AI/データサイエンス勉強会

2 SREホールディングスのご紹介

3 ⾃⼰紹介泉晃(Akira IZUMI) SREホールディングス株式会社常務執⾏役員CDO アナリティクス＆コンサルティング事業本部⻑ DX推進事業部⾨⻑琉球⼤学医学部先端医学研究センター
特命准教授学歴︓ 2002年早稲⽥⼤学教育学部英語英⽂科卒業 2016年東京⼤学医学部付属病院企画情報運営部登録研究員 2018年筑波⼤学⼤学院ビジネス科学研究(MBA) 卒業 2021年京都⼤学⼤学院医学研究科⼈間健康科学専攻総合医療科学コース博⼠後期過程主な経験: デジタル・AI領域の先端技術の開発・産業応⽤とコンサルティングが専⾨医療・製薬を中⼼に、製造・通信・⾦融・防衛などの各産業において、データサイエンス／AIを活⽤した先進的な案件を数多く主導し、複数のデータプラットフォームやCoE組織やコンソーシアムを⽴ち上げた。略歴: 2022年1⽉〜 SREホールディングス株式会社︓ 常務執⾏役員CDO 兼アナリティクス＆コンサルティング事業本部⻑兼 DX推進部⾨⻑不動産・ヘルスケア・各産業においてAI/DXとデジタルソリューションの構築・展開の推進 2021年6⽉〜現在琉球⼤学医学部先端医学研究センター ︓特命准教授 RWD・ゲノム情報活⽤による産学連携の推進、オープインイノベーションプラットフォームの構築 2022年1⽉〜株式会社Tenne ︓取締役CDO ゲノムを中⼼とした3000万⼈のRWDのBC Platformの推進、ヘルスケアデータプラットフォームの構築 2019年7⽉〜2021年12⽉株式会社ボストンコンサルティンググループ ︓アソシエイトディレクター AI、データサイエンス、デジタルを活⽤した企業のトランスフォーメーションを⽀援。製薬におけるDXや、医療データの業界の標準ルール形成。地域・⼤学・病院・⺠間企業を巻き込んだ、沖縄、関⻄等のRWDイニシアチブを主導 2018年11⽉〜2021年3⽉京都⼤学⼤学院医学研究科⼈間健康科学系専攻 ︓特命准教授医療領域における社会を変⾰できるデータ活⽤⼈材の育成を⽬指した、DS講座を企画・⽴ち上げ、および実際の講義を担当 2014年12⽉〜2019年6⽉有限責任監査法⼈トーマツ ︓シニアマネージャーデロイトアナリティクスR&Dチームのリーダとして、データ分析やAIについて業界横断で新技術の研究・開発とそれをビジネスコンサルティングへの適⽤を200件以上のプロジェクトで主導 2011年 3⽉〜2014年11⽉株式会社リクルート(リクルートテクノロジーズ) ︓グループマネージャ数千万会員の全社ビッグデータイニシアチブを⽴ち上げ、プラットフォームの企画・構築・運⽤および数百のサービスへの導⼊をリード 2008年 7⽉〜2011年 2⽉⽇本アイ・ビー・エム株式会社 ︓主任スペシャリストエンジニア・PMとして⼤規模な企業システムの構築・運⽤を担当

4 ⾃⼰紹介︓主な業務経験等 4 主な業務経験 ü 2012年 9⽉⽇本⾏動計量学会に論⽂（共著）提出、「広域周遊観光促進のための宿泊履歴とＧＰＳデータを活⽤した観光⾏動分析」
ü 2013年12⽉ ITメディアエンタープライズに記事掲載 http://www.itmedia.co.jp/enterprise/articles/1401/07/news007.html ü 2015年 8⽉リスクマネジメントセミナーにて講演、「個⼈情報保護法改正に向けたデータ・ガバナンスと利活⽤戦略」 ü 2015年 9⽉⽇本⾏動計量学会全国⼤会にて発表、「パーソナルデータにおける匿名化⼿法の研究」 ü 2016年 6⽉⼈⼯知能学会全国⼤会にて発表、「パーソナルテータ⼆次利⽤の有効性向上を⽬的とした統計的匿名加⼯⼿法の研究」 ü 2016年 7⽉⼈⼯知能学会誌⼈⼯知能研究拠点紹介寄稿 ü 2018年 9⽉医療⽩書2018年度版に寄稿「療新時代を切り拓くデジタル⾰命の衝撃」 ü 2019年 3⽉ Insight 4 Dに寄稿「社会変⾰型データサイエンティストを育成せよ ―医療業界の課題とは」 2019年 8⽉⽇本バイオインフォマティクス学会にて講演「データサイエンス、実務の視点から」 ü 2019年 9⽉ JASISコンファレンスにて講演「次世代ヘルスケアへの移⾏を加速する〜D2K サイエンスの視点から」 ü 2019年10⽉ SAS Life Science Forum Japan 2019にて講演「製薬領域におけるAI とデータサイエンス活⽤の現状と課題」 ü 2020年11⽉ LINK-Jにて記事記載「医学・医療への貢献から、健康⾏動の促進まで医療情報の利活⽤で、新しい価値創造を」 ü 2021年3⽉17⽇ Digital Shift Summit にて登壇「AIの社会普及への挑戦者たち、最前線に迫る」 ü 2021年10⽉⽇本⼈類遺伝学会にて論⽂発表「Research on Secure computation techniques for integrated and secure analysis of genomic and Real World Data」 n ヘルスケア/ライフサイエンス領域 ü 医療病院グループの総合研究所⽴ち上げ⽀援 ü 医療総合診断⽀援AI開発⽀援 ü 医療 AIの共同開発における知財/権利関係の検討 ü 製薬次世代デジタルマーケティング ü 製薬ウェアラブルとPHRアプリによる健康介⼊分析・施策⽴案 ü 製薬 AIコンソーシアムの事務局⽀援 ü 製薬デジタルチャネを活⽤した新CRMシステム実証 ü 介護 IoTによる⾒守りサービスの⽴ち上げと実⾏⽀援 ü 介護 IoTによるADL測定の実証実験⽀援 n その他領域 ü 官公庁 AI⼈材育成プログラム（AI Quest） ü 官公庁防衛装備品のSCM分析基盤構築構築 ü 官公庁総合特区におけるAI/IoT/ビッグデータによる実証実験⽀援 ü 運輸配送ネットワーク最適化 ü 製造業 IoTによるビジネスイノベーションに向けた戦略策定および、⼤規模PoC実⾏⽀援 ü 製造業アナリティクス組織⽴ち上げ⽀援 ü 製造業パーソナルデータ匿名化ガイドライン策定 ü 電⼒アナリティクス組織⽴ち上げ⽀援 ü 電⼒パーソナルデータ活⽤戦略⽴案 ü 電⼒個⼈情報取り扱い環境整備/ガイドライン策定 ü 通信データマネジメントプラットフォーム構築⽀援 ü ⼩売りデータマネジメント体制の確⽴ ü ⼤学アナリティクスコンペティション共催主な執筆・講演等

