Upgrade to Pro — share decks privately, control downloads, hide ads and more …

日本におけるAI活用の状況と注目トピック 2021年10月発表

日本におけるAI活用の状況と注目トピック 2021年10月発表

日本におけるAI活用の現状を踏まえたうえで、AI・機械学習の「ビジネスでの活用」という観点からいま注目すべきトピックを紹介しています。

AITC - DENTSU SOKEN

June 13, 2022
Tweet

More Decks by AITC - DENTSU SOKEN

Other Decks in Technology

Transcript

  1. 4 御⼿洗拓真 所属: 電通国際情報サービス クロスイノベーション本部 AIトランスフォーメーションセンター 経歴: 2015年3⽉:慶應義塾⼤学総合政策学部卒(近代史・社会学専攻) 2015年4⽉:新卒でとあるSIerへ⼊社し、 Azureベースの機械学習システム導⼊案件を推進

    2020年2⽉:ISIDへ中途⼊社 現在は、顧客⽀援と並⾏してAIを使った⾃社サービス開発に尽⼒中 業務: 機械学習システム開発・導⼊、⾃社のAIソフトウェアの開発、主にAzureによる アーキテクチャ設計 ディープラーニング検定との関わり: 2019年10⽉に、エンジニア資格を取得しました。 Qiita : https://qiita.com/tamitarai 趣味: コーヒー、ウィスキーなど ⾃⼰紹介
  2. 5 はじめに l お話すること l 皆さんが就職した後や、就活の⾯接で喋るのに使えるようなAI・機械学習の説明 l ⽇本企業におけるAI導⼊の状況 l 「AI活⽤の課題」におけるの注⽬キーワード

    l お話しないこと l 数学的な機械学習の仕組みについてのお話 l 皆様に理解してもらうための「機械学習とは?」というお話 l 個別のドメインにおけるコアな最新技術のお話
  3. 9 AI・機械学習とは? 従来型システムと機械学習に判定の違いとして、 「従来型は(基本)変化しない」「機械学習は変化する」ということを強調して説明します。 if ( 丸い顔==True, ⽑が⽣えている==True, ⽿が尖っている==True ):

    return "猫" 猫 従来型システム • ⼈間が詳細にルールや基準を定義して分類する • ⼀度ルールが決まれば、基本的には変わらない • AIがデータの背後にある法則性を⾒つけだして線を引く • データが変われば、線の引き⽅(=ルール)も変わる 機械学習 データ なんらかの軸(顔の丸さ) ⽿のとがりぐあい 猫
  4. 10 従来型システムと機械学習のアプローチの違いは、「演繹法」と「帰納法」としても説明できます。 AI・機械学習とは? 答 Data • 正しい理論を⼀つ⼀つ積み重ねて、確実な答えに⾄る • 仮説検証 •

    理論が正しければ、答えは100%正しい 従来型システム:演繹法アプローチ 機械学習:帰納法アプローチ Data 答 答 答 答 答 答 • 答えから法則性を導き出す • ⇒⼈間と同じく100%ではないが、”曖昧さ”を 許容できる柔軟性がある • やってみないと分からないところがある
  5. 16 なぜ「システムは外部発注して終わり」になるのか? 余談ですが、「システムは外部に発注して作って終わり」という商習慣の背景としては 以下のように「雇⽤の流動性の低さ」が挙げられることが多いです。 アメリカ ⽇本 雇⽤の流動性が⾼い 雇⽤の流動性が低い 最悪、解雇できるので、 社内にIT⼈材を抱えるリスクが取れる

    解雇にしづらいので IT⼈材を社内に抱えるリスクが取りづらい ⾃社でシステムの開発から運⽤までをする システムごとに外部(=Sier)に IT⼈材をアウトソースして開発・運⽤をする ※ちなみに「それなら雇⽤の流動性を上げればいいんだ!解雇規制を緩和だ!」みたいな雑な議論を時々⾒ますが、 そんなに単純なら苦労しないのです。皆さんは、「ではなぜ雇⽤流動性が低い労働法制になっているのか?」というところまで 考えて頂けるとうれしいです。
  6. 20 Auto ML l インプットされたデータに対して最適な前処理、アルゴリズム、ハイパーパラメータを探索し、簡単に⾼精度 なモデルを作成する技術 l ⼀般的なタスクであれば、データ作成までできれば投⼊するだけでコンペ上位レベルのモデルができる l 各社、いろいろなサービスを出しており、ISIDもOpTApfというサービスをリリース

    OpTApfの製品ページ→https://isid-ai.jp/products/optapf.html https://youtu.be/0nGdTPJvjDI 具体的なサービスイメージ サービスによって異なるが、 例えばMicrosoftのAuto MatedMLは、協調フィルタリ ングとベイズ最適化問題を組み 合わせることで、上記の探索を 効率化している 以下のAzure Machine Learningの動画がわかりやすいです しくみ https://arxiv.org/pdf/1705.05355.pdf
  7. 21 学習済みモデルのAPI提供 l 画像、⾳声、⾃然⾔語、動画、etcとかなり⾊々なデータ・タスクが既にAPIとして提供されている l これらの多くは有料だが、すぐにAIを使って課題を解決できる Microsoftが提供するAPI Microsoft Azureは、APIとして例えば以下のようなAIを提供しています。 (以下は⼀例です。実際にはもっとあります。)

