東北大学AIE - 機械学習中級編とAzure紹介
•Download as PPTX, PDF•
1 like•749 views
機械学習のモデル作成は、多くの試行錯誤の中で行われ、終わりが見えません。直近数年は、更に効率的にモデル作成 を行う研究やそれらの実装が進んでいます。機械学習自身がブーム的に扱われがちであるが故、研究や技術的興味が 先行しがちです。結果、学習のためのデータに内包しているプライバシーやバイアスの取り扱い。そして、倫理観。そ して製造物としての説明責任が大きな問題になっています。ここでは、機械学習のモデル作成経験のある方を対象と して、学習処理の自動化や、モデルのブラックボックス化を最小化するための、最新の機械学習のツールをご紹介し ます。
Recommended
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 東北大学AIE - 機械学習中級編とAzure紹介
Similar to 東北大学AIE - 機械学習中級編とAzure紹介 (20)
More from Daiyu Hatakeyama
More from Daiyu Hatakeyama (20)
Recently uploaded
Recently uploaded (8)
東北大学AIE - 機械学習中級編とAzure紹介
- 1. 機械学習 中級編 と Azure - Cloud による最適なコンピューティング環境 - 畠山 大有 | Daiyu Hatakeyama | @dahatake Architect && Software Engineer && Applied Data Scientist (目指している) Microsoft Japan
- 2. AI への過度の期待と失望 研究 と ビジネスを関連付けられる人材の不足 Deep Learning の Project は、現状 非常に高コスト
- 3. Data Science and ML platforms Collaboration Acceleration Automation 1,000を超えるモデルの展開と管理のため の 自動化されたワークフロー GPT3に代表される、複数AIモデルの融合と トランスファーラーニング NLP、リコメンデーション、Many-Models の様な 構成可能で再現可能なレシピ ML の実践に貢献する複数ロールのための ツールとプロセス 複数のステークホルダーによる倫理的使用 を保証する堅牢な責任あるAIアプローチ エンタープライズグレードのデータとモデ ルの ガバナンス/セキュリティ モデルの運用化を加速するMLOpsの台頭 強化学習、AN、合成データなどの高度な 技術 複数クラウド での トレーニングと推論
- 5. - 最新のアナリティクス・機械 学習ツールの外部評価 - 2018年 - 2020年の大幅なアップデートによ り、2020年最新の調査で「Market Leader」の評価を頂きました
- 6. Cognitive Services Knowledge mining Machine Learning
- 7. Azure Machine Learning Develop Your Own Model 20 https://docs.microsoft.com/ja-jp/azure/architecture/data-guide/technology-choices/data-science-and-machine-learning https://medium.com/microsoftazure/9-advanced-tips-for-production-machine-learning-6bbdebf49a6f Use Pre-trained Model 80 Azure Cognitive Services
- 8. 数年前だと… コンサル費用数千万 + 数か月 誰でも数分でできる 襟あり RALPH LAUREN Cognitive Services Custom Vision
- 9. Notebooks Automated ML UX Designer Reproducibility Automation Deployment Re-training CPU, GPU, FPGAs IoT Edge モデルの構築・展開を、個人から企業レベルでも
- 11. この車の妥当な価格は?
- 12. Mileage Condition Car brand Year of make Regulations … Parameter 1 Parameter 2 Parameter 3 Parameter 4 … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Mileage Gradient Boosted Criterion Loss Min Samples Split Min Samples Leaf Others Model Which algorithm? Which parameters? Which features? Car brand Year of make 試行錯誤
- 13. Criterion Loss Min Samples Split Min Samples Leaf Others N Neighbors Weights Metric P Others Which algorithm? Which parameters? Which features? Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Nearest Neighbors Model 繰り返し Gradient Boosted Mileage Car brand Year of make Car brand Year of make Condition
- 14. Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Gradient Boosted SVM Bayesian Regression LGBM Nearest Neighbors Which algorithm? Which parameters? Which features? 繰り返し Regulations Condition Mileage Car brand Year of make
- 17. User inputs Feature engineering Algorithm selection Hyperparameter tuning Model Leaderboard Dataset Configuration & Constraints 76% 34% 82% 41% 88% 72% 81% 54% 73% 88% 90% 91% 95% 68% 56% 89% 89% 79% Rank Model Score 1 95% 2 76% 3 53% … Data Clearing Model Explanation GPU GPU Job Management Container Packaging VM Auto scale Ensemble Learning “HyperDrive” Logging for Visualize
- 18. User inputs Feature engineering Algorithm selection Hyperparameter tuning Model Leaderboard Dataset Configuration & Constraints 76% 34% 82% 41% 88% 72% 81% 54% 73% 88% 90% 91% 95% 68% 56% 89% 89% 79% Rank Model Score 1 95% 2 76% 3 53% … Data Clearing Model Explanation GPU GPU Job Management Container Packaging VM Auto scale Ensemble Learning “HyperDrive” Logging for Visualize
- 19. User inputs Feature engineering Algorithm selection Hyperparameter tuning Model Leaderboard Dataset Configuration & Constraints 76% 34% 82% 41% 88% 72% 81% 54% 73% 88% 90% 91% 95% 68% 56% 89% 89% 79% Rank Model Score 1 95% 2 76% 3 53% … Data Clearing Model Explanation GPU GPU Job Management Container Packaging VM Auto scale Ensemble Learning “HyperDrive” Logging for Visualize
- 20. Data Preprocessing Feature Selection Algorithm Selection Hyperparameter Tuning Model Recommendation Interpretability & Explaining データの クリーニン グ Feature の選択 ジョブの並列 実行と合わせ て 設定範囲の中で、 何を選択して 何を選択肢から 除外するか 精度と 実行速度も 加味 そのモデルに影 響のあった Feature は どれだったのか?
