© 2017 NTT DATA Mathematical Systems Inc.

Gartner Symposium/ITxpo 2017 オープンシアターセッション（OT-12）

ディープラーニングは万能なのか？

2017年10月31日株式会社 NTTデータ数理システム

2© 2017 NTT DATA Mathematical Systems Inc.

1. NTTデータ数理システムのご紹介2. Deep Learningの最近の動向3. Deep Learning 事例紹介4. まとめ

目次

3© 2017 NTT DATA Mathematical Systems Inc. 3

NTTデータ数理システムのご紹介

会社名： 株式会社NTTデータ数理システム

所在地： 東京都新宿区信濃町35 信濃町煉瓦館1階

資本金： 5,600万円 （NTTデータ100％出資）

従業員数： 約100名（80％が技術者）

沿革： 1982年4月 ㈱数理システム設立2012年2月 NTTデータグループ入り2013年9月 ㈱NTTデータ数理システムに社名変更

数理科学とコンピュータサイエンスを軸にして、社会のあらゆる分野に起こる問題解決のための

ソリューションを提供する専門家集団です

4© 2017 NTT DATA Mathematical Systems Inc. 4

NTTデータ数理システムのソリューションの歩み

１９８２ １９９０ ２０００ ２０１０

・株式会社 数理システム設立 ・ＮＴＴデータグループへ参画

・統計パッケージS-PLUS の販売を開始

・半導体プロセス・デバイスシミュレーション

・数理最適化

・データマイニング

・大規模線形計算・有限差分法・計算幾何学

・BSD/OS 代理店

・テキストマイニング

・物理シミュレーション

・エキスパートシステム

・Common Lisp

・最適化モデリング言語・自動微分

・回路シミュレーション

・メタヒューリスティクス

・交通シミュレーション・グラフアルゴリズム

・逆問題

アナリティクス

・汎用離散シミュレーション

ビジネスの方向性 アナリティクス物理現象への問題解決

物理的現象

・大規模並列計算 ・HPC

・機械学習・Deep Learning（画像・自然言語・

強化学習）

・ビッグデータ ・ストリームアルゴリズム

・IoT

AI

5© 2017 NTT DATA Mathematical Systems Inc. 5

NTTデータ数理システムのビジネス

■主な業務内容・ビジネス・アナリティクス領域における、パッケージソフトウェアの開発・販売・アプリケーション開発・分析コンサルティング事業

■開発・分析対象領域・AI、機械学習、深層学習・数理計画、最適化・統計解析、マイニング・知識データベース、言語処理、パターン認識・シミュレーションなどの科学計算

パッケージ製品・受託コンサルティング

導入実績数2,000社以上

自社パッケージによる開発・チューニング

数理科学のプロ集団としての豊富な経験・取引実績

NTTデータグループとの事業連携の強化による包括的なサービス提供

NTTデータ数理システムの強み

© 2017 NTT DATA Mathematical Systems Inc.

Deep Learningの最近の技術動向

7© 2017 NTT DATA Mathematical Systems Inc. 7

なぜ今、機械学習？

複雑な問題

大量のデータ

複雑なモデル

高度な学習方

法

Big Data、IoT複雑な問題を解くための多くのデータが利用可能に

Deep Learning

転移学習、半教師付き学習

単純な回帰やクラス分類にとどまらない。

機械学習の発展複雑なモデルとそれを解くための学習方法の発展

8© 2017 NTT DATA Mathematical Systems Inc. 8

AIの３つのブーム

1960 1970 1980 1990 2000 2010 2020

第1次ＡＩブーム

・計算機の登場とともに人間の知能をシミュレーションする試み

・「推論と探索」・理論はできても実践が困難 第2次ＡＩブーム

・特定分野の専門家知識をルール化するエキスパートシステム

・記述ルールが膨大となり、実現が困難なことが判明

第3次ＡＩブーム

・計算機資源の進化により大規模な処理が可能

・ネットの普及で膨大なデータが蓄積・古典的統計手法からDeep Learning・様々なモデルが現実の問題に適用

現実の問題に適用されることで、加速度的に発展

9© 2017 NTT DATA Mathematical Systems Inc. 9

タスクの複雑化

Classification

Detection

Natural Image Caption

人

顔

犬

犬 画像の分類

範囲予測+ 画像分類

人が犬を抱きかかえています。

範囲予測+ 画像分類+ 文書生成

タスク

10© 2017 NTT DATA Mathematical Systems Inc. 10

Deep Learningによる実現方法

【Neural Image Caption(NIC)】CNNとRNNを直接組み合わせて画像から説明文を生成するモデル。CNNで画像から抽出した特徴量をRNNの隠れ層の初期値として文書を生成する。

