Connect 2018 in Koriyama, with UDC - Microsoft AI Session
•Download as PPTX, PDF•
3 likes•569 views
地域の問題をオープンデータを使って解決するハッカソンの郡山大会での、開発者の皆さま向けの参考情報です。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Connect 2018 in Koriyama, with UDC - Microsoft AI Session
Similar to Connect 2018 in Koriyama, with UDC - Microsoft AI Session (20)
More from Daiyu Hatakeyama
More from Daiyu Hatakeyama (20)
Recently uploaded
Recently uploaded (9)
Connect 2018 in Koriyama, with UDC - Microsoft AI Session
- 1. 最新、つまり、 最短で開発できる AI アプリケーション開発 畠山 大有 | Daiyu Hatakeyama | dahatake 日本マイクロソフト株式会社 プリンシパル ソフトウェア デベロップメント エンジニア
- 6. AI が人々の助けになる
- 8. 昔 今 真空管 トランジスタ 磁気テープ 磁気ディスク 磁気ディスク フラッシュメモリ 固定電話 携帯電話 携帯電話 スマートフォン
- 9. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI
- 10. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI
- 11. Bot Service Microsoft で学習させ公開している pre-trained AI 容易なカスタマイズ 多様なプログラミング言語のサポート テンプレートベースの多様な言語での開発 多様な Bot Skill の接続先のサポート Vision Speech Language Search …
- 12. 画像 動画 音声 Machine Learning
- 13. Serverless を使った イケている サービス
- 15. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI
- 16. companies Google Microsoft Facebook record-id companies 1 [ “v02”, “v01”, “v05” ] メタデータ化 | 構造化データ 自然言語処理 (NLP) は大変… Deep Learning は、2012年 にGoogleの研究者によって 飛躍的に技術向上しました。 その後Microsoftや Facebookなどの企業も 本格参入。 2015年から写真の識別など 幾つかの分野でMicrosoft が 人と同程度のModelを 開発しました。
- 17. Deep Learning がもたらしたもの Text (OCR) “(1) Validate enrichment pipeline”
- 18. Deep Learning がもたらしたもの Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”
- 19. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.” Deep Learning がもたらしたもの
- 20. Documents Cognitive skills Fully text-searchable rich index Knowledge mining with Azure Search
- 23. Machine Learning で、Feature 抽出 Surface は 品川で買えるみた い!XXX店は いつも混んでいて 嫌
- 24. Azure Cognitive Services Azure Bot Service Azure Cognitive Search Azure Databricks Azure Machine Learning Azure AI Infrastructure Knowledge miningAI apps & agents Machine learning Azure AI
- 25. 機械学習の作業 1. 課題の特定 2. データの取得と加工 3. モデルの設計 4. モデルの学 習 5. モデルの テストと評価 a. 初期化 b. データセットからミニバッチ データ取得 c. 損失(差分)を計算d. 最適化: 損失(差分)の最小 化 e. 重みづけの更新 y =Wx + b loss = |desired – actual outcome|δ 6. 展開と推論
- 26. トレーニング済みのモデル ビジネスロジックにMLをアタッチ Azure Databricks VMs Deep Learning Framework Deep Learning モデルの作成 TensorFlow KerasPytorch Azure Machine Learning LanguageSpeech … SearchVision On-premises Cloud Edge 生産性の高いサービス データサイエンティストと開発チームの生産性を上げる パワフルな Compute Deep Learning の学習と推論の加速 柔軟な推論環境の選択肢 Cloud と Edge へのモデル展開と管理 Machine Learning on Azure Chainer
- 27. Automated Machine Learning Hyper parameter tuning Distributed Deep Learning New FPGA-powered models Python SDK Azure Notebook 連携
- 28. Services Schema モデ ル スキーマ ファ イル (Option) 推論実行 コード 推論環境の全体像 Azure Kubernetes Services Azure Machine Learning Services まずは ここ Container 使い Hack しま せぅ Secure Data
- 29. 今回は、どの Feature (列) が有効なの? 次のボーナ ス2018/12
- 30. Source: http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html 今回は、どの アルゴリズム が効く?
- 31. 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 モデルの開発には、多くの 試行錯誤 が必要…
- 32. 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 BoostedMileage Car brand Year of make Car brand Year of make Condition
- 33. 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
- 34. データセット 目標設定 学習の一貫性 出力入力 学習を並列処理 Compute リソース管理 ベストなモデルの選択 Optimized model Automated Machine Learning
- 37. STORE & EXPLORESensors and IoT (unstructured) Files (unstructured) Media (unstructured) Logs (unstructured) Business/custom apps (structured) Power BIAzure Analysis Services Real-time Apps Cosmos DB INGEST PREP & TRAIN MODEL & SERVE STORE Azure Data Lake Storage Gen2 SQL Data Warehouse (Polybase) Azure Databricks Cosmos DB Azure Data Explorer Azure SQL Data Warehouse Azure Data Explorer Azure Databricks Azure Machine Learning Azure Data Factory Data Lake as “Product” Sensors and IoT (unstructured) Azure IoT Hub Kafka
- 38. Azure Operational Data Services
- 39. Azure Cosmos DB: マルチ モデル/マルチ API • キー/バリュー • ドキュメント • グラフ • SQL (DocumentDB) • MongoDB • Azure Table Storage • Gremlin グラフ
- 40. Delivery Service Refund Service Notification Service Azure Functions + Azure Cosmos DB
- 45. © 2018 Microsoft Corporation. All rights reserved. Microsoft, Windows, Windows Vista and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries. The information herein is for informational purposes only and represents the current view of Microsoft Corporation as of the date of this presentation. Because Microsoft must respond to changing market conditions, it should not be interpreted to be a commitment on the part of Microsoft, and Microsoft cannot guarantee the accuracy of any information provided after the date of this presentation. MICROSOFT MAKES NO WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, AS TO THE INFORMATION IN THIS PRESENTATION.