディープラーニングを含む協力会社会社名株式会社キカガク設立日 2017年1月代表吉崎亮介所在地東京都豊島区池袋 PLAN ACTION DO CHECK We provide education in the best style for you 人工知能(AI)*における教育とコンサルティングサービスを提供

Slide 3

Slide 3 text

2018 Kikagaku, Inc. All Rights Reserved 3 吉崎亮介株式会社キカガク代表取締役社長代表者紹介人と人とが教え合える優しい世界をつくる ✓日経ビッグデータ -「機械学習のデータはそもそも企業内にない、地道に整える企業が優位に立てる」 (2017.10.20) ✓共同通信社 -AIどう使う？教育で社会への橋渡しを 26歳社長「好きなことで生きる」(2018.1.23) 掲載された記事の紹介 1991年生まれ京都出身舞鶴高等専門学校画像処理とロボット制御の研究に従事 ITベンチャー企業へ就職京都大学大学院機械学習による製造業のプロセス改善に従事株式会社キカガク設立東京大学客員研究員へ就任コンサルティング現場で得た知見を教育へ教育コンサルティング

Slide 4

Slide 4 text

2018 Kikagaku, Inc. All Rights Reserved 実績 (法人設立から1年) 4 日本マイクロソフトと Preferred Networksの初の公認のデータサイエンス人材養成企業経済産業省認定大手AI企業公認共同プロジェクト多数ディープラーニングハンズオンセミナーが「第四次産業革命スキル習得講座認定制度」に採択データサイエンス人材を育成するプロジェクトに参画 0 1000 2000 3000 2017.3 2017.6 2017.9 2017.12 #Students 受講生 3000人 5 4 3 2 1 満足度 1 0 0 %

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

2018 Kikagaku, Inc. All Rights Reserved 教師データ作成の例題 10 ＭＲＩ画像から異常な箇所とその病名を予測する機械学習のモデルを構築したい。依頼する前にどのようなデータを準備しておくべきか考えてください。 (x1 ,y1 ) = (200, 250) (x2 ,y2 ) = (250, 300) ラベル：腫瘍箇所と病名を予測したい場合は同じ形式の教師データが必要

Slide 11

Slide 11 text

Slide 12

Slide 12 text

2018 Kikagaku, Inc. All Rights Reserved 12 Step1. 文書の分類（NN） Step2. 機械翻訳（RNN）野球サッカーラグビーバッターイチロースマホ急速充電電動ホットコールド自動車お風呂私 / は / 吉崎 / です /。 / よろしく / お願い / します / 。 / → 私 / は / キカガク / です /。 / こちらこそ / よろしく / お願い / します / 。 / ディープラーニングが成果を出している領域

Slide 13

Slide 13 text

ＡＩエンジニアになることは難しいのか？学ぶ → 使う・導入するには、大きなハードルがある当社調べ Webアンケート回答人数 200名

Slide 14

Slide 14 text

開発フロー

Slide 15

Slide 15 text

開発フロー１．企画・ヒアリングポイントＡＩがすべてでないことを認識した上で、使うべき案件かを確認

Slide 16

Slide 16 text

開発フロー２．環境構築ポイント • 最初は解析環境を整備するのも一大プロジェクト • ディープラーニングでは事実上ＧＰＵが不可欠であるため、リモートのサーバー上で環境構築できる人材が必要 • AzureのData Science VM上にNvidia-dockerなどでライブラリをまとめた環境を移植して構築すれば15分程度で環境構築が可能

Slide 17

Slide 17 text

開発フロー３．教師データ作成ポイント • 枚数が多い場合は時間をかけてでも、前処理アプリを作成 • 画像・動画系のラベル付けはMicrosoftが公開しているVOTTが便利 • 教師データ作成向けのアウトソーシングサービスも増加

Slide 18

Slide 18 text

開発フロー４．前処理・構造化ポイント • 前処理は「自然言語前処理」のように調べると大体わかる • 前処理の時間はプログラミングスキルに大きく依存（初心者は結構厳しい） • 構造化は「自然言語特徴量」のように調べると大体わかるが、どれを使うべきか選択が難しい（有識者に聞くのが早い）私は吉崎です。 x = [ ???, ???, …, ??? ] 固定長のベクトル株式会社キカガク（株）キカガクキカガク株式会社キカガク前処理構造化

Slide 19

Slide 19 text

開発フロー５．モデル構築（機械学習）ポイント • 万能な方法はないため、各アルゴリズムを適材適所で使う • 前処理や特徴量選択によっても性能が変わるため、アルゴリズム単体で考えるだけでは不十分 • 各アルゴリズムのハイパーパラメータを抑えておく機械学習の代表的なアルゴリズム • ディープラーニング • Support Vector Machine（SVM） • 決定木 • ガウス過程 • K-means • 主成分分析