5 ⾃⼰紹介 5

6 事例紹介︓医療データによるオープンイノベーション推進 6 データ提供元久⽶島 LHR 那覇市 LHR 先島
ネット健幸PJ ⼋重島ネットやんばる健康ネットてだこネット RWD (150万⼈のデータ) ⼤学⼤学院地元企業⾃治体医師会住⺠・患者沖縄RWDコンソーシアム地元⼤学特任研究員企業・ベンチャー医師会・⾃治体データサイエンス＆AI⼈材育成先端⼈材育成採⽤受講 ü 琉球⼤学 ü OIST ü 地元／他地域の⼤学 ü 臨床医 ü 企業の研究者 ü 学⽣ ü 那覇市医師会 ü 県・市町村医師会 ü 県庁・市町村 DS講座提供・研究⽀援教育コンテンツ提供研究指導共同研究 ü 製薬企業(武⽥薬品) ü ベンチャー(DG,アイリス) ü ベンチャーファンド沖縄県の約 3割の検診データ＋久⽶島のヘルスデータ沖縄の医療データ活⽤による地域医療課題の解決と産業育成を⽬指し、2020年11⽉よりコンソーシアムを⽴ち上げ。武⽥薬品や医療ベンチャー等の企業、那覇市医師会や琉球⼤学等の地域医療の担い⼿、ベンチャーファンドやJIPDEC等の第三者機関も参加 2022年1⽉より、⼀般財団法⼈医療情報共有機構に運営を移管

A DECADE AHEAD 「リアル×テクノロジー」で今の先鋭を追求し、「10年後の当たり前」を造っていくことが私たちの使命です。私たちのミッション

8 SREホールディングスの創業からの歩み 2014年設⽴、2020年東証⼀部上場【概要】主要株主ソニー（39％出資） Zホールディングス（22％出資）時価総額 1,299億円（2021/12/13時点） PER
155倍 PSR 11倍役職員数 179名 ※ 2021年7⽉30⽇時点 (役職員数は2021年4⽉30⽇時点) ※ PER, PSRは2022年3⽉期連結業績予想を基に算出 ※ 役職員数は受け⼊れ出向や契約/派遣社員を含む 2014年4⽉ソニー不動産設⽴ Ø テクノロジーを活⽤したスマートな不動産業を創業 2015年10⽉ AIを活⽤した不動産価格推定エンジンを開発 2018年10⽉ SRE AI Partners 設⽴、⾦融機関提携開始 Ø リアルビジネスの知⾒を活かしたテック外販を開始 2019年6⽉ SREホールディングスに社名を変更 2019年12⽉東証マザーズ上場 2020年12⽉東証市場第⼀部への市場変更 Ø 不動産/⾦融以外の領域への事業拡⼤を開始 2021年6⽉ DX銘柄2021・DXグランプリ2021に選定 2014 2020 2015 2016 2017 2019 2018 2021

9 AIクラウド SREホールディングスご紹介 l ソニーグループが有する世界最⾼⽔準の先端技術（投資先ベンチャー含む）と、SREの持つ独⾃のAI技術を活⽤し、クラウドとコンサルティングテングのサービスを提供 l リアル領域の不動産（仲介・開発）事業で蓄積した・磨き込んだソリューションを外部にもサービス提供ソニーグループの年間約5,000億円の研究開発投資によって培われた先端技術と投資先のベンチャーの技術
R&D先端技術 / 投資先ベンチャー技術リアルを包含したテック＆コンサルティングカンパニーソニーグループの情報技術と独⾃のAI技術をベースにした DXとAIに関するコンサルティングとクラウドサービスを提供 AI査定(価格・賃料) 不動産⼀括査定契約重説クラウドパーソナライズ追客 × SRE Holdings 不動産事業コンサルティング × × 不動産仲介 IoTマンション “AIFLAT ⼤型施設運営 (太陽光、介護施設) DX戦略コンサル GX戦略コンサル AIコンサル

10 SREホールディングスご紹介 l 2021年3⽉期︓売上 7,355百万円（前年の約2.5倍）、営業利益 977百万円（前年の約2.6倍） l 営業利益としては、66％ AI・コンサル領域不動産テック
AIクラウド戦略・AI コンサルティング不動産仲介スマートホーム事業概要 ▶ 不動産仲介事業者や⾦融機関向けに、パッケージ化された業務⽀援型クラウドツールの提供 ⁃ AI不動産査定ツール ⁃ 不動産売買契約書類作成クラウド等 ▶ 様々な業界向けに、企業の課題や⽬的、予算等に応じたテーラーメイド型のアルゴリズム開発、提供 ⁃ ⾦融業界向け潜在富裕層判定 ⁃ 物流業界向け倉庫充填率可視化等 ▶ テクノロジー活⽤とエージェント制※1を特徴とした不動産売買仲介 ▶ IoT技術等を活⽤したマンション“AIFLAT”を中⼼とした投資⽤不動産の開発、オフバランス化/ 売却、およびアセットマネジメント事業営業利益シェア※3 収益モデルツール利⽤料 PoC※2/システム開発費ツール利⽤料/システム保守運⽤費フロー収⼊ストック収⼊仲介⼿数料不動産売却益アセットマネジメントフィーオフバランスビークルからの収⼊６６% ３４% ※1 売⼿側と買⼿側に別々のエージェントがつく⽚⼿取引 ※2 Proof of Conceptの略称で、試作開発の前段階における検証やデモンストレーションを指す ※3 2021年3⽉期の各セグメントの営業利益をセグメントの営業利益合計で除した⽐率。なお、セグメント間の調整額は考慮していないコンサルティングフィー

11 SREのAI関連プロジェクト紹介

12 DX・AIコンサルティングと⾃社の不動産事業と社会貢献を組み合わせ、相乗効果を創出スマートシティ推進不動産・物流 • 不動産企業部⾨の個別課題解決、コンサルティング、テーマ開発
• スマートシティの調査・コンサルティング • 製薬やHC関連企業のDX・AI化のコンサルティング • RWDプラットフォーム構築⽀援 • 病院経営・オペレーションDX化(将来) • スマートシティ事業の参加 • デジタルヘルス最先端特区リード（補助⾦獲得） • SREのリレーションを活⽤したスマートシティ案件の開発⾦融 • フィンテック領域のコンサルティングテーマの開発 • レコメンド／デジタルマーケティングのテーマ推進ヘルスケア • 全社DX推進・AI案件コンサルティング • データプラットフォーム構築⽀援、CoE組織構築 • 官公庁案件の調査案件等の獲得その他データエコシステム • 沖縄におけるRWDプラットフォームの推進 • データエコシステム構築によるビジネスオポチュニティの開発不動産事業 • 不動産事業（仲介流通・開発・投資） • 不動産デジタルソリューションの開発・展開 → 不動産案件の価値向上、SREとしてのアセット化コンサルティング事業社会貢献アセット展開ノウハウFB アセット・ノウハウ展開リレーション強化・案件獲得アセット展開オポチュニティカーボンニュートラル • オフセットソリューションの開発・提供 • コンサルティングを含めた統合プラットフォーム・ソリューションの提供