- 21. Deep Learning
- 22. Deep learning Auto-settings 休日検知 気象など Open Dataset の利用 複数の models 新しい learners Time series forecasting
- 23. 目的変数 Target • 目的変数 Target • 説明変数の中に、妥当性のある時間のデータ Day Store Sales Week_of_year 9/3/2018 A 2000 36 9/3/2018 B 600 36 9/4/2018 A 2300 36 9/4/2018 B 550 36 説明変数 Feature 頻度の一貫性
- 24. • 値の取りうる範囲が広い • 例: Learning rate: 0.1 もしくは 0.01 もしくは 0.001 もしくは … • 複数の値の組み合わせ • 最適な構成を探し出すのは困難 • 一つの学習ジョブの実行時間は長い • 時間とリソースの制限 Explorer
- 28. Bias 人 作られる
- 29. • 例: StreetBump smartphone app • スマートフォンの GPS “Data” を使って、 道路の異常個所を収集 • 年収の低い方は? http://www.streetbump.org/
- 31. 信頼性 安全で信頼できる 透明性 理解できる 包括性 あらゆる人の力とな り、人々を結びつけ る プライバシー と セキュリティ 安全に管理され プライバシーを 最大限尊重する 公平性 全ての人を 公平に扱う THE GOLDEN RULE Microsoft の AI のための倫理的原則 説明責任 システムとしての 説明責任を 果たす
- 32. 信頼性 安全で信頼できる 透明性 理解できる 包括性 あらゆる人の力とな り、人々を結びつけ る プライバシー と セキュリティ 安全に管理され プライバシーを 最大限尊重する 公平性 全ての人を 公平に扱う THE GOLDEN RULE Microsoft の AI のための倫理的原則 説明責任 システムとしての 説明責任を 果たす
- 33. Joy Buolamwini, MIT Dr. Timnit Gebru, Google
- 34. Woman Dark Skin Woman Light Skin Man Dark Skin Man Light Skin 2018 MS Face API Error Rate 20.8% 1.7% 6.0% 0.0% 2019 MS Face API Error Rate 1.5% 0.3% 0.3% 0.0%
- 35. Woman Dark Skin Woman Light Skin Man Dark Skin Man Light Skin 1.52% .34% .33% 0% 304,000 68,000 66,000 0 公平なのか? NYC の著名なデパートには 毎年 2,000万人もの人が来店する 50%ずつの性別と肌の色と仮説す る 小売業向けの性別 Classifier 誤差率が小さくとも、相対的な違いに注目
- 38. The Future Computed：AI とその社会における役割 -ブラッド スミス Brad Smith, President of Microsoft
- 39. • Learn more about our approach at https://www.microsoft.com/AI/our-approach-to-ai • Download The Future Computed at aka.ms/Futurecomputed • Check the Responsible AI section at aischool.microsoft.com • Get started with homomorphic encryption at ailab.microsoft.com • Get started with InterpretML at github.com/Microsoft/interpret
- 41. モデルの精度とモデルの解釈性はトレードオフになりがち Black Box モデル • なぜその予測値になっ た？ • モデルの改善方法 は？ • モデル構造が複雑 • 理解するのが非常に困難 要因探索、与信管理など説明責任が伴うビジネスでは ブラックボックスなモデルは使えない...
