これから始めるAI/ML！IoTシステムに活かすための学び方/SORACOM Tech Days 2021 day1_6

SORACOM Tech Days 2021 セッション資料です。
広く業務で活かされるようになってきた AI/ML 。どうしても難しいイメージがついてきますが、実際のところはどうなのか。IoT システムに AI/ML を活かすためにはどうすればいいのか。AI/MLの基本から学び方と最近のトレンド、IoT システムに AI/ML を上手く組み合わせるポイントをわかりやすくご紹介します。

株式会社アイデミー
事業本部法人事業部
ソリューション推進グループリーダー
登坂 直矢氏

株式会社ソラコム
ソリューションアーキテクト
桶谷 拓也

Transcript

1. これから始めるAI/ML！
   IoTシステムに活かすための学び方
   株式会社アイデミー
   事業本部法人事業部 ソリューション推進グループリーダー 登坂 直矢 氏
   株式会社ソラコム
   ソリューションアーキテクト 桶谷 拓也
   2021 Nov 16th
   

   View Slide

2. About me
   桶谷 拓也 Takuya Oketani
   ソリューションアーキテクト, 大阪
   株式会社ソラコム
   ♥ Unified Endpoint
   @okeee0315
   ✉ takuya@soracom.jp
   

   View Slide

3. 本セッションの対象者
   ➢ AI/ML に興味はあるが、まだ触れていない人
   ➢ IoT で収集したデータの活用を考えている人
   ➢ これから AI/ML を学習したい人
   

   View Slide

4. これから始めるAI/ML！
   IoTシステムに活かすための学び方
   ➢ AI/ML とは？その効果
   ➢ AI/ML を IoT システムに活かす
   ➢ AI/ML をこれから始めるためには？
   

   View Slide

5. AI/ML とは？その効果
   Original Update by Mike MacKenzie / https://www.flickr.com/photos/mikemacmarketing/42271822770/
   

   View Slide

6. AI とは？
   “人工知能（じんこうちのう）またはアーティフィシャル・インテリ
   ジェンス（英: artificial intelligence、AI〔エーアイ〕）とは、「『計
   算（computation）』という概念と『コンピュータ（computer）』と
   いう道具を用いて『知能』を研究する計算機科学（computer science
   ）の一分野」を指す語。「言語の理解や推論、問題解決などの知的行動
   を人間に代わってコンピューターに行わせる技術」、または、「計算機
   （コンピュータ）による知的な情報処理システムの設計や実現に関する
   研究分野」ともされる”
   引用元： https://ja.wikipedia.org/wiki/人工知能
   

   View Slide

7. ML とは？
   “機械学習（きかいがくしゅう、英: machine learning）とは、 経験か
   らの学習により自動で改善するコンピューターアルゴリズムもしくはそ
   の研究領域で、人工知能の一種であるとみなされている。「訓練デー
   タ」もしくは「学習データ」と呼ばれるデータを使って学習し、学習結
   果を使って何らかのタスクをこなす。”
   引用元： https://ja.wikipedia.org/wiki/機械学習
   

   View Slide

8. AI と ML
   Artificial Intelligence
   Machine Learning
   

   View Slide

9. AI と ML
   Artificial Intelligence
   Machine Learning
   Strong AI
   汎用人工知能
   人間のように「知的」な知能
   

   View Slide

10. 特化型人工知能
    人間並みの幅広い認知能力を示すことはない
    特定問題解決器
    AI と ML
    Artificial Intelligence
    Weak AI
    Machine Learning
    

    View Slide

11. Strong AI と Weak AI
    Strong AI （汎用人工知能: AGI）
    • 実現出来ていない（出来ないと言われることも）
    • 実現出来たとしても長い時間がかかる
    • 汎用 ≠ 複数
    Weak AI
    • 実現出来ている
    • ゲーム（囲碁対局、チェス対局 etc）
    • 自動運転
    • 画像識別
    

