「人工知能」をあなたのビジネスで活用するには

Copyright © 2016 TIS Inc. All rights reserved.

「人工知能」をあなたのビジネスで活用するには

戦略技術センターAI技術推進室久保隆宏

Copyright © 2016 TIS Inc. All rights reserved. 2

自己紹介

「人工知能」に今起こっていること

研究における革新

プラットフォームにおける革新

ビジネス応用への波及

「人工知能」活用のプロセス

1. 業務への貢献を明確にする

2. シミュレーションを行いモデルを検証する

3. 適切な手法とプラットフォームを選択し、実装する

「人工知能」活用の在り方

目次


久保隆宏TIS株式会社戦略技術センター

化学系メーカーの業務コンサルタント出身

現在は機械学習・自然言語処理を用いたサービスの研究・検証を担う

研究テーマ: マルチモーダル情報を利用した接客支援ロボットの開発

自己紹介


「人工知能」とはそもそも何か？

前段(1/2)

ねこ

犬

うさぎ

動物大百科(教師データ)

学習推論

学習した結果をもとに、推論を行うことができるシステム


機械学習との関連は？

前段(2/2)

学習予測・分類

機械学習もまた、データから学習し予測する技術。ただ、対象が限定される

数値に変換できるものしか学習できない(画像も言語も、数値に変換している)

数値データ

基本的には数値を予測するか、データのカテゴリを分類するかしかできない。

予測・分類

研究における革新

Deep Learning (2012~)


ディープ・ラーニングの登場 (2012~)

ディープ・ラーニングはニューラルネットワークというモデルを、多層にしたもの

今までは、多層にすると学習が進まなくなるという弱点があった

研究領域で起こっている革新(1/4)

これはうさぎやで！

うさぎやで！

うさぎやで！

みんなうさぎや

層が深いと、学習がうまくいかなかった

ねこかな？(推論)

ちゃう、うさぎや

推論とは逆向きに学習(逆誤差伝搬法)

ニューラルネットワークの仕組み

・・（たくさんの層）・・

入力信号を前の層へとバケツリレーしていく

糸電話のように、糸を長くするほど(=層を深くするほど)教えた内容が弱まり伝わりづらくなる


ディープ・ラーニングの登場 (2012~)

事前学習という仕組みを導入することで、弱点を克服

弱点を克服するだけでなく、人の手を介さずに特徴の学習ができるようになった


限られた表現で元の画像を復元できるよう、学習する。（イメージ的には、もとは10色のクレヨンでかかれたものを、3本で再現しようとするという感じ）

事前学習の方法(Auto Encoder) 事前学習したものを組み合わせて、多層に

限られた表現で元の画像を復元できるよう学習＝画像の特徴を学習している！はず＋人による教示は不要 (元の画像を与えるだけ)

入力＝出力で学習する

・・（たくさんの層）・・

二層目の事前学習には一層目を事前学習したものを使って・・・とどんどん重ねていく

教えた内容が弱まっても、事前学習済みだから大丈夫！(ただ、最近は事前学習なしでもうまくいく方法がわかっている)

数々のコンペで他を圧倒する精度を出す

https://www.youtube.com/watch?v=WTKjKkzr-3o

http://cs231n.stanford.edu/


ディープ・ラーニングの登場により変わったもの


ねこ

犬

うさぎ

学習

より生に近いデータから学習でき、推論の精度も格段と向上した

事前学習により、より生に近いデータからでも特徴を抽出して学習できるようになってきた

精度が格段と向上

予測・分類


ディープ・ラーニングが登場しても変わっていないもの


「教えたことがきっちりできるようになった」以上のことは起こっていない

学習

学習のためのデータや環境は依然人が用意する必要がある。勝手に賢くなることはない

？

人には同じように見えても、教えていないことはわからない。

予測・分類

ねこ

犬

うさぎ

何を学習させて、何を推論させるのか、それは人間が決める必要がある。教えたもの以外からは学ばないし、教えたこと以外は答えられない。

？？

プラットフォームにおける革新


プラットフォームにおける革新(1/4)

~2014年 2015年

Azure Machine Learning

Watson on Bluemix

日本マイクロソフトと竹中工務店が IoT を活用した次世代建物管理システムで連携(MS 14/10/15)

IBMのWatsonが実戦デビュー、三井住友銀行とみずほ銀行で年明けにも(ITPro 14/12/15)

7月 10月 12月 4月

Amazon Machine Learning

大手のクラウドプラットフォームベンダーから、続々とサービスがリリース

事例が出るまでのスピードが速い

http://news.microsoft.com/ja-jp/2014/10/15/2014-85/

http://itpro.nikkeibp.co.jp/atcl/column/14/346926/120900124/


すぐに使い始められて、費用は使った分だけ

ERP、BIツール、ワークフローシステム・・・今までのいわゆる「ソリューション」は、導入にかかる時間も費用も長く大きかった

これに対し、Azure Machine LearningもWatsonも、使おうと思ったら数分で使い始めることができる(個人でも利用可能)。費用は使った分だけ(試す分程度は無料)。