Slide 20

Slide 20 text

開発フロー６．仮運用・検証ポイント • 精度100%が出ないことを踏まえて人手でカバーできる運用フローが不可欠

Slide 21

Slide 21 text

開発フロー７．システム統合ポイント • Ｗｅｂアプリケーションの場合、ＷｅｂＡＰＩで予測値のやり取りを行うことが多い • 組み込みではエッジで処理するかクラウドで処理するか • 精度が出るが深すぎるＮＮは、推論で思わぬネックとなる • DockerやKubernetesのような仮想化技術は機械学習エンジニアには不可欠

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

2018 Kikagaku, Inc. All Rights Reserved データサイエンティスト 25 多くの機械学習のアルゴリズムを詳細に知るデータが与えられた際に、こういうモデル化もできると提案できるかは知っている引き出しの数に大きく依存します。また、画像や自然言語処理といったデータのハンドリングや、DBにアクセスしてデータ整理などの機械学習の前工程〜学習（予測精度の検証結果が算出できる）までのスキルが必要です。機械学習プロフェッショナルシリーズやTop Gearシリーズなどの参考書で勉強すると良いと思います。Scikit- learnやchainer、opencvやmecab、jupyter, ipython-sql などを学ぶと良いと思います。

Slide 26

Slide 26 text

2018 Kikagaku, Inc. All Rights Reserved 機械学習エンジニア 26 学習済みモデルをプロダクトで運用可能となるようにインフラを作り、モデルをデプロイし、定期的にモデルの再学習を行うような仕組みを作ります。また、サービスが大きくなると多くのアクセスを捌く必要があり、スケールに対応するリソースの最適化も必要となります。データサイエンティストと被るところもありますが、学習〜デプロイ・運用までです。DockerやKubernetes、 Azureなどのクラウドの使い方、FlaskなどのWebフレームワークなどを学ぶと良いと思います。

Slide 27

Slide 27 text

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

2018 Kikagaku, Inc. All Rights Reserved AIで実績をあげるためには人材の確保が必要 30 採用を選択しても、育成できるエコシステムがなければ長期的に成功できない採用優秀な人材を採用は難しく、コストも高い採用できたとしても、育成できる環境がないとすぐに辞めてしまう育成スキルセットが豊富に必要なため育成には時間がかかるノウハウが個別に貯まるため、チームとして育成ができない人材獲得には「採用」と「育成」の２パターンがある

Slide 31

Slide 31 text

2018 Kikagaku, Inc. All Rights Reserved 研修事業者を選ぶ際のポイント 31 ヒアリングデータ収集 / 整理非構造データ → 構造データモデル構築 (機械学習) 仮運用検証システム統合資料作成よくあるセミナーはここしか学ばない前工程後工程本当にAI開発の導入を視野に入れた場合モデル構築だけでなく、前工程と後工程も視野に入れた研修が必要 → 少なくとも半年は要する AI人材を育成したいのですが、どのように勉強すれば良いでしょうか？期間や習得できる内容も教えてほしいです。よくある質問

Slide 32

Slide 32 text

2018 Kikagaku, Inc. All Rights Reserved AI人材育成のよくある失敗談１ 32 知識を習得後、実践の機会があるも、研修の内容と実務での解析のレベルに大きな乖離があり、手も足も出ない ✓多くの研修ではモデル構築にフォーカスを当てるも現場の解析はデータ整理や環境構築、うまくいかない時の対処など教科書通りに解析を行えることはまずない ✓一般的なセミナーでは、各個別の案件に対応した内容ではないため、実プロジェクトへの適用方法は自ら考えないといけない研修で知識を習得するも、実務に必要なレベルに達せず、結局使うことができないレベルに大きな乖離実務知識のインプット

Slide 33

Slide 33 text

Slide 34

Slide 34 text

2018 Kikagaku, Inc. All Rights Reserved AI人材育成のよくある失敗談２ 34 研修で知識として理解するも、業務で実践機会が見つからず、モチベーションがフェードアウトクラウドソーシングやRPA*の延長線上にAI案件は存在し、 AIで即解決できる問題は少ない AIによる自動化の検討費用対効果高低高低データの整理状況 (入出力の量と質) RPAによる自動化を検討現状維持クラウドソーシング等を検討知識習得後に案件がなく、モチベーションがフェードアウト *RPA: Robotic Process Automation

Slide 35

Slide 35 text

2018 Kikagaku, Inc. All Rights Reserved 35 解決策 PART 1 メンタリング PART 2 PART 3 難しい質問はフォローメリット ✓ 実案件がない場合もメンタリングによりモチベーションを維持でき、理解が大きく深まる ✓ 人材育成のスピードを加速することができる ✓ 育成のコストを大幅に抑えられる AI人材育成のためのエコシステム形成（受講者→メンター）講師兼メンター育成したい社内の人材育成したい社内の人材メンター