- 43. • 局所的な説明 1. モデルの入力データに対する予測値を基に、どの特徴量が予測に効いて いるか （どの変数が重要か）を推定する 2. 予測の根拠となった学習に最も寄与する訓練データを提示する • 大域的な説明 1. 「到底理解できない」モデルを説明可能性に優れるモデルで近似して、 近似モデルの説明を「到底理解できない」モデルの説明とみなす 2. 局所的な説明をデータセット全体について得て、各特徴量の予測への影 響を示す分布を得て説明とみなす
- 45. 解釈可能な モデル Black Box 解釈フレーム ワーク • 従来の統計的手法 • 線形回帰 • 決定木 • LIME • SHAP • Permutation Feature Importance • Microsoft Interpret ML • Azure ML Interpretability SDK • Power BI – Key Influencers アプローチ方法
- 47. カテゴリー アプローチ方法 Microsoft 提案方法 解釈可能な モデル • 従来の統計解析手法 • 線形回帰 • 決定木 • 一般線形化モデル • Power BI – Key Influencers • Azure ML service – Visual Interface • (Azure ML Studio) • Python, R で実装 • その他 Microsoft InterpretML 汎用的な 解釈フレーム ワーク • Permutation Feature Importance • Partial Dependency Plot • LIME • SHAP • Azure ML Studio – PFIモジュール • Azure ML Interpretability SDK • Python, R で実装
- 48. データ探 索 変数の重要度 各予測値に対する説明 サマ リー 要因探索、与信管理などの業務で はブラックボックスなモデルは使 えない... https://docs.microsoft.com/en- US/azure/machine-learning/service/machine- learning-interpretability-explainability Model interpretability with Azure Machine Learning service
- 50. • fairlearn - 公平性のアセスメントと、調整(緩和)のための Open Source Tool • 不公平性のアセスメント、監視、調整(緩和) と 可視化 https://github.com/fairlearn/fairlearn
- 51. Microsoft Responsible AI Resource Center https://aka.ms/RAIresources Azure Machine Learning https://azure.microsoft.com/en-us/services/machine- learning/ https://docs.microsoft.com/en-us/azure/machine- learning/concept-responsible-ml Responsible Innovation Toolkit https://docs.microsoft.com/azure/architecture/guide/respo nsible-innovation Responsible ML resources FairLearn https://github.com/fairlearn https://aka.ms//FairLearnWhitepaper https://docs.microsoft.com/azure/machine- learning/concept-fairness-ml InterpretML https://github.com/interpretml https://aka.ms//InterpretMLWhitepaper https://docs.microsoft.com/azure/machine- learning/how-to-machine-learning-interpretability
- 56. AI x メガネ 目が悪い人 x メガネ 目が見えない人 x AI メガネ 1284年
- 57. Good
- 58. 会員数 4,150 名 全国 6 都市で 36 回イベント開催 福岡 大阪 広島 名古屋 東京 札幌 オンライン・オフライン含めた 機械学習教育講座の全国での推進 機械学習 SI エコシステム 日本最大の AI コミュニティ https://dllab.connpass.com/
- 59. • AI や 機械学習の最新の トレーニング • 概要・基礎・チュートリアル • 自分に適した、トレーニングコースの作成 • AI Business School • Conversational AI • AI Services • Machine Learning • Autonomous System • Responsible AI aischool.microsoft.com
- 60. Step-by-Step Learning Achievements スムーズな学習環境 無料 日本語対応 ブラウザーのみ。ハンズオ ン環境も含めて ダウンロード可能なサンプ ルコード Product/Service, 技術レベル, job role, などに応じたガイダ ンス Videos, チュートリアル, ハン ズオン スキルアップを促す ユーザー プロファイ ル毎に カスタマイズ www.microsoft.com/learn
- 61. Open Source Repo Link Azure ML Notebook Examples Azure Machine Learning 公式サンプル コード https://aka.ms/ml-notebooks BERT Large 自然言語モデル BERT のサンプルコード http://aka.ms/azure-bert Microsoft Recommenders レコメンデーション サンプルコード http://aka.ms/recommenders LightGBM LightGBM トップページ https://aka.ms/lightgbm Natural Language Recipies 自然言語 サンプルコード https://aka.ms/nlp-recipes ONNX ONNX トップページ https://aka.ms/onnx ONNX RT ONNX Runtimeトップページ https://aka.ms/onnx-rt Kubeflow & MLOps Kubeflow + Azure ML + DevOps サンプル コード https://aka.ms/kubeflow-and-mlops Azure Open Datasets Azure Open Datasets Webページ https://aka.ms/azure-open-datasets Azure ML Free Trial Azure フリートライアル https://aka.ms/amlfree Azure ML Docs Azure Machine Learning ドキュメント https://aka.ms/azureml-ja-docs