クラウド化の延長線上に生まれた機械学習関連サービス


時間がかかるカスタマイズ＜すぐに試せるテンプレート

Azure Machine Learning、Watson共に用途が決められたテンプレート(API)が存在し、すぐに試せる。


クラウド化の延長線上に生まれた機械学習関連サービス

文書分類、翻訳、音声合成など、ありあわせの機能を選んで組み合わせてつける=バイキング方式

逆に(2016/6現在)これがないAmazon Machine Learning、Google Prediction APIはそれほど流行ってない(特にGoogleの方は2010年リリースにもかかわらず)。


教育リソース開発者向けのライブラリにも大きな動きがある。

2015年から、約一年の間に何個もの深層学習用フレームワークがリリースされる(それまでは数個しかない状態がずっと続いていた)。

Coursera、UDACITYといったオンラインの講座で機械学習の講座が続々と開講する。


2015/6

2015/6

2015/11

2016/1

DSSTNEamazon

2016/5・研究から実装(実用化)までのスピードが加速・誰でも学べて、試すことができる

実装フレームワーク

https://www.coursera.org/learn/machine-learning#syllabus

https://www.udacity.com/course/intro-to-machine-learning--ud120

世はまさに、大機械学習時代。チャンスでもあり、ピンチでもある。

誰でも機械学習という船を手に入れることができる。

それは自社だけでなく、競合、はては一個人までもが同じ状態ということ。トヨタがGoogleに脅かされているように、予想しない方向から攻められる可能性もある。

逆に、活用ができれば大きな力になる。

Demo

Watsonで災害対策 AzureMLで花粉予測

Watsonを利用した災害対策システム

災害情報や災害対策マニュアルなどを使用して学習して、以下の機能を実現。

・災害情報のカテゴリ・重要度の判断・災害対策マニュアルからの、対策提案・対策のワークフロー管理

Azure MLを利用した、花粉情報予測

環境省の花粉予測システムで提供されている花粉の飛散データを利用し、その飛散量を予測するためのモデルをAzure Machine Learningで構築

https://www.youtube.com/watch?v=e1Ym0smc1FI

https://studio.azureml.net/Home/ViewWorkspaceCached/edde1e5a255d495b8ad5f82b58efe99b#Workspaces/Experiments/Experiment/edde1e5a255d495b8ad5f82b58efe99b.f-id.2a8c73f5faec442b8213aa97628d14f7/ViewExperiment


機械学習技術はさまざまな領域で応用されている。その利点は、以下3つに分けられる。

サービスの付加価値の向上

コスト削減

新規サービスの創出

ビジネス応用への波及(1/6)


サービスの付加価値の向上の例: 広告の最適化

ユーザーの嗜好把握：膨大なコメントなどから、ユーザーの嗜好にかかわるものだけを抽出する

ユーザー嗜好にあった情報提示：ユーザーの嗜好情報から製品への好き嫌いを学習し、それに応じた情報提示を行う


今日はいい天気

ケーキが好き

仕事が大変

ケーキが好き

有効な情報(例:嗜好に関するコメント)の特徴を学習し、抽出

ユーザーの行動を学習し、嗜好に沿ったものを提示


コスト削減の例: 問い合わせ対応の効率化

滞留時間の低減：問い合わせの意図を理解し、適切な担当者のもとへ割り振る

ノウハウの共有：問い合わせ対応を学習しオペレーターを支援することで、誰でも一定レベル以上の対応ができるようにする


問い合わせと対応部門の関係を学習して、振り分け

PCが起動しない

旅費を精算したい

蛍光灯が切れた

問い合わせと回答の関係を学習し、自動回答＋アシスト

システム部門

経理部門

ビル管理センター

回答候補

ex: みずほxWatson

http://itpro.nikkeibp.co.jp/atcl/column/14/346926/120900124/?rt=nocnt


新規サービスの創出の例

ドメイン特化サービス：自社の蓄積してきたデータ・ノウハウを機械学習し、特定の業界や業務に特化したサービスを構築する

汎用サービス：先進的な技術を用い、データ分析・解析、予測など、汎用的に使えるサービスを構築する


蓄えてきた業務改善のノウハウ

最先端の技術力

ドメイン特化

汎用サービス

革新なくしてビジネス応用への波及はなかったか？


活用しているところは昔からやっている。

Amazonのレコメンド

特許の出願は1998年

コマツの位置情報を利用したサポートサービス(KOMTRAX)