13 ソリューションまとめスライド（泉）最先端のAI・DXソリューション（例）つながり表現⼼地よい距離感縦型⼤画⾯等⾝⼤の相⼿と対⾯臨場感気配気配
環境⾳イコライザ⽿障りなノイズを除去臨場感ステレオエコーキャンセル技術双⽅向同時のハンズフリー通話臨場感低遅延伝送技術⾃然なコミュニケーション気配省エネ・省帯域つながり続けるための処理 QAを⾃動⽣成 AIが⽂書解析・知識構造化 l 距離の制約を超えて、⼈と空間をつなぎ、“あたかも同じ空間にいるような⾃然なコミュニケーション l ソニーの映像・⾳声の複数技術により実現 l 3Dキャラクター + 無⼈AIチャットボットで、⾃動対話・シナリオ対話を組み合わせて問い合わせ対応を実施最先端の映像認識ソリューション l 多様な産業向けの3次元空間認識エンジンを開発 l 物流/⼩売り/ヘルスケア等の幅広い実環境への映像認識ソリューション・ツールを提供テレプレゼンスシステム「窓」 AIチャットボット DX(Digital Transformation) 戦略コンサルティング GX(Green Transformation) コンサルティング AIコンサルティング・PoC・実装

14 最先端の映像認識ソリューション l 多様な産業向けの3次元空間認識エンジンをソニーネットワークコミュニケーションズスマートプラットフォーム(SNCSP)と共同開発 l 物流/⼩売り/ヘルスケア等の幅広い実環境への映像認識ソリューション・ツールを提供庫内のカメラ撮影（固定・ドローン・フォークリフト）リアルタイム
3次元空間認識エンジン空間の堆積・充填率倉庫内スーペースの利⽤率を可視化カメラ搭載フォークリフトを⽤いた画像取得 Utilization: 96% Utilization: 75% Utilization: 23% Utilization: 93% Utilization: 51% Utilization: 95% SLAMカメラ搭載フォークリフトが⾛⾏ラック内/平置きの充填率を取得 25% 充填率 97% 36%

15 テレプレゼンスシステム「窓」 l 距離の制約を超えて、⼈と⼈、⼈と空間をつなぎ、“あたかも同じ空間にいるような⾃然なコミュニケーション”ができるソニーのテレプレゼンスシステム「窓」 l ソニーの映像・⾳声の複数技術により実現つながり表現⼼地よい距離感
縦型⼤画⾯等⾝⼤の相⼿と対⾯臨場感気配気配環境⾳イコライザ⽿障りなノイズを除去臨場感ステレオエコーキャンセル技術双⽅向同時のハンズフリー通話臨場感低遅延伝送技術⾃然なコミュニケーション気配省エネ・省帯域つながり続けるための処理既に様々なシーンで活⽤されている

16 AIチャットボット l SONYが保持するチャット・回答シナリオ作成アプリケーション l 3Dキャラクター + 無⼈チャットボットで、⾃動対話・シナリオ対話を組み合わせて問い合わせ対応を実施 l ⽂書の論理構造と表記パターンを分析し、要素の関係性を表す知識構造を半⾃動で抽出、Q&Aペアを⾃動⽣成
⾼品質なAIによる無⼈対話・ソニー独⾃の意味解析エンジンを活⽤・曖昧な回答への候補の提⽰・イラスト・図を交えた説明・関連する質問の提⽰ビジネスに合わせたチューニング・データを活⽤した⾃動対話の作成・KPI最⼤化に向けた対話シナリオの作成対話者データの蓄積・動的に動くキャラクターとの対話により、従来取得しづらかった対話者の趣味嗜好・スキル情報を収集 QAを⾃動⽣成 AIが⽂書解析・知識構造化

17 オンライン商談⽀援ソリューション顧客 Customer センシング Sensing コンサルタント Consultant センシング Sensing
画面 Screen ※画面は例ですリモートコンサル Remote Consulting コンサルタントが見ている画面に顧客の視線や状態を可視化 → コンサルタントの判断をアシスト表情視線 / 瞬き姿勢/ジェスチャ指差し声の⼤きさ/⾼さ声の速さ/発話量声の明るさカーソル移動キー⼊⼒表⽰領域頷き/⾸振り相槌，ため息映像 Vision 操作 Operation 音声 Sound センシング可視化顧客コンサルタントノンバーバル情報の例リモートノンバーバルデータそのまま可視化・視線位置・アイコン or グラフ推定処理をして可視化・顧客の理解度・ポジティブ/ネガティブ l オンライン商談時に，顧客側のノンバーバル情報（表情，しぐさ，声の様⼦ etc.）をAIで分析し、営業マン側に有益な情報を可視化することで，相⼿の状態の把握をアシスト l ソニー研究所が開発している技術になります

18 ノンプログラミングの⾃動データ解析ツール l Prediction Oneは、データからビジネスに有⽤な予測を算出するGUIソフトウェア l 専⾨性を要する部分を⾃動化するので、必ずしも専⾨家でなくても導⼊を進めることが可能、予測モデル構築の作業が⾶躍的に効率化 l 利⽤申し込み企業数21,000社を突破
ノンプログラミングの予測サービス Prediction One ・データからAIで予測を⾏えるGUIソフトウェア・専⾨家でなくても導⼊を進めることが可能⾼い予測精度・ソニーが開発しているDeep Learning 「Neural Network Libraries」を活⽤・予測精度の評価結果と予測理由を⾃動作成格安の利⽤費⽤・1ライセンスあたり年間 21.8万円・30⽇間は無料

19 不動産AIクラウドソリューション IT化（おうちダイレクトによる買⼿集客/AI追客）買⼿集客売⼿集客（おうちダイレクトによる売⼿集客/AI追客）購⼊仲介業務
IT化 IT化 IT化売却仲介業務（AIによる⾃動査定/ ITを活⽤した反響・媒介管理）契約業務（ITによる契約・重要事項説明業務のサポート）売却集客⽀援サービス不動産AI 査定ツール不動産AI マーケティングオートメーションツール契約重説クラウド（ContraNavi） +1700社のご活⽤実績 AI/ITを活⽤した⼀気通貫のワンストップサービスを提供し、仲介業務をサポート