    View Slide

12. AI と ML
    Artificial Intelligence
    Machine Learning 機械学習
    特定事象のデータを学習してモデルを獲得
    それに基づいて判断や予測を実施
    

    View Slide

13. AI と ML
    Artificial Intelligence
    Machine Learning
    Deep Learning
    深層学習
    機械学習の手法のひとつ
    

    View Slide

14. 参考) 深層学習 とは？
    “ディープラーニング（英: Deep learning）または深層学習（しんそうがくしゅ
    う）とは、対象の全体像から細部までの各々の粒度の概念を階層構造として関連さ
    せて学習する手法のことである。深層学習として最も普及した手法は、（狭義には
    4層以上の）多層の人工ニューラルネットワーク（ディープニューラルネットワー
    ク、英: deep neural network; DNN）による機械学習手法である。多層ニューラ
    ルネットワークについては、ジェフリー・ヒントンの研究チームが2006年に考案し
    たスタックトオートエンコーダが直接の起源となった。
    要素技術としてはバックプロパゲーションなど、20世紀のうちに開発されていたも
    のの、4層以上の深層ニューラルネットについて、局所最適解や勾配消失などの技
    術的な問題によって十分学習させられず、性能も芳しくなかった。しかし、21世紀
    に入って、スタックドオートエンコーダを始めとするヒントンらによる多層ニュー
    ラルネットワークの学習の研究や、学習に必要な計算機の能力向上、および、イン
    ターネットの発展による学習データの流通により、十分に学習させられるように
    なった。その結果、音声・画像・自然言語を対象とする諸問題に対し、他の手法を
    圧倒する高い性能を示し、2010年代に普及した。”
    引用元： https://ja.wikipedia.org/wiki/ディープラーニング
    

    View Slide

15. AI と ML
    Artificial Intelligence
    Weak AI
    Machine Learning
    Deep Learning 深層学習
    機械学習の手法のひとつ
    Strong AI 汎用人工知能
    人間のように「知的」な知能
    特化型人工知能
    人間並みの幅広い認知能力を示すことはない
    特定問題解決器
    機械学習
    特定事象のデータを学習してモデルを獲得
    それに基づいて判断や予測を実施
    

    View Slide

16. 機械学習(ML) の「学習」と「推論」
    • 学習は、 ML モデルを作ること
    • 推論は、 ML モデルを使った判定すること
    学習用データ ML モデル作成ツール
    《入力》 《処理》 《出力》
    ML モデル (ファイル)
    学習
    推論
    本番データ プログラム
    ML モデル
    推論結果
    {
    "Prediction": "Car",
    "Confidences": "95.5%"
    }
    

    View Slide

17. AI/ML の効果
    • 既存業務の効率化や改善
    

    View Slide

18. AI/ML の効果
    • 新しいサービスの提供
    

    View Slide

19. AI/ML を IoT システムに活かす
    Original Update by Jarric Gentletail / https://www.flickr.com/photos/gentletail/29489895872/
    

    View Slide

20. AI/ML は、人のような知能を再現する技術
    人の知能をデジタル化
    入力をデジタル化し学習
    AIモデルを使って行動や推察
    0101
    0100
    1101
    AI/ML モデル AI/ML エンジン
    人 現場
    

    View Slide

21. IoT は、離れた場所のモノを管理する技術
    クラウド
    ネットワーク
    センサー
    通信デバイス
    モノやコトをデジタル化
    現場のデジタル化
    現場とクラウドを
    つなげる
    データの活用
    

    View Slide

22. AI/ML を IoT と組み合わせると...
    • IoT で収集したデータを AI/ML を使って分析する
    • 可視化や予測
    • 予知保全
    • デバイスで AI/ML を動かす
    • 自動化や最適化
    • 品質改善
    複雑な課題を解決
    

    View Slide

23. AI/ML を IoT と組み合わせる方法
    • クラウドで推論を行う
    • クラウド推論
    • デバイスで推論を行う
    • エッジ推論
    • デバイスとクラウドを組み合わせて推論を行う
    • ハイブリッドアーキテクチャ
    

    View Slide

24. ハイブリッドアーキテクチャ構成例
    エッジ推論 + クラウド推論
    • デバイスで推論を行い、物体などを抽出する
    • 画像データを蓄積しつつ運用する
    • 蓄積された画像データを活用する
    • サービスとして提供される AI/ML を使った迅速なシステム立ち上げ
    Amazon S3 Amazon Elasticsearch
    Service
    Amazon SNS
    AWS Lambda
    抽出された
    画像
    推論結果
    AWS SDK
    カメラ付きデバイス
    ML推論
    Amazon Rekognition
    