    以下は、Azure Compute Visionの利⽤イメージです。 画像に写り込んだオブジェクトの位置を検出し、 それが「⾃転⾞」であることを特定しています MicrosoftのAPI利⽤画⾯例 https://docs.microsoft.com/ja-jp/azure/cognitive-services/what-are-cognitive-services https://azure.microsoft.com/ja-jp/services/cognitive-services/computer-vision/#featu
  8. 30 データ 収集 教師 データ作成 モデル訓練 ・ 評価 本番環境 へのデプロ

    イ ユーザーに よる利⽤ 利⽤結果からフィードバック MLOpsとの関係 紹介するキーワードをMLOpsの簡易モデル上にマップすると、こんな感じです 収集 連合学習 メタ学習 モデル 軽量化 AIに対するセキュリティ
  9. 31 データ 収集 教師 データ作成 モデル訓練 ・ 評価 本番環境 へのデプロ

    イ ユーザーに よる利⽤ 利⽤結果からフィードバック 連合学習(Federation Learning) 連合学習 AIに対するセキュリティ メタ学習 モデル 軽量化
  10. 32 連合学習(Federation Learning) 背景の課題 l データを収集する際、プライバシーの問題や機密性がハードルになることが多い l スマホやアプリなどでユーザーの情報を収集したとしても、それをクラウド上に集約できない l 各企業がもっているデータを外に出さずに、企業間で協⼒したい

    概要 l データを⼀箇所に集約して学習するのではなく、データを保持したデバイスごとに分散してモデルを訓練 l 各デバイスは、訓練によって得られたパラメータの勾配だけをクラウドに送信し、 ⼤元のモデルのパラメータを更新する https://arxiv.org/pdf/1907.09693.pdf
  11. 33 データ 収集 教師 データ作成 モデル訓練 ・ 評価 本番環境 へのデプロ

    イ ユーザーに よる利⽤ 利⽤結果からフィードバック 連合学習 AIに対するセキュリティ メタ学習 メタ学習 モデル 軽量化
  12. 34 メタ学習 背景の課題 l DLで精度の良いモデルを作成するには、⼤量のデータで学習する必要がある l しかし、業務上のタスクを解くモデルを訓練させるための教師データを⼤量に作るのは、すごく⼤変 例えば「機器の故障原因」を分類したいけど、同じ原因が違う名前で⼊⼒されてるなど、ラベルをつけるのが⼤変 概要 l

    さまざまなタスクでモデルを学習させ、「いろいろなタスクでどのようにパラメータを学習しているのか」を 学習させることで、新たなタスクのデータが少ししかなくても、精度の⾼いモデルを構築するための訓練⼿法 [引⽤]https://arxiv.org/pdf/1703.03400.pdf タスク1に 最適化させた パラメータ タスク3に 最適化させた パラメータ タスク2に 最適化させた パラメータ いろんなタスクに すぐに適応できる メタパラメータ
  13. 35 ※ は同じ構造をもつネットワーク 2-2. ねずみハムスターを分類するタスクに 最適化したパラメータを学習 2-3. 狼・狐分類するタスクに最適化したパラメータを学習 1. 共通のメタ・パラメー

    タで各タスクのネット ワークを初期化 (=最初はぜんぶ同じモ デルからスタート) 5. メタ・パラメータを 更新する 3-2. ねずみハムスター 分類タスクの損失を算出 3-3.狼・狐分類タスクの損失を算出 4.各タスクの 損失合計の 勾配を計算 メタ・ Optimizer 2-1. ⽝猫を分類するタスクに最適化した パラメータを学習 ⽝猫分類タスク に最適化した パラメータ ねずみハムスター 分類タスク に最適化した パラメータ 狼・狐分類 タスクに最適化した パラメータ メタ・ パラメータ メタ学習の流れイメージ 3-1. ⽝猫分類タスクの損失を算出
  14. 36 データ 収集 教師 データ作成 モデル訓練 ・ 評価 本番環境 へのデプロ

    イ ユーザーに よる利⽤ 利⽤結果からフィードバック 連合学習 AIに対するセキュリティ メタ学習 モデル軽量化 モデル 軽量化
  15. 37 モデルの軽量化 背景の課題 l ⾼精度なモデルではパラメータ数が増え、リッチな計算資源が必要になる傾向がある l しかし、エッジデバイスなどで訓練や推論を⾏うユースケースでは、リッチな計算資源確保ができない (エッジじゃなかったとしても、リソースを確保するのはたいへん) 概要 l

    ネットワーク中の重要度が低いノードを削減してパラメータ数を減らしたり、⾏列計算を簡易化して演算回 数をへらすなどの⼯夫によって、精度をできるだけ確保しつつ必要なメモリや演算回数を削減する 元々のネットワーク 重要度が低いネットワークを削除