20 AI・データサイエンスの概要

21 データサイエンス、AI、ビッグデータの関係性 Source: Towards Data Science, ”Role of Data Science
in Artificial Intelligence” https://towardsdatascience.com/role-of-data-science-in-artificial-intelligence-950efedd2579 Big Data Processing データサイエンス／AI (⼈⼯知能) ／ビッグデータは重なり合う部分も多く、お互いに強い関連性を有す。もしくは、同じことを単に⾔い換えているだけの場合も多い機械学習 • 記述統計学（頻度、平均、分散⾮線形リニアビジネス・インテリジェンス従来のアナリティクス⾮構造化データ • 相関関係 • 回帰分析 • クラスタリング • ポートフォリオ理論 • 画像処理 • ⾳声・テキスト処理 • … • 疎なデータに基づく推薦エンジン • 学習したデータ構造からの異常検知 • 複雑な時系列を予測するサンプルアプリケーション構造化⾮構造化データ基礎となる関係

22 ビッグデータとは Volume 量 Variety 多様性 Velocity 速度ビッグデータは⼀般的なDBで扱うことが困難なほど、⼤量なデータを扱う処理技術である。⼀般にビッグデータの特徴は3つのV で表される

23 AI (⼈⼯知能) とは AIのパターン (例) 汎⽤⼈⼯知能 (Artificial General Intelligence
(AGI) ) ≒ 強いAI 特化型⼈⼯知能 (Narrow AI) ≒ 弱いAI AIの類型例ルールベース確率的アプローチ機械(深層)学習様々な定義があるが、⼀つの定義として「これまで⼈間にしかできなかった知的な⾏為を、アルゴリズムとデータによって機械的に実⾏すること」 (⽇本⼤百科全書より)

24 データサイエンス、AI、ビッグデータの関係性の歴史的経緯 1956年にAIが⽣まれ、命名されたビッグデータと処理能⼒の爆発的向上を背景に、4つの重要なイベントが存在チェス王者の敗北。カスパロフの敗北は、ディープブルーによるものだったワトソンが勝つのは Jeopardy︕コンテスト「コンピュータと⼈間、⼀体どちらが強いのか︖」「⼈間を絶対的に凌ぐことは可能なのか…︖」
チューリングテストのように質疑応答が⾮常に得意 1996 2011 グーグルのデモンストレーションによる⾃動運転⾞ "New Divison of Labor" (Murnane/Levy) 極めて複雑な環境⼗分に進化した技術 <-> 魔法 2012 アルファ碁が世界トップ棋⼠に全勝 "このはしごはとても⾼く、何段あるかわからない。ただ、ＡＩの歴史は誤ったはしごに登っては下りるの繰り返しだった。『正しいはしご』にたどり着いたのは、⼤きい" (デミス・ハサビス) 2017

25 データサイエンス、AI、ビッグデータの関係性の歴史的経緯 1956 1970 1980 1995 2010 2015 機械学習・ニューラルネットワーク
MYCIN デントラルエクスパートシステムタスクオントロジーワトソンオントロジー LOD(Linked Open Data) イライザ Siri bot CALOプロジェクト探索迷路・ハノイの塔プランニングチェス将棋囲碁 Googleのネコディープマインドの買収⾃動運転、Pepper 統計的⾃然⾔語処理検索エンジンへの活⽤ディープラーニング第1次AIブーム（推論・探索）第2次AIブーム（知識）第3次AIブーム（機械学習・特徴表現学習）対話システム研究 • 代表例︓MYCIN • 代表例︓STRIPS • 代表例︓Googleのネコ認識研究 ▼Data Science ▼Big Data ⼤規模分散処理 Source: 松尾豊「⼈⼯知能は⼈間を越えるか〜ディープラーニングの先にあるもの」 (⾓川EPB選書) より作成

26 AIの理論のお話し決定⽊分析線形回帰（単回帰、重回帰）階層的クラスター分析 U 1000⼈ A 200⼈
B 120⼈ A∩B 80⼈アソシエーション分析学習データ予測モデル予測モデル • ⼊⼒データはあるが、そのデータの正解はない • データから特徴を⾒出してモデル化する • クラスタリング • パターン抽出 • 正解付きのデータを⽤いて予測モデルを作成 • その予測モデルより予測や判別を⾏う • 回帰分析 • クラス分類教師あり学習教師なし学習学習データ特徴⼿法例

27 AIの理論のお話し︓教師なし学習教師なし学習では答えのないデータから、データに含まれる特徴的な性質を数値化・描画して抽出する。⽬的に応じて、どのような特徴に注⽬するかが異なる。また、データの全体的な性質を⾒るためにも使⽤する⼿段分布を観察する典型パターンを⾒る分類する低次元化する⼿法の例
• グラフ • 表 • 統計量 • アソシエーションルール（バスケット分析） • K-Meansクラスタリング • 階層クラスタリング • ⾃⼰組織化マップ • 主成分分析 • 対応分析特徴 • 少数変数を⽤いたグラフや表によって、データの特徴を把握する • 頻度が⾼い組合せを特徴的なパターンとして抽出する • 頻度が低い組合せを特徴的なパターンから外れる異常だとみなす • データを複数のグループに分割し、「グループ的な」特徴を抽出する • ⾼次元データを再現するのに適した低次元の表現を⾒つける例) 100変数のデータを2次元の絵で表す場合、元データの情報を失われないように 2次元の取り⽅を決める × × × × × × × × × × × × • ⼊⼒データはあるが、そのデータの正解はない • データの特徴を抽出する × × × × × × × × × × × × & ' ( ) 例

28 AIの理論のお話し︓教師あり学習応⽤例予測するもの⼊⼒ターゲット (予測対象) 売上⾼予測商品の(将来の)売上⾼ •
前⽉の売上⾼ • 株価等の経済指標 • 気温等の天候 • 今⽉の売上⾼レコメンデーションあるユーザーが(将来的に) ある商品を購⼊するか否か • 年齢、性別、居住地等のユーザーのプロファイル • ユーザーの購⼊履歴 • ユーザーが指定された商品を買うか買わないかクレジットスコアリング債務者の将来の返済状況 • 年齢、性別、居住地等の債務者のプロファイル • 債務者の資産状況 • 債務者の過去の返済状況 • 債務者が完済できるかできないか • 債務者の最終的な返済⾦額教師あり学習では、答え付きのデータから答えを予測するモデルをつくることで、将来の値を予測する

29 AIの理論のお話し︓深層学習（DeepLearning）従来のコンピュータプログラム • 演繹的 • 決定論的⼈⼯知能システム • 誘導性
• 反復最適化 "プログラムと展開" "Train" W 1 W 2 W 0 i1 i2 i0 × × × 0 例︓ニューラルネットワーク重みを持つエッジのシステムフィードバックバックプロパゲーション出⼒誤差をネットワークにバックプロパッグすることで、重みを最も段階的に変化させることができる⼈⼯ニューロン ... i0 i1 i2 h10 h11 h12 h21 h22 h23 o0 o1 t0 t1 =? ターゲット出⼒層⼊⼒層隠されたの層ニューロン h13 アクティブインアクティブ学習された重みによって線形的に集約された⼊⼒を、⾮線形的な出⼒に変換する。⾮線形性（ "ReLU 直線的に重み付けされた⼊⼒