    View Slide

25. サービスとして提供される AI/ML
    • Amazon Web Services
    • AI services
    https://aws.amazon.com/jp/machine-learning/ai-services/
    • Microsoft Azure
    • Applied AI Services
    https://azure.microsoft.com/ja-jp/product-categories/applied-ai-services/
    • Google Cloud
    • AI Building Blocks
    https://cloud.google.com/products/ai
    ...etc
    

    View Slide

26. SORACOM の AI カメラ
    S+ Camera Basic
    S+ Camera Basic
    デジタル化
    カメラ
    AI 処理
    CPU / TPU
    通信
    SORACOM Air
    for セルラー
    SORACOM
    Mosaic
    SORACOM
    Inventory
    リモートアクセス
    SORACOM
    Napter
    ✓ Python 3
    ✓ TensorFlow Lite 2.1
    ✓ Google Coral Edge TPU USB Accelerator (オプション)
    ✓ OTA (Over the Air)
    ✓ SSH
    開発ガイド: https://users.soracom.io/ja-jp/docs/mosaic/develop-algorithm/
    デバイス管理と運用基盤
    

    View Slide

27. これから AI/ML を始めるためには？
    Original Update by Jarric Gentletail / https://www.flickr.com/photos/gentletail/29489895872/
    

    View Slide

28. これから AI/ML を始めるためには？
    • サービスとして利用する AI/ML
    • AI モデル / ML モデルを作る
    

    View Slide

29. サービスとして利用する AI/ML
    • サービスの使い方を学ぶ ≒ クラウドサービスを学ぶ
    • チュートリアルやデベロッパーガイドを活用
    • AI/ML の基礎や応用数学、最新論文の理解は必須で
    はない
    • サービスの種類やそれぞれの IF、仕様、制限を理解する
    • AI/ML の基礎を活かして、サービスを選定する
    

    View Slide

30. AI モデル / ML モデルを作る
    • データを収集し、前処理や加工を行う
    • ラベル付けなどのアノテーション
    • データの分析や可視化を行う
    • 特徴量の抽出、データを理解する
    • モデルを作成する
    • アルゴリズムやフレームワークの選定
    • モデルの学習
    • 学習環境の準備
    ...etc
    

    View Slide

31. 登坂 直矢 氏
    株式会社アイデミー
    事業本部法人事業部
    ソリューション推進グループリーダー
    

    View Slide

32. SORACOM Tech Days 2021
    AI・MLの損のない最短の学び⽅
    2021年 11⽉16⽇
    株式会社アイデミー
    

    View Slide

33. • ⾃⼰紹介・会社概要
    • DX・AI⼈材の分類
    • DX・AI⼈材のプロジェクトにおける役割
    • DX・AI⼈材のキーワードマップ
    • スキルを⾝につけるのに最適︕アイデミーのeラーニングコース紹介
    • スキルを⾝につけるのに最適︕アイデミーの資格講座紹介
    • ⼈気のあるAI/MLフレームワークの紹介
    アジェンダ
    2
    

    View Slide

34. ⾃⼰紹介
    3
    ー 専⾨領域
    • ⽇本ディープラーニング協会のG検定及びE資格
    • eラーニングや研修の開発
    • eラーニングと研修を組み合わせた実践型PBLプログラムの開発
    • DX、AI、機械学習、データサイエンス、統計全般
    ー 過去に関与した案件の⼀例
    • ⽇本ディープラーニング協会G検定の試験問題作成
    • ⽇本ディープラーニング協会E資格の模擬試験作成
    及びプロジェクトマネジメント
    • 「Aidemy Business」のeラーニング製作
    • 次世代経営幹部向け実践型DXプログラム
    「Next Executive Program」の新規⽴ち上げ
    • Microsoft Azureを活⽤した Auto ML セミナー講師
    登坂 直⽮
    株式会社アイデミー事業本部法⼈事業部ソリューション推
    進グループリーダー。東京⼤学で⽣物統計学を学ぶ。株式
    会社リクルートマネジメントソリューションズにて研修事業に
    従事。⽇本ディープラーニング協会G検定及びE資格を取
    得し、G検定の試験問題の作成、E資格の模擬試験問題
    の作成を担当。2020年6⽉より株式会社アイデミーに⼊
    社、コンテンツ編集⻑を担当し、2021年10⽉より現職。
    

