Let's stand up against "Do Artificial Intelligence" with proper knowledge

Slide 1

Slide 1 text

「⼈人⼯工知能をやりたまえ」と戦う武器を持とう by Norihiro Shimoda 11/10 品テク meetup Vol.03

Slide 2

Slide 2 text

⾃自⼰己紹介 • 下⽥田倫倫⼤大(@rindai87) • データ分析専業の会社で⾊色々やってます。 • 職歴的にはエンジニアになりますが、何故かデータサイエンス的な話で露露出させていただく機会が多めです。 – 機械学習、分散処理理、リアルタイム処理理とかが好きです。 2

Slide 3

Slide 3 text

• つい⼀一⽉月前の2016年年10⽉月 8⽇日に発⾜足しました（させました） • 先⾏行行して動いているいくつかの勉強会とも合流流予定 • CloudMLなどもスコープに活動していく予定 TensorFlow User Groupについて 3 コミュニティ活動にロゴは必須だと痛感する⽇日々です…

Slide 4

Slide 4 text

4 無事に⼤大盛況のうちに終われました^^

Slide 5

Slide 5 text

はじめに武器 = TensorFlow とか武器 = 深層学習とかの話ではないです ※むしろその辺の話は少なめです。

Slide 6

Slide 6 text

「⼈人⼯工知能をやりたまえ」とは？

Slide 7

Slide 7 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 7

Slide 8

Slide 8 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！！！ 8

Slide 9

Slide 9 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 10

Slide 10 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 11

Slide 11 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 12

Slide 12 text

クラウドのAPIを使えばできるのでは？ ↓ 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ない ↓ どうやってプロジェクト化しよう＼(^o^)／ 12

Slide 13

Slide 13 text

と、ならないために特にビジネスへの適⽤用を念念頭に置いた⼈人⼯工知能の話をします。

Slide 14

Slide 14 text

今⽇日お話する⼈人⼯工知能とは？

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

Slide 16

Slide 16 text

なんかすごそうなんですが、ビジネス的にはどういう意味があるんでしたっけ？

Slide 17

Slide 17 text

⼈人⼯工知能をビジネスに適⽤用する意味 • 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 • 新規事業機会の創出 – クリエイティブな何か

Slide 18

Slide 18 text

⼈人⼯工知能によるコスト削減 • ⼈人が⾏行行っている作業の⾃自動化 – ⼈人の作業のリプレースになるので、投資対効果が⾒見見えやすい • ただし、定形作業に⾒見見えても機械にやらせるには⾼高度度だった – 何かを認識識して判断から⾏行行動している

Slide 19

Slide 19 text

定形作業に⾒見見えるが実は⾼高度度出典：http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html

Slide 20

Slide 20 text

定形作業に⾒見見えるが実は⾼高度度⽬目視による確認確認結果から問題があるかを判断問題があったら⾏行行動出典：http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html

Slide 21

Slide 21 text

どうやって実現しますか？

Slide 22

Slide 22 text

結局できれば何でも良良い出典：https://twitter.com/tikal/status/787902585294327809

Slide 23

Slide 23 text

空想の世界のコスト対決 AI VS 800(円)x8(時間)x100(⼈人)=64万円/⽇日 64万円 x 30⽇日 = 1920万円/⽉月 2億円かけて開発し、ランニングコストが500万円/⽉月の不不良良品検知システムとはいえ、実は単純にコスト削減だけ考えると、よっぽどスケールさせない限り案外⾟辛かったりします時給800円のパートさん ✕100⼈人イケてるAI

Slide 24

Slide 24 text

品質の均⼀一化 • ⼈人は疲れてしまうがAIは疲れない – 基本的には同じ品質を保てる • ⼈人のあるタスクへの習熟度度は⼀一定にできないがAIは揃えることができる – 熟練のパートさんはコピーできないが、⼗十分学習されたAIはコピーできる • し、追加で学習ももちろん可能 – 加えて、さらに追加で学習も扠せられる

Slide 25

Slide 25 text

⼈人はコピーできない出典：http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html

Slide 26

Slide 26 text

⼈人はコピーできない出典：http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html この⼆二⼈人のチェックの品質は果たして同じなのだろうか？この⼆二⼈人のチェックの品質は果たして同じなのだろうか？この３⼈人のチェックの品質は果たして同じなのだろうか？

Slide 27

Slide 27 text

AIはコピー可能出典：http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html この⼆二⼈人のチェックの品質は果たして同じなのだろうか？この⼆二⼈人のチェックの品質は果たして同じなのだろうか？恐らく同じ条件下ではほぼ同じ結果が期待できる AI AI AI