30 DeepLearningの出現（猫、CNN）2012年 • Googleの研究開発によってコンピュータが猫を認識できるようになった、俗に⾔う「キャットペーパー」論⽂ • Youtubeから抽出した、1000万枚の画像そのうち顔画像は3％程度で猫が含まれる画像もあった •
16コアのGPUマシンを1000台使って学習に3⽇間 • その結果、⼈間の顔、猫の顔、⼈間の体の写真に反応するニューロンができた 2012年6⽉頃、世の中を騒がせたのが、Googleのディープラーニングの研究。元はトロント⼤学のHinton先⽣という⽅がけん引。（更に遡ると⽇本の研究者︓福島邦彦がNeocognitronというテーマで1980年代から研究していた）（参考文献）Building High-level Features Using Large Scale Unsupervised Learning ICML2012Quoc V. Le＠google, Andrew Y. Ng@Stanford 他より

31 初期3年の進化・2012年10⽉画像認識コンテストILSVRC 2012でDLを使ったチームが優秀 Hintonらのチーム 2015年 2016年 2017年
・2012年6⽉ GoogleがYoutube画像から猫や⼈の顔を認識する ICML ・マルチモーダルの本格的な提案（2014 くらいから）・GANの提案（2014 IanGoodfellow）・アーティスト⾵フィルター（2015）・アルファ碁・アルファ碁ゼロ・ATARI2600 ・PRISMA（2016年6⽉にC/O）・Google Research ⼈⼯知能が書いた絵（2015）・Facebook 顔画像でのGAN（2016） 2014年以前・Word2Vecの提案（2013 ＠NIPS）（出典） https://research.googleblog.com/2015/06/i nceptionism-going-deeper-into-neural.html 画像解析・合成・マルチモーダルなど、⾳声を含めより多品種データソースへ関⼼が移っている

32 AIによる画像処理（⽬）の進化︓物体検出テクノロジー 2015〜2018 元論⽂などアルゴリズム演算処理 R-CNN系・R-CNN (CVPR
2014) ・SPPnet(ECCV 2014) ・Fast R-CNN(ICCV 2015) ・Faster R- CNN(NIPS 2015) 3つの別々のモデルが機能。物体検出: CNNのFine-tune クラス分類︓複数のSVM (Classification) 物体の詳細位置推定︓回帰 (Bounding Box Regression) 遅い（後期のものは速い） YOLO系・YOLO(CVPR 2016) ・ YOLOv2(arXiv2016 ) ・YOLOv3 (arXiv2017) ⼀度に多オブジェクトを検出可能（V3) 画像全体を1つのCNNで検出するので、背景の排除などに強い⼩さな物体検出には弱い速い、⾼精度（特に V3） SSD系・SSD（ECCV2016) ・DSSD(arXiv2017) Yolo同様に⼀度に多オブジェクトを検出可能（本家はこちら）、マルチスケールで畳み込みを⾏っている速度はYoloよりも遅いため、精度をトレードオフとしてとっている速い、⾼精度学⽣だったJoseph Redmonが提案したYolo（you only look once）v3 や、ミシガン⼤学から提案されたSSD （Single shot detector）など、さらに新しいアルゴリズムが複数提案されている

33 AIによる⽂章処理（⼝）の進化︓GPT-3 2020年 https://twitter.com/hturan/status/12822617831479582 72 Figure 3.14: The GPT-3 generated
news article that humans had the greatest difficulty distinguishing from a human written article (accuracy: 12%). https://arxiv.org/pdf/2005.14165.pdf • ⾔語⽣成モデルGenerative Pretrained Transformer︓膨⼤なテキストデータを学習したモデル • 精度が⾼く、⼈が作成したテキストとの区別ができないレベルの⽂章も作成可 • 下図はGPT-3によって⽣成されたエッセイ、機械で書かれたものであるとわかる⼈間は12％未満。

34 AIによる会話デモ • 発話 (発せられたテキスト) から、応答するテキストを⽣成するモデルを指す – 対話ロボットの裏で使⽤されている技術 –
not ルールベースの対話ロボット • 機械学習の⼿法を使った会話モデルとして、 Seq2seqを使⽤ • 2016/11にGoogle翻訳の精度が劇的に向上しましたが、対話モデルのひとつであるSeq2Seq が使⽤されている (らしい) 会話モデルとは今⽇はあたたかいねはい、そうですねお出かけ⽇和ですねあたたかいと嬉しいですよね https://colab.research.google.com/drive/1FyOwUsBqsShj4tHRYgjSWeNWHFQfUpY-

35 データサイエンス、AI、ビッグデータが今なぜ重要になってきているのか︖ 爆発的なデータの増加スマートなアルゴリズム処理スピードの向上毎年約50%データ量増加 2020年には44ゼタバイトと推測（1ゼタバイト＝10億
テラバイト）ディープラーニングが簡易に使えるライブラリが成熟 2023年までに国内のクラウドは4.5兆円に成⻑と予測データ量の増加、アルゴリズムの発展、処理スピードの向上はデータサイエンスとAIをゲームチェンジャーへと変えつつある

36 ビッグデータの処理近年、⼤きなデータの処理はMapReduceと呼ばれる分散処理モデルに基づいて開発されることが⼀般的、技術としては Hadoop、Spark、Cassandraなど Source︓http://www.anishsneh.com/2014/07/hadoop-distributed- computing-mapreduce.html Source︓https://www.linkedin.com/pulse/20140818193221-22744472- big-data-analytics-mapreduce MapReduceモデル MapReduceの例）WordCount

37 データサイエンス、AI、ビッグデータが今なぜ重要になってきているのか︖ 企業データマーケットデータ IoTデータ System of Engagement System
of Record System of Insight データ量データ種別システム種別企業が持つデータの統合的な活⽤も進んできているのに加え、今まで取れていなかったデータをIoTなどにより取得できる様になりつつある、2020年には約300億個のIoTデバイスが存在すると推定。今後データ量の爆発的な伸びとなると予想されている

38 AI⼈材・データサイエンティストの状況国内外とものデータサイエンティストの需要は⾼く、⼈材の不⾜が深刻化している海外(主に⽶国)では、 • 2019年のLinked inのレポートではDSの求⼈はこの1年で約30％の伸び (6年間では344%) であるにも関わらず、求職者は14%の伸びに留まり、⼈材の需要ギャップは15万⼈を超えると報告されています
(Linked inより) • ⽶国の求⼈／企業レビューサイトであるGlassdoorでは、2018年にデータサイエンティストは3年連続で最⾼の職業に位置付けられました (Forbesより) Source: Forbes https://www.forbes.com/sites/louiscolumbus/2018/01/29/data-scientist-is-the-best-job-in-america-according-glassdoors- 2018-rankings