    View Slide

35. 先端技術を、経済実装する。
    〒101-0052
    東京都千代⽥区神⽥⼩川町1-1 ⼭甚ビル3F
    國吉 康夫 教授（ 東京⼤学⼤学院情報理⼯学系研究科 )
    経営陣・東京⼤学エッジキャピタルパートナーズ
    (UTEC)・Skyland Ventures・⼤和企業投資・ダイキ
    ン⼯業・テクノプロ・古河電気⼯業・千葉道場ファン
    ド・東京⼤学協創プラットフォーム開発 (東⼤IPC) ・
    個⼈投資家
    7.7億円 ( 資本剰余⾦含む 2021/5/31現在 )
    88名 ( アルバイト含む 2021/5/31現在 )
    ⽯川 聡彦 ( Akihiko Ishikawa )
    4
    会社概要
    

    View Slide

36. DX・AI⼈材の分類
    5
    • DX・AIプロジェクトの
    責任者
    • プロジェクト全体の
    計画策定及び
    実⾏管理
    プロジェクト
    マネージャー
    プランナー
    • データ分析
    • 可視化、集計、
    仮説検定
    • 効果検証
    データアナリスト
    データ
    サイエンティスト
    • 分析基盤の設計
    • MLOpsの設計
    • AI/MLモデルの
    システム実装及び
    保守・運⽤
    AIエンジニア
    • データアーキテクチャ
    の設計
    • データの収集・整
    備・加⼯
    • 分析基盤の構築・
    運⽤・保守
    • データマネジメント
    DX⼈材
    デジタル⼈材
    ビジネスプランニング⼈材
    データサイエンス⼈材
    ビジネス志向 AI/ML等のDS志向 データ等のENG志向
    • 各業務の
    実務推進者
    • AIで解くべきイシュー
    の選定
    • 解決策の企画
    アナリティクス⼈材
    • AI/MLモデルの
    開発
    • 効果検証
    エンジニアリング⼈材
    ※「セキュリティエンジニア」 「サーバー/インフラエンジニア」「WEBエンジニア」 「アプリケーションエンジニア」は、 DXが流⾏する前からIT⼈材として存在するので、ここでは割愛する
    

    View Slide

37. DX・AI⼈材のプロジェクトにおける役割
    6
    プロジェクトマネージャー
    プランナー
    データアナリスト
    データサイエンティスト
    AIエンジニア
    データエンジニア
    !
    "
    #
    $
    %
    &
    '
    (
    '
    )
    ⼈
    材
    ,
    -
    .
    /
    0
    1
    $
    ⼈
    材
    2
    '
    "
    (
    ,
    .
    '
    )
    ⼈
    材
    現状把握 課題設定 企画 PoC システム実装 運⽤・保守
    • 全社及び部⾨の戦略
    確認
    • 経営戦略に沿った解
    決するべき課題の洗い
    出し
    • 解決するべき課題の
    優先順位付け
    • 解決するべき課題の
    選定
    • 解決後のインパクト
    試算
    • 収集するべきデータの
    洗い出し
    • 基礎分析、可視化
    • 分析⼿法、難易度把
    握
    • データの有無、分析環
    境確認
    • データ収集⽅法の検
    討
    • 実⾏計画の⽴案
    • ロードマップ作成
    • 体制構築
    • 経営陣/他部⾨調整
    • 実⾏計画の承認
    • 実⾏計画の⽴案
    • ロードマップ作成
    • 体制構築
    • 分析設計書作成、以
    下項⽬の決定
    • 収集データ
    • 分析⼿法
    • アウトプットイメージ
    • 開発観点から
    実現可能性を判断
    • 開発計画⽴案
    • PoC結果の確認
    • インパクトとコストの試算
    • プロジェクト実⾏可否の上申
    • PoC結果のビジネスレビュー
    • 分析実施
    • AI/MLモデル開発
    • PoC結果の分析
    • 効果算出
    • 分析基盤の構築
    （MLOps含）
    • データ収集
    • データ加⼯、クレンジング
    • プロジェクトマネジメント
    （進捗、予算等）
    • AI/MLモデルの実装
    ー
    ー
    ー
    ー
    • データのリアルタイム
    可視化
    • AI/MLモデル再学習
    • 運⽤・保守
    • 今後の安定稼働に向
    けたリスク要因の洗い
    出し
    • 他部⾨連携
    • 実業務での利⽤
    