Slide 28

Slide 28 text

単純なコストだけでなく品質の均⼀一化など、もう少し多⾯面的な意味で「コスト」を定義できると意味が⼤大きそうはまる場所が⾒見見つかれば強いためポイントの⾒見見定めが重要

Slide 29

Slide 29 text

新規事業機会の創出 • データを持つことが直接的な資産となる世界が来る – 画像を⼤大量量に扱うサービスは⼤大量量の画像データが⼿手に⼊入る – メッセンジャーサービスは⼤大量量の⾃自然⾔言語データが⼿手に⼊入る – 位置情報サービスは⼤大量量の位置情報データが⼿手に⼊入る • それらのデータを利利⽤用し、エコシステムを形成していける

Slide 30

Slide 30 text

イメージしやすい事例例 Googleフォト

Slide 31

Slide 31 text

データを資産としたエコシステム AI 写真のアップロードアップされた画像で AIがさらに強化・⼈人物抽出・類似画像・etc… 各種AI的な機能の提供検索索やクラウドサービスでの活⽤用便便利利楽しい⼼心地良良い

Slide 32

Slide 32 text

データを資産としたエコシステム AI 会話が増えれば増えるほど AIがさらに強化いい感じの会話りんなへの語りかけ？？？という感じで置き換えられるものは全てこの流流れに乗れそう便便利利楽しい⼼心地良良い

Slide 33

Slide 33 text

データを持つことで事業の幅が圧倒的に広がりそう！もちろんアイデアと実現するための技術は必須

Slide 34

Slide 34 text

⼈人⼯工知能のビジネス適⽤用プロジェクトを進めていくために

Slide 35

Slide 35 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

Slide 36

Slide 36 text

プロジェクトの企画/⽴立立ち上げ • 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 • 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？ • ⼈人⼯工知能は何でもできる魔法の箱ではありません

Slide 37

Slide 37 text

既存のビジネスフロー⼊入⼝口/出⼝口のイメージ

Slide 38

Slide 38 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 39

Slide 39 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 40

Slide 40 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/出⼝口のイメージ⼈人⼯工知能を使ったビジネスフロー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 41

Slide 41 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 42

Slide 42 text

いきなり全部考えるのしんどいですよね？また、AI的なもの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実証実験から始めると良良いことが多いです。

Slide 43

Slide 43 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 44

Slide 44 text

プロジェクト推進チーム • ビジネスを考える⼈人 • AIとビジネスを繋ぐ⼈人 • AIそのものを扱う⼈人 • AIを使った仕組み化する⼈人

Slide 45

Slide 45 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 46

Slide 46 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 47

Slide 47 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です。特に⺟母数が少なく貴重な⼈人

Slide 48

Slide 48 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 – 開発に特化したものだったらウォーターフォールやアジャイル開発などあるが…

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（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（2回⽬目）

Slide 50

Slide 50 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る • 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

Slide 51

Slide 51 text

TensorFlowの話

Slide 52

Slide 52 text

TensorFlowとは？ • Googleによって2015年年11⽉月に公開されたオープンソース – Google内部で多数の使⽤用実績があるらしい Google Photo 画像の⾃自動分類 Google 翻訳翻訳の⾃自動学習 Gmail スパムフィルタ OK Google ⾳音声認識識 52

Slide 53

Slide 53 text

TensorFlowにありがちな勘違い TensorFlowは深層学習に特化したツールである 53

Slide 54

Slide 54 text

TensorFlowの正しい認識識 TensorFlowはデータフローグラフを利利⽤用した数値計算のためのオープンソースのソフトウェアライブラリである TensorFlow™ is an open source software library for numerical computation using data flow graphs. TensorFlow公式サイトより 54

Slide 55

Slide 55 text

TensorFlow⾃自体の話をするとここから数時間くらいになりますので辞めておきましょう^^

Slide 56

Slide 56 text

https://speakerdeck.com/rindai87/talk-‐‑‒about-‐‑‒ml-‐‑‒and-‐‑‒dl-‐‑‒for-‐‑‒happy-‐‑‒engineers-‐‑‒life

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 TensorFlowの守備範囲⼈人⼯工知能を使ったビジネスフロー TensorFlowのカバー範囲

Slide 58

Slide 58 text

結局、どんなデータを使って TensorFlowでどういう処理理をするのかその結果をどう使うかというのが重要になりますですが、⾃自分１⼈人でウンウン唸ってても頭が整理理されないですよね^^

Slide 59

Slide 59 text

⾮非技術者向けのセミナーやります http://tfug-‐‑‒tokyo.connpass.com/event/44318/

Slide 60

Slide 60 text

Thanks!!