39 ⽇本におけるAI⼈材・データサイエンティストの状況は⼤学/学部/学科/コース設置年東京⼤学医療リアルワールドデータ活⽤⼈材育成事業 2020 京都⼤学⼤学院医学研究科社会変⾰型医療データサイエンティスト育成コース 2019 広島⼤学情報科学部データサイエンスコース
2018 京都産業⼤学情報理⼯学科データサイエンスコース 2018 横浜市⽴⼤学データサイエンス学部 2018 滋賀⼤学データサイエンス学部 2017 データサイエンティスト育成コースが近年設置された⼤学経産省主催の題解決型のAI⼈材育成プログラム「AI Quest」⽇本国内においても、データサイエンティストの⼈材の不⾜が深刻化しており、2020年には4.8万⼈不⾜する⾒込みである。データサイエンス⼈材の育成は産官学をあげての重要なトピックになりつつある

40 AIの⺠主化 2018年〜テーマ設定データ準備モデル開発モデル検
証本番環境 Deploy 実務稼働運用ノンコード ≒ Drag&Drop • Google, DataRobot, Sonyなど、AI開発をノンコード⾏えるソリューションを提供 • 例としてGoogle Auto MLの” Vision object detection”が物体認識のAIではmラベル付画像データがあればGCPのコンソール上でほぼドラッグ＆ドロップで完結、開発環境から、API作成まで⼀気通貫し開発できる

41 実際にデータサイエンスやAIを使っていくにあたっては、⼤きく3つの⽅法がある製品・アプリケーションを活⽤する APIやクラウドサービスを活⽤するアルゴリズムとコードを独⾃に実装する

42 AIに関する現状のまとめ⼀般化・コモディティ化 • AI技術領域ではGoogleを始めとするプラットフォーマーが先⾏（GAFA） • 3DGAN(2019) やBERT（2018年10⽉）、GPT-3などの新しい技術も出てくる •
⼀⽅で、全体としてはそこまで⼤きな進化はない • DeepLearningという⾔葉もバズらなくなっている • 多くのニュースや最新動向が溢れ、それ⾃体がニュース性がなくなってきた⺠主化 • 機械学習やDeepLearing⽤のオープンソース等がメジャーVerUp • 安定的に使えるライブラリが出来てきた（pytorch1.0、tensorflow2.0 など） • DataRobotやAutoMLなどの⾃動ツールやGCP（Google）を始めとする、ライト／ノーコーディングで使えるツールが増えつつある ↓ 実際に社会実装するフェーズに⼊ってきた各産業領域で実務応⽤可能なAI・データサイエンスが求められる

43 AI・データサイエンスのプロジェクト

44 AI・データサイエンスのプロジェクトのフェーズ AIやデータサイエンスのプロジェクトではステップごとに、求められるアウトプットや品質が異なり、それに適した実⾏体制も異なるため、PJ開始時における明確なフェーズの認識合わせと、アウトプット／品質の定義が必要 ⓪構想潜在的な”ユニコーン”を模索しビジネスにおける価値を定義し、優先順位を設定する。各施
策の⽬標設定や全体的なロードマップを策定する ①調査・分析 (コンセプト化) ステークホルダーを巻き込み、、構想フェーズで定義した価値の検証し、コンセプトを策定する ②試験版構築(プロト) ビジネスケースおよび、実現可能性をモック等を作成し、コンセプトを検証する ③初期版構築(MVP) 初期版AIを構築しビジネスパイロットを限られた現場にて展開。価値実証と改善点抽出につなげる ④正式版構築・本格展開要件定義した内容を元に、全社や外部に展開できるスケーラブルで⾼い品質のプロダクトを開発し導⼊する ⑤運⽤・保守導⼊したプロダクトを、定義した品質レベルに保ちながらサービスの提供を継続する ⑥プラットフォーム構築データを収集し、AI・モデルが実装可能なプラットフォームを構築し、継続的な改善とサービス提供を実現する 3〜6ヶ⽉ 6〜12ヶ⽉ 3〜12ヶ⽉継続 1〜3ヶ⽉ 1〜2ヶ⽉ 1〜2ヶ⽉

45 標準的なAI・データサイエンスの実施プロセス︓CRISP-DM ⽬的理解データ理解データ準備モデリング評価
展開データ⽬的理解データ理解データ準備モデリング評価展開 PJ企画分析実施報告評価 CRISP-DMの標準的なデータサイエンス・プロジェクトのステップ（主に調査・分析〜PoCフェーズ）

46 各ステップで使うべきAI・データサイエンスの技術も異なる⽬的理解データ理解データ準備モデリング評価展開単変量解析データの分布はどうなっているのか︖
    過㖇♳ 䫎♷剣׶ 䫎♷搀׃ 違いがあると⾔えるのか︖ ⽬的を達成するためのモデルは︖ データはそのまま使えるのか︖ 多変量解析教師なし学習次元削減: PCA, NMF, … クラスタリング: k-means, … ⽣成 … 教師あり学習回帰: ロジスティック回帰, … 分類: SVM, RF, … 強化学習データハンドリング外れ値・⽋損値補完正規化 … モデルは適切なのか︖ モデルの選択・評価交差検定情報量基準クラスタ数選択パラメータ推定: 最尤法 … 基礎統計量平均・分散相関 … 統計的推論確率・確率分布・確率変数仮説検定 T検定カイ⼆乗検定 … データの可視化確率モデル⽣成モデル識別モデル Infographics InfoVis 機械学習

47 AI・データサイエンティスト⼈材の必要スキルデータサイエンティスト(data scientist)とは、とはデータサイエンス⼒、データエンジニアリング⼒をベースにデータから価値を創出し、ビジネス課題に答えを出すプロフェッショナルと定義（データサイエンティスト協会）データサイエンティストに求められるスキルセット Source: ⼀般社団法⼈データサイエンティスト協会 https://hbr.org/https://www.datascientist.or.jp/
課題解決の各フェーズで要求されるスキルセットのイメージ