2001年から標準装備

お掃除ロボットルンバ

初号機は2002年

機械学習自体は新しい技術ではなく、近年の革新が目覚ましいとはいえ「それがないとできない」わけではなかった。

つまり、機械学習の活用において最新技術(ディープ・ラーニング等)を使う必要はほとんどない。ただ、使いやすくはなってきているのでプラットフォームは効果的に使うとよい。




研究における革新活用における革新

ディープ・ラーニングの登場(2012~)

より生に近いデータから学習でき、推論の精度も格段と向上した。

しかし、「教えたことがきっちりできるようになった」以上のことは起こっていない。

何を学習させて、何を推論させるのか、それは人間が決める必要がある。

クラウド化した機械学習サービス (2014~)

すぐに使い始められて、費用は使った分だけ。

すぐに試せるテンプレートの充実。

また、続々と登場する機械学習関連ライブラリと、学習用リソース。

事例が出るまでのスピードは加速し、チャンスとピンチが背中合わせの大機械学習時代。

ビジネスへの波及

機械学習の応用は10年以上前に始まっている。すでに実用段階の技術。

サービスの付加価値の向上、コスト削減、新規サービスの創出といった領域ですでに活用が行われている。最新の技術を使わずとも十分に役立てることは可能であり、活用のプラットフォームが充実してきた現段階は、スタートを始めるには大きなチャンス。

ユーザーのデータ活用は

85％が失敗している@Hitachi Platform Solutions World 2012

http://japan.zdnet.com/article/35024345/


機械学習は、データ活用の一貫である

データ活用プロジェクトの85%は失敗している

よって機械学習の活用プロジェクトも同程度で失敗すると予想される

2010年代から始まったビッグデータ・BIツールといったトレンドを経て、現状あなたの会社に特に変化が起きていなければ、機械学習も同様の道をたどる可能性が高い。

失敗の原因はさまざまなものがあるが、本項では失敗しないために特に重要と思われるプロセスについて解説していく。

「人工知能」活用のプロセス(1/2)


「人工知能」の活用を失敗しないためのプロセス

1. 業務への貢献を明確にする

2. シミュレーションを行いモデルを検証にする

3. 適切な手法とプラットフォームを選択し、実装する

「人工知能」活用のプロセス(2/2)


機械学習は「学習」が必要であり、放置されれば役に立たなくなる。

継続的な学習のためには業務プロセスへの組み込みが必須であり、それには現場の理解、現場が納得できるだけの「貢献」の提示が必要になる。

業務への貢献を明確にする(1/2)

機械学習システムの成長にはユーザーの協力が必要

機械学習を使って営業対象の顧客をレコメンドするシステムを作ったよ！

システム部/経営企画部ユーザー

気が向いたら使うわね(使い方覚えるのめんど

くさいし～)

やがて・・・時代遅れになった学習内容


win-win

貢献の明確化(Plan)

Before/Afterの姿と、それを測るための明確な指標を設定する

シェアの拡大、生産効率の向上、etc…

役割の明確化(Do)

本業のビジネスプロセスの中に、どのように組み込まれるのか

誰の作業が、どのように変わるのか

運用の明確化(See)

誰が機械学習モデルの評価を行い、継続的な学習を行わせるのか

いつどのタイミングで、どんな指標で評価するのか

業務への貢献を明確にする(2/2)

業務における役割と、創出する価値を明確にしてユーザーと合意する

業務への貢献

継続的な学習


シミュレーションを行いモデルを検証する(1/2)

機械学習の精度は、与えるデータに大きく依存する。

通常、手元にあるデータ(伝票データやログなど)のみで精度が出ることはまずない。

機械学習は、与えたデータからわかることしかわからない

とりあえず手元のデータを入れてみよ

システム部/経営企画部

やがて・・・

いつまでも精度がでない

精度悪っ！業務への貢献とかありえんわ


シミュレーションを行いモデルを検証する(2/2)

人手でシミュレーションを行い、その判断過程を明らかにする

A社 100 200

B社 150 110

X 増加傾向

Y これから来る

どんなデータの、どの項目に注目しているのか

そこからどんな予測をしているのか

前提知識や経験といった要素を極力排除し、データのみから判断結果が追えるまで検証を繰り返す。

データは数値だけとは限らない

システムの中にはないデータが必要な可能性もある

業務に貢献できる精度を達成する


適切な手法とプラットフォームの選択(1/3)