犬 が

犬 が 公園 ・・・

特殊単語

出力＝画像の説明文

入力＝画像𝐶𝑁𝑁(𝐼𝑚𝑎𝑔𝑒)

𝑥𝑡

𝑚𝑡

𝑦𝑡

CNN

RNN

11© 2017 NTT DATA Mathematical Systems Inc. 11

Deep Learningは万能か？

Descriptive

Predictive

Generative

Prescriptive

現状把握、認知

予測、分類画像認識など

計画・制御ロボティクスなど

文書生成自然言語処理など

今まで解けなかった問題への適用Deep Learning以外の手法では難しい

既存の問題の精度向上Deep Learningである必要性が薄い（画像認識を除く）

万能といわれるDeep Learningですが、何にでも適用すればよいという訳ではありません。その計算コストの大きさから、適用するに足る問題に適用しないと、無駄が多くなります。

12© 2017 NTT DATA Mathematical Systems Inc. 12

Generative Model（キャプションの自動生成）

Natural Image Caption （NIC）

A man and a woman are walking on the beach.

A dog runs through the grass.

A group of people are hiking up a mountain.

A basketball player slam dunks the ball.

http://nic.droppages.com/Oriol Vinyals, Alexander Toshev, Samy Bengio, Dumitru Erhan. Show and tell: A neural image caption generator. Computer Vision and Pattern Recognition (2015)

13© 2017 NTT DATA Mathematical Systems Inc. 13

Prescriptive Model（自動運転シミュレーション）

自車の状態や他社との関係から次にとる行動（アクセル、ブレーキ、ハンドル操作）を決定します。

https://github.com/sisl/gail-driverAlex Kuefler, Jeremy Morton, Tim Wheeler, and Mykel KochenderferImitating Driver Behavior with Generative Adversarial Networks. arXiv:1701.06699

自動運転車

© 2017 NTT DATA Corporation

Deep Learning 事例紹介

15© 2017 NTT DATA Mathematical Systems Inc. 15

NTTデータ数理システム 事例 2 ： 感情を持ったチャットボットの開発

発話に意図や多様性を持たせる目的で、その時ごとに応答時のテンションが変わるチャットボットを作成しました

Googleの他言語翻訳の仕組みを用い、チャットボットに感情ラベルを付与することで実現。

＜サンプル＞(入力文) 好きです

<ニュートラル> (回答文) 私も好きです<弱気> (回答文) 本当ですか？<強気> (回答文) 知っていますけど<親しみ> (回答文) 私も好きですよ<曖昧> (回答文) えっと

16© 2017 NTT DATA Mathematical Systems Inc. 16

NTTデータ数理システム 事例 3 ： 超高層建物の振動制御

NTTファシリティーズ様地震動（とくに長周期地震動）に対する超高層建物の損傷低減と居住者の不安軽減を目的に、AIを活用した、従来技術よりも高いアクティブ制振技術を開発しました

【アクティブ制振】直接的に外部からのエネルギーを使って建物の振動を制御する制振

【強化学習】物理モデルを陽に扱わず、入力と評価式を基に試行し制御方法を学習する。

【制御理論的】問題ごとに物理モデルを立てて制御する。入力が事前にわかっていれば正しい解を求めることが可能。

建物の揺れをパッシブ制振と比較して 50％以上低減できることが確認できました。

出典：AI（人工知能）を活用する超高層建物向けアクティブ制振技術を開発、NTTファシリティーズhttp://www.ntt-f.co.jp/news/2017/170830.html

17© 2017 NTT DATA Mathematical Systems Inc. 17

まとめ Deep Learning の活用にあたって

Deep LearningによりAIの新たなPhaseへ

Deep Learningの適用の注意

Deep Learning前夜と Deep Learning以降で出来ることが大きく変わってきました実際の問題に適用することで新たな問題も生まれ加速度的に発展しています

既存の問題に安易に適用しない• 精度向上？• 時間削減？

理論保証はない（今後に期待）• 上手く使うには試行錯誤、スキル・

経験が重要になってくる。

複雑な問題に適用しよう• 今まで解けなかった問題もモデル化

できるかも？

© 2017 NTT DATA Mathematical Systems Inc.

記載されている会社名、商品名、又はサービス名は、各社の商標又は登録商標です。