48 AI・データサイエンステーマ例個別テーマパーソナライゼーション顧客プロファイリング/クラスタリングライフイベント予測オープンデータによる新規ターゲティング
解約予測によるリテンション率向上 IoTデータや認識/ 予測技術による新商品/サービス開発商品スペック最適化品揃え最適化ダイナミック/カスタムプライシング販促投資配分の最適化需要予測による在庫/ 機会ロス削減購買最適化⽣産プロセス最適化エネルギー効率最適化予知予防メンテナンス営業リソース最適化顧客とサービス・担当者等のベストマッチング店舗配置最適化エリア別⽣産計画最適化配送ルート最適化クチコミ・紹介ネットワークの可視化リスクモデルの⾼度化審査/査定プロセスの⾃動化・精度向上プロジェクトリスク管理不正/異常検知⾳声・⾔語認識によるクレームリスク評価 Dx推進⽀援業績シナリオシミュレーション配置⼈員の最適化最適採⽤者・退職者予測画像・⾔語認識による事務⼿作業の⾃動化質問応答⾃動化顧客製品オペレーションネットワークリスク企業デジタル・データプラットフォームデジタル・データプラットフォーム分析・BI基盤 AIプラットフォーム（MLOPS）データマネジメントメタデータ管理個⼈情報管理・匿名化組織・⼈材育成データサイエンス・AI⼈材育成 Dx・CoE組織⽴ち上げ組織・⼈材アセスメント教育・採⽤プログラムデリバリーエクセレンス（DevEx）プロセス管理

49 ソリューションの魅力度実現に必要なエフォート取引実績／マチュリティ／インダストリとの親和性を勘案して決定以下勘案して決定 • 投資費用
• 収益化迄の期間小大小大緑:優先度高青:優先度中灰色:優先度低黒字：すでに取り組み済み青字：今後開発が必要赤字：実現性が不明取り組みの優先度定義の例ユーザー・事業ニーズ起点 • 顧客のカスタマージャーニー • 事業戦略／事業⽅針 • 既存事業との相乗効果テクノロジー・シーズ起点ユースケースリストユースケース幅出しの観点 • 世の中の新規技術 • DX／GXによる⾰新 • ⾃社の得意技術、領域

50 ロードマップを策定し、優先度に従い案件を進めると共に社内環境を整備 2M 3M 4M 5M 6M 7M 8M 9M
10M 11M 12M 1M 案件アナリティクスアナリティクスの環境準備アナリティクスデータ運⽤と環境保守データデータ連携データプラットフォーム構築組織・⼈材社内デジタル⼈材の選抜・育成 CoE組織化デジタル⼈材採⽤⽀援環境 ITインフラ環境整備戦略現状診断現状診断/ ロードマップ策定案件のリスト化営業での1PoCの実施社内展開営業PJ Ph1 営業PJ Ph2 コーポレートPJ Ph1 営業PJ Ph3 コーポレートPJ Ph2 創薬PJ Ph1 image

従来のデータガバナンスを超えた、データの⺠主化これまでのデータガバナンス • 組織体制 • 設計権限 • 意思決定の仕組みデータガバナンス
• 操作モデル • 役割と責任 • データ管理⽅針データマネジメントデータの⺠主化を実現するために Data Platform as a Service • データプラットフォームサービスを可能な限り定義し、実現し、⾃動化する。サービスとしてのデータリポジトリ • メタデータ、モデル、フロー、アルゴリズムの発⾒を可能にする • オリジンからデスティネーションまでのフルラインテージを表⽰ • 分類とカタログ化の実現商品としてのデータ • キュレーションされたデータをサービスとして提供し、さまざまな成果をもたらすデータディスカバリーデータメッシュ

52 製品提供サービス提供データ提供提携先データ活⽤社内で有するデータを事業の枠を超えていかに活⽤していくか、外部にあるデータと如何につなげて使っていくか、外部に使わせられるかが重要な検討ポイント事業内利⽤
事業横断利⽤提携先クライアント第三者利⽤ビジネス形態

53 外部リソースの活⽤現時点では必ずしも⾃社単独でリソースを⽤意する必要はなく、⾃社に⽋けているアセット/ケイパビリティに応じて、外部協業による補完を検討する協業形態パートナリングコンサルティングアウトソーシングケイパビリティ/アセット想定シチュエーション
• ⼀時期的な機能補完ではなく、中⻑期的な事業化も含めて検討 • 何をすればよいか (What) /どうやれば実⾏できるか (How) が明確化されておらず、外部の知⾒がほしい • 社内機能が未成熟な際に、経験豊かなデータサイエンティストと⼆⼈三脚で取り組み、外部ノウハウを社内に移転させたい • データ分析や加⼯、基盤構築などを実⾏するためのリソースがほしい (マネジメントは社内) Strategy Process Resource Data/Infra Strategy Process Resource Data/Infra Strategy Process Resource Data/Infra Strategy Process Data/Infra Resource

AI・データサイエンス組織の成功のための５つのキーポイント明確な戦略と優先順位付け • デジタル戦略を定義し、優先順位をつける • グループ全体のデジタルビジョンと戦略 • 部⾨・機能・グループごとのロードマップ •
最優先事項を⽰すコミュニケーション計画 • より多くのパイロットを計画的に実施 • ⾃ら⼿を動かしてパイロットを実施出来る • 外部と連携したパイロットの実施 • 新規投資に充当する専⽤予算迅速なパイロット（PoC）の実施体制 • データ・AI専⾨組織の⽴ち上げ • 多すぎる意思決定層や委員会などを持たせず、可能な限りシンプルなガバナンス • AI・DS⼈材の要件と仕事を明確にし採⽤するガバナンスの確⽴デジタル⽂化の育成 • トライアンドエラーを重視する⽂化（失敗してピボット） • デジタル⽂化を刺激を与えながら継続的に育成する • 最初は具体的かつ⾝近な業務から変⾰する • ⾃らデジタルアイデアを企画推進・実⾏する • ハイリスク回避と不良ゼロ • 伝統的な企業の働き⽅デジタルと連携したIT • デジタルとITで⼀体的なアーキテクチャ（構造）を可能にする（データレイク等） • デジタルとITで⼀体となったガバナンスの構造 • ITは新しいアプリのための柔軟性とスピードを⽋いている • リスク回避＆セキュリティを重視しすぎ • AI・DSのアイデアが実現するプラットフォームがない • 企業内での決定層・委員会が多すぎる • パイロットを外部任せにする • 机上の計画ばかりで実際のパイロットに進まない • デジタルビジョンも戦略もない • ⾏動計画（ロードマップ）の⽋如キーポイント実現すべき⾏動/状態回避すべき⾏動/状態