    View Slide

38. DX・AI⼈材のキーワードマップ
    7
    プロジェクト
    マネージャー
    プランナー データアナリスト
    データ
    サイエンティスト
    AIエンジニア データエンジニア
    ビジネスプランニング⼈材 アナリティクス⼈材 エンジニアリング⼈材
    ITリテラシー、IoT・クラウド・データベースに関する基本知識（ITパスポート相当）
    DSリテラシー（データサイエンティスト検定 リテラシーレベル相当）
    AI/MLリテラシー（G検定相当）
    AI/MLプランニング DS/ENG⽤プログラミング（コマンド、Python、SQL、JavaScript、Git、Docker、Linux等）リテラシー
    AI/ML実装スキル（E資格相当）
    プロジェクトマネジメント
    法律（知財・契約）
    セキュリティ
    要件整理
    PoC・運⽤設計 AutoML
    活⽤事例
    組織作り
    投資対効果
    BIツール
    データ可視化
    データ分析・統計
    AI/MLモデル構築
    機械学習クラウド
    最先端論⽂
    基礎・応⽤数学
    分析基盤構築
    MLOps
    DevOps
    ETL・DL・DWH・DM
    データマネジメント・データアーキテクチャ
    データ収集・整備・加⼯
    DX基礎
    リテラシー
    DX推進
    リテラシー
    AWS・Azure・GCP
    

    View Slide

39. DX・AI⼈材のキーワードマップ
    8
    プロジェクト
    マネージャー
    プランナー データアナリスト
    データ
    サイエンティスト
    AIエンジニア データエンジニア
    ビジネスプランニング⼈材 アナリティクス⼈材 エンジニアリング⼈材
    ITリテラシー、IoT・クラウド・データベースに関する基本知識（ITパスポート相当）
    DSリテラシー（データサイエンティスト検定 リテラシーレベル相当）
    AI/MLリテラシー（G検定相当）
    AI/MLプランニング DS/ENG⽤プログラミング（コマンド、Python、SQL、JavaScript、Git、Docker、Linux等）リテラシー
    AI/ML実装スキル（E資格相当）
    プロジェクトマネジメント
    法律（知財・契約）
    セキュリティ
    要件整理
    PoC・運⽤設計 AutoML
    活⽤事例
    組織作り
    投資対効果
    BIツール
    データ可視化
    データ分析・統計
    AI/MLモデル構築
    機械学習クラウド
    最先端論⽂
    基礎・応⽤数学
    分析基盤構築
    MLOps
    DevOps
    ETL・DL・DWH・DM
    データマネジメント・データアーキテクチャ
    データ収集・整備・加⼯
    DX基礎
    リテラシー
    DX推進
    リテラシー
    AWS・Azure・GCP
    

    View Slide

40. アイデミーのeラーニングコース紹介
    9
    AI/MLモデル構築
    CNNを⽤いた画像認識 ⾃然⾔語処理を⽤いた質問応答
    • コース紹介⽂
    機械翻訳や⾃動要約など、発展的な⾃然⾔語処理において深層学
    習はとても有⼒な⼿法です。
    ニューラルネットワークモデルを⽤いた⾃然⾔語処理における、前処理、
    具体的⼿法を、質問応答システムを作成しながら説明し、実装していき
    ます。
    • コース紹介⽂
    深層学習（ディープラーニング）のアルゴリズムのなかで、主に画像認識
    で⽤いられ活⽤の幅が広いCNN（Convolutional Neural
    Network）の実装を概観します。
    CNNを⽤いて⼿書き⽂字認識や⼀般物体認識に挑戦し、精度向上
    のテクニックや転移学習の実装に関して触れます。
    画像認識や⾃然⾔語処理を⾏うためのニューラルネットワークの理論や実装を学ぶことができます
    スキルを⾝につけるのに最適︕
    