機械学習モデルを実装する際には、以下3つの選択肢がある。


ライブラリ型: プログラムに組み込むライブラリの形式

○：高い自由度でプログラムに組み込むことができる

×：利用にあたっては専門的な知識が必要

パッケージ型：よく利用するアルゴリズムをパッケージにまとめたもの。Client/Server形式のものが多い。

○：目的 (推薦・異常検知など)に応じまとまった形で機能が提供されており、利用しやすい

×：パッケージが提供するAPI・機能の範囲でのみカスタマイズが可能。

サービス型：クラウド経由で提供するもの

○：クラウド上でサービスが提供されており、導入の敷居が低い。

×：手軽に導入できる分、機能・データ量等に制限がある場合がある。課金体系にも注意。



ディープ・ラーニングが適切なケースはほとんどない。

画像、音声など効果が実証されている領域のみで使うとよい。

チューニングには専門的な知識が必要で、学習にも時間がかかる。

scikit-learnやAzure Machine Learningでは、手法を選択するためのチャートシートが公開されているので参考にする。


注意点:シンプル・イズ・ベスト

やっぱディープラーニングでしょ！！

開発者

いつまでも精度がでない



業務への貢献を明確にする

シミュレーションを行いモデルを検証する

適切な手法とプラットフォームの選択


「人工知能」活用の在り方


「人工知能」に仕事のすべてを任せるのは現実的ではない

どんなタスクもこなせるわけではない

基本的には人間の方が優秀

逆に、人間がすべての仕事を行うのも現実的ではなくなる

仕事量は加速度的に増大している(1970年代に5000件→5万件)

半面、生産年齢人口は減少傾向

現状を放置すれば、「現場が回らなくなる」のは当然の帰結

ビジネスモデルは問題なくても、それを「稼働させる」ことができなくなる。

「人工知能」活用の在り方(1/2)

どんなに良い車(ビジネスモデル)でも、燃料(特に人的資源)がなければ走れなくなる

http://japan.cnet.com/news/business/35084301/


「人工知能」活用の在り方(2/2)

人間と人工知能を組み合わせた、新しい業務設計が必要

「人間でなければならない仕事をしているか」を改めて問い直す。

働き方を変えない会社は、収益面よりも事業継続の面でのリスクを迎えることになる

「人工知能」は、経営課題よりも「働くあなた」のために使ってください

ご清聴ありがとうございました


参考資料


「人工知能」のトレンドと出来事

• 1998: Amazonレコメンドの特許出願• 1999: AIBO• 2000: アシモ誕生• 2001: KOMTLAX標準搭載---• 2011

• 10/4 SiriがiPhone 4Sに搭載されるとの発表(2012/3/8に日本語対応)• Jubatus発表

• 2012• Googleの猫 -> Deep learningの登場、ビッグデータがトレンドに

• 2013年• ルンバ100万台突破(発売は2002年)• シリコンバレーの最新ITトレンド予想に機械学習が入る

• 2014年末• Jubatusでビニールハウスの温度管理(2月)• Azure Machine Learningβ稼働(7月)、10月竹中工務店の事例• IBM BluemixにWatsonが搭載(10月)• ホーキング博士が人工知能について警鐘

• 2015年• Amazon Machine Learning

「人工知能」のトレンド

http://patft.uspto.gov/netacgi/nph-Parser?Sect1=PTO2&Sect2=HITOFF&p=1&u=/netahtml/PTO/search-bool.html&r=1&f=G&l=50&co1=AND&d=PTXT&s1=6,266,649.PN.&OS=PN/6,266,649&RS=PN/6,266,649

http://autoc-one.jp/honda/special-1510890/

https://mirai.doda.jp/series/future-company/vol1/

http://www.slideshare.net/pfi/sacsis2013mlokanohara

http://diamond.jp/articles/-/38254?page=2

https://www.google.co.jp/search?q=%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD&espv=2&biw=1500&bih=874&source=lnt&tbs=cdr:1,cd_min:2014/11/01,cd_max:2015/01/01&tbm=#tbs=cdr:1%2Ccd_min:2014%2F11%2F01%2Ccd_max:2015%2F01%2F01&q=%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD

http://ascii.jp/elem/000/000/914/914787/

http://www.atmarkit.co.jp/ait/articles/1409/18/news114.html

＜免責事項＞本資料は、作成時点の法規制等に基づき、細心の注意を払い作成しておりますが、その正確性、適用性、完全性、網羅性、有用性、最新性、知的財産権の非侵害などに対して弊社は一切保証いたしません。また当該情報に起因するいかなる損害についても弊社は責任を負いません。本資料より得られるいかなる情報も利用者ご自身の判断と責任において利用していただくものとします。なお、本資料は特定の事項に関する一般的な情報提供を目的としています。提供されている情報は、専門的アドバイザリー、コンサルティング等のサービス提供を意図したものではありません。＜本資料の取り扱いに関して＞本資料は、著作権法及び不正競争防止法上の保護を受けております。資料の一部或いは全てについて、TIS株式会社から許諾を得ずに、いかなる方法においても無断で複写、複製、転記、転載、ノウハウの使用、企業秘密の開示等を行うことは禁じられております。本文記載の社名・製品名・ロゴは各社の商標または登録商標です。

「人工知能」をあなたのビジネスで活用するには

Data & Analytics