55 Appendix. SREのDX・AI関連サービスのご紹介

56 DX・データサイエンス⼈材研修 © 2021 SRE Holdings Corporation • 理解度確認テストにより受講者の学習状況を把握し、講義の進度や深さを最適化 •
講義後は、講義動画を用いた復習や、任意課題への取組など自学を推奨研修の進め方～座学・ハンズオン研修プログラム（1-6日目）座学ハンズオン課題講義自学理解度確認テスト講義動画を用いた復習/ 任意課題への取組 1日目理解度確認テスト講義動画を用いた復習/ 任意課題への取組 2日目理解度確認テスト講義動画を用いた復習/ 任意課題への取組 3日目理解度確認テスト講義動画を用いた復習/ 任意課題への取組 4-6日目理解度確認テスト講義動画を用いた復習/ 任意課題への取組ガイダンスデータサイエンス概論データ操作データ可視化機械学習概論回帰分析二値分類分類問題金融データへの機械学習の応用金融への応用 • 学習目標の理解 • 講義(座学、ハンズオン演習)の受講 • 理解度確認テストへの回答 • 講義評価アンケートへの回答研修受講の流れ • 講義動画を用いた復習 • 任意課題への取組 • 講師陣による補習サポート実施時間：1回3時間例：隔週月曜日 18:00-21:00 回帰分析データ操作 © 2021 SRE Holdings Corporation • 研修生各人で簡易なテーマを設定 • 講師サポートの元、データ収集・分析・発表という一連の実務を体験 • 各受講生の実務にとって有益な課題解決を実施することで、組織のDXを支援研修の進め方～個人課題研修プログラム（7-11日目） 7日目テーマ決定・データ取得 8日目データ可視化・モデル作成 9日目モデル評価・改善 10日目モデル評価・改善発表資料作成 11日目成果発表講師陣の指導のもと、テーマを選定用意されたデータへアクセスできるようにする選定したテーマでデータ分析 Pythonでデータの整形や可視化、モデル学習を実行データ分析の結果を資料にまとめて、研修生一人一人が成果報告研修生+部署関係者データ整形可視化評価モデル作成・改善研修生講師陣研修生講師陣テーマ選定データアクセス l データサイエンスを⽤いて実務上の課題解決を⾏うためのスキルを学ぶ l 前半はデータハンドリング・可視化・機械学習をハンズオンコーディングを通して学習 l 後半は実務上のデータサイエンス課題に取り組む演習。実践的な学びを通し分析レポートを作成座学・ハンズオン研修の内容データサイエンス概論データ操作データ可視化機械学習概論回帰分類金融データへの機械学習の応用テーマ内容 • データサイエンスの成り立ち • 金融分野におけるデータサイエンスの重要性 • 実務におけるデータ利活 • プロジェクトの進め方と組織体制 • 人工知能と機械学習の関連 • 教師あり学習・教師なし学習・強化学習 • 回帰と分類の概念 • Pandasを用いてテーブルデータを扱う目的 • データ構造と型変換 • データの読み込みと書き出し • 欠損値処理 • 結合と連結 • 集計と集約 • One-Hotエンコーディング • データを可視化する目的 • Matplotlibを用いたグラフ描画 • ヒストグラム • 散布図 • 線グラフ • seaborn • 最小二乗法 • 線形単回帰 • 非線形単回帰 • 平均二乗誤差・決定係数 • Sci-kit learn • 学習不足・過学習 • 正則化・リッジ回帰 • 決定木・ランダムフォレスト • ロジスティック回帰 • 精度・再現率・適合率・F値 • 交差検定 • 多値分類とその評価指標 • 分類アルゴリズムの種類 • 決定木・ランダムフォレスト • 財務テーブルデータの探索 • 可視化によるデータ理解 • 分類問題の設計 • 精度評価と精度向上手法

57 DX・AI活⽤アセスメントサービスで、御社のDXとAIの活⽤領域を明確にし、実現のために必要なデータや技術の⾒極めを⾏い、必要なデジタルやAI実導⼊までの具体的な計画を策定致します。 DX。AIに対する知⾒の底上げ AI活⽤のユースケース作成 AI活⽤診断実施実⾏計画⽴案プロト開発/実証検証
システム構築運⽤⽀援 DX・AI活⽤アセスメントサービスの内容 DX・AI活⽤アセスメント DX・AI活⽤に向けた進め⽅ DX・AIについての理解向上セミナー（技術特性など）業界内のAI活⽤事例調査/ 共有御社のDX・AIに対する理解を向上し、次のステップの議論をしやすい環境を構築します御社の現状分析/あるべき姿の確認 DX・AI活⽤ユースケース作成のワークショップ実施現状からあるべき姿を確認し、あるべき姿を実現するためのAI活⽤ユースケース作成を⾏いますユースケースに対する DX・AI活⽤診断データ棚卸/有⽤度診断作成したユースケースについて様々な観点から分析し、実⾏すべきものを明らかにします DX・AI活⽤実現⽅針策定 DX・AI開発の実⾏計画⽴案実現⽅針や具体的な実⾏計画を⽴案 DX・AI活⽤アセスメントサービス

58 AI技術やリアルアセットをベースしたコンサルティングをご提案します DX・AIコンサルティング AI技術⽀援業務に必要なコア技術をSREとSonyがすることで、クライアントのコア技術開発投資を不要にし、ビジネスへの適⽤に向けた応⽤分のみ開発 A社で必要な技術範囲 A社が技術投資すれば良い範囲 SRE・SonyのコアAI技術
AIやDX技術を、クライアントの状況に合わせて計画・導⼊・ビジネス実装・オペレーション変⾰までをコンサルティングとして⽀援 B社で必要な技術範囲 B社が技術投資すれば良い範囲 l SRE・ソニー研究所で開発した最先端技術をコアとし、お客様に必要な部分だけをカスタマイズして提供するモデルを採⽤ l リアルなアセットも活⽤し、クライアントのDXやAIの計画から、ビジネスへの導⼊・実⾏までをご⽀援グリーンエネルギー、医療関連施設などのリアルアセット

59 GX戦略コンサルティング / カーボンニュートラルプラットフォーム（CNPF） GHG排出量算定を含む、「GX戦略コンサルティング」から「削減/オフセットソリューション」の事業化まで⼀気通貫のソリューション提供体制(CNPF) 構築を推進初期的には、オペレーションの知⾒とパイプラインでアドバンテージを発揮できる不動
産・建築・物流業界にFY22/1Qよりサービス提供を始め、さらに他業界へ順次拡⼤を⽬指すまたオフセットアセットをオフバランスビークルに⼊れることでの収益獲得モデルの複線化と財務健全性の両⽴を図る GX専⾨コンサルタントによるゴール設定・ロードマップ作成・PDCA⽀援⾃助努⼒削減のサポート・オフセットソリューション提供 GHG排出量⾃動算定・将来シミュレーション提供 GX戦略⽴案 Consulting 排出量算定 Measuring 削減/オフセットソリューション Reducing & Offsetting 例)EMS等を搭載したスマートビル例)再⽣エネルギー稼働のデータセンター例)物流オペレーション⾼度化ソリューション 59 CNPFの全体像＋不動産オフバランスビークルの活⽤と AMフィーの獲得 + 外部クラウド型植林ソリューション 2022年4⽉以降

AI/データサイエンス勉強会

AI/データサイエンス勉強会

More Decks by sre_holdings

Other Decks in Business

Featured

Transcript