    View Slide

41. アイデミーの資格講座紹介
    10
    スキルを⾝につけるのに最適︕
    E資格対策講座 講座の特徴
    AI/MLの理論や実装を学び、データサイエンティストやAIエンジニアに必要なスキルを習得できます
    • ⼀般社団法⼈⽇本ディープラーニング協会（JDLA）が年2回実施し
    ているE資格試験の対策講座
    • ディープラーニングの理論を理解し、適切な⼿法を選択して実装する能
    ⼒を持つ⼈材を育成するのが⽬的
    • 受験資格等の試験概要は、 JDLAのホームページをご覧ください
    https://www.jdla.org/certificate/engineer/
    【安⼼】
    業界唯⼀の
    合格保証制度
    • 安⼼の合格保証制度付き︕
    • せっかく勉強するからには⾼度な技術を習得し、試
    験にしっかり合格したいという⽅を、アイデミーは全⼒
    でサポートします
    【⼿厚い】
    100時間以上の
    教材とサポート
    • 学習内容は充実の100時間以上︕
    • さらにチューターへの個別質問は回数無制限
    • ３ヶ⽉間、合格に向けて集中して学習ができます
    【前提知識不要】
    数学を基礎から
    学べる
    • E資格試験の合格に⽋かせない「機械学習の数
    学」を、教材でしっかり解説します
    • 数学の知識を前提としている講座ではありません
    【初学者歓迎】
    プログラミング経験
    不要
    • Pythonの⼊⾨から学習が始まるので、プログラミン
    グに慣れていない⽅でも安⼼です
    • 経験はあるけれど機械学習は初めて、という⽅でも
    スムーズに学習がスタートできます
    AI/ML実装スキル（E資格相当）
    

    View Slide

42. ⼈気のあるAI/ML⽤プログラミング⾔語・フレームワークの紹介
    11
    2021年1⽉25⽇
    https://ledge.ai/o-reilly-python/
    https://www.oreilly.com/radar/where-programming-ops-ai-and-the-cloud-are-headed-in-2021/
    “⽶オライリー（OʼReilly）は1⽉25⽇、オンライン学習の⼈気プ
    ログラミング⾔語ランキングにおいて、「Python」が1位に輝いたと公
    表した。Pythonは昨年⽐で27％も増加し、圧倒的な⼈気を⾒
    せつけた。”
    2020年1⽉25⽇
    https://ainow.ai/2020/08/07/224868/
    “こうしてみてみると、やはりTensorFlowやPyTorchは他の
    フレームワークと⽐べてスター数が多いことがわかります。
    ビジネスでよく使われる傾向にあるのがTensorFlowで、研究
    によく使われるのがPyTorchであるようです。”
    

    View Slide

43. お問い合わせ等ございましたら、
    お気軽に営業担当者にお申し付けください
    株式会社アイデミー 法⼈事業部
    電話︓03-6868-0998（平⽇10:00 – 17:00 受付）
    メール︓support@aidemy.co.jp
    

    View Slide

44. まとめ
    ➢ AI/ML とは？その効果
    ➢ ML(機械学習)は AI(人工知能)の一種
    ➢ 現在実現(活用)できているのは ML/DL を始めとした Weak AI
    ➢ AI/ML を IoT システムに活かす
    ➢ AI/ML を IoT システムと組み合わせることで複雑な課題を解決できる
    ➢ サービスとして提供される AI/ML を使った迅速なシステム立ち上げ
    ➢ AI/ML をこれから始めるためには？
    ➢ 自身がどの DX・AI 人材を目指すのかを決め、必要な知識を身につけるこ
    とが重要
    ➢ どの DX・AI 人材でも DX 基礎リテラシーは必要、ここから始めることを
    推奨
    

    View Slide

45. SORACOMの願い
    クラウド ⇒ 多くのビジネス、Webサービス
    SORACOM ⇒ 多くのIoTビジネス、システム
    たくさんの
    IoTプレイヤーが生まれますように
    

    View Slide

46. IoTの「つなぐ」を簡単に。
    

    View Slide