Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Let's stand up against "Do Artificial Intellige...
Search
Norihiro Shimoda
November 10, 2016
Technology
6
1.8k
Let's stand up against "Do Artificial Intelligence" with proper knowledge
品テクmeetup Vol.03(
http://peatix.com/event/208743
)
にてお話する資料です。
Norihiro Shimoda
November 10, 2016
Tweet
Share
More Decks by Norihiro Shimoda
See All by Norihiro Shimoda
ぼくのかんがえたさいきょうの機械学習プロジェクト進行法(PoC/デモ編)
rindai87
10
19k
FindYourCandyでの転移学習の話
rindai87
4
15k
Google I/O 報告会(ML)担当
rindai87
3
9.4k
最近のTensorFlowの話
rindai87
1
1.4k
TensorFlowとGCPの簡単な紹介
rindai87
3
4.4k
TensorFlowの基礎
rindai87
2
4.3k
TFv1.0の概要+HighLevelAPI/Keras
rindai87
4
2.1k
How should engineers survive during AI era
rindai87
5
27k
Talk about ML and DL for happy engineer's life
rindai87
40
15k
Other Decks in Technology
See All in Technology
グローバル展開を見据えたサービスにおける機械翻訳プラクティス / dp-ai-translating
cyberagentdevelopers
PRO
1
150
初心者に Vue.js を 教えるには
tsukuha
5
380
コンテンツを支える 若手ゲームクリエイターの アートディレクションの事例紹介 / cagamefi-game
cyberagentdevelopers
PRO
1
110
WINTICKETアプリで実現した高可用性と高速リリースを支えるエコシステム / winticket-eco-system
cyberagentdevelopers
PRO
1
190
わたしとトラックポイント / TrackPoint tips
masahirokawahara
1
240
フルカイテン株式会社 採用資料
fullkaiten
0
36k
30万人が利用するチャットをFirebase Realtime DatabaseからActionCableへ移行する方法
ryosk7
5
320
Gradle: The Build System That Loves To Hate You
aurimas
2
140
Product Engineer Night #6プロダクトエンジニアを育む仕組み・施策
hacomono
PRO
1
440
失敗しないOpenJDKの非互換調査
tabatad
0
260
Figma Dev Modeで進化するデザインとエンジニアリングの協働 / figma-with-engineering
cyberagentdevelopers
PRO
1
420
AIを駆使したゲーム開発戦略: 新設AI組織の取り組み / sge-ai-strategy
cyberagentdevelopers
PRO
1
130
Featured
See All Featured
Rails Girls Zürich Keynote
gr2m
93
13k
Build The Right Thing And Hit Your Dates
maggiecrowley
32
2.4k
Fashionably flexible responsive web design (full day workshop)
malarkey
404
65k
Large-scale JavaScript Application Architecture
addyosmani
510
110k
Statistics for Hackers
jakevdp
796
220k
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
328
21k
No one is an island. Learnings from fostering a developers community.
thoeni
19
3k
How to Think Like a Performance Engineer
csswizardry
19
1.1k
BBQ
matthewcrist
85
9.3k
Reflections from 52 weeks, 52 projects
jeffersonlam
346
20k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
42
9.2k
Practical Tips for Bootstrapping Information Extraction Pipelines
honnibal
PRO
9
680
Transcript
「⼈人⼯工知能をやりたまえ」 と戦う武器を持とう by Norihiro Shimoda 11/10 品テク meetup Vol.03
⾃自⼰己紹介 • 下⽥田倫倫⼤大(@rindai87) • データ分析専業の会社で⾊色々やってます。 • 職歴的にはエンジニアになりますが、何故か データサイエンス的な話で露露出させていただ く機会が多めです。 –
機械学習、分散処理理、リアルタイム処理理とかが好 きです。 2
• つい⼀一⽉月前の2016年年10⽉月 8⽇日に発⾜足しました(させ ました) • 先⾏行行して動いているいくつ かの勉強会とも合流流予定 • CloudMLなどもスコープに 活動していく予定
TensorFlow User Groupについて 3 コミュニティ活動にロゴは 必須だと痛感する⽇日々です…
4 無事に⼤大盛況のうちに終われました^^
はじめに 武器 = TensorFlow とか 武器 = 深層学習
とかの話ではないです ※むしろその辺の話は少なめです。
「⼈人⼯工知能をやりたまえ」 とは?
⼈人⼯工知能すごい!というイメージ 出典:https://www.google.com/selfdrivingcar/where/ 出典: https://gogameguru.com/i/2016/03/AlphaGo-‐‑‒ Lee-‐‑‒Sedol-‐‑‒game-‐‑‒3-‐‑‒game-‐‑‒over.jpg ⾃自動運転 AlphaGO ⼈人が運転するより事故率率率が低いらしい 囲碁のプロ棋⼠士に勝利利した 7
⼈人⼯工知能使えそう!というイメージ 出典:https://cloud.google.com/products/ 超すごい⼈人⼯工知能の 要素技術をクラウドで 簡単に使えそう な雰囲気!!! 8
もちろんGoogleだけじゃない チャットボットを⼀一躍有名にした AI⼥女女⼦子⾼高⽣生「りんな」 出典:https://twitter.com/ms_̲rinna 最近のAIブームの先駆けと⾔言える IBM Watson 出典:https://github.com/IBM-‐‑‒Watson もはやレア感がなくなるくらい浸透した Pepper
出典:http://www.softbank.jp/robot/consumer/products/
_⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人⼈人_ > 突然の⼈人⼯工知能ブーム <  ̄Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y ̄
⼈人⼯工知能をやりたまえ ⼈人⼯工知能的な要素は是⾮非 提案に含めてください。 ⼈人⼯工知能は重要 そうだよね ⼈人⼯工知能かっこいいっ す。やりたいっす。 ワタシ 同僚僚 上司
お客さん 後輩/部下
クラウドのAPIを 使えばできるのでは? ↓ ビジネスニーズに 微妙にフィットしない ↓ スクラッチで やるしかない ↓ どうやって
プロジェクト化しよう \(^o^)/ 12
と、ならないために 特にビジネスへの適⽤用を 念念頭に置いた⼈人⼯工知能の話を します。
今⽇日お話する⼈人⼯工知能とは?
⼈人⼯工知能と呼ばれるもの 機械学習によって実現さ れている⼈人⼯工知能 深層学習 ルールベース etc.. 定義はいろいろですが、機械学習やルールベースなどを 駆使して、⼈人間っぽい振る舞いをする何か、とします
なんかすごそうなんですが、 ビジネス的には どういう意味が あるんでしたっけ?
⼈人⼯工知能をビジネスに適⽤用する意味 • コスト削減 – ⼈人の作業のリプレース • 品質の均⼀一化 – AIは疲れないしコピー可能 •
新規事業機会の創出 – クリエイティブな何か
⼈人⼯工知能によるコスト削減 • ⼈人が⾏行行っている作業の⾃自動化 – ⼈人の作業のリプレースになるので、投資対効 果が⾒見見えやすい • ただし、定形作業に⾒見見えても機械にやら せるには⾼高度度だった –
何かを認識識して判断から⾏行行動している
定形作業に⾒見見えるが実は⾼高度度 出典:http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html
定形作業に⾒見見えるが実は⾼高度度 ⽬目視による確認 確認結果から問題が あるかを判断 問題があったら⾏行行動 出典:http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html
どうやって実現しますか?
結局できれば何でも良良い 出典:https://twitter.com/tikal/status/787902585294327809
空想の世界のコスト対決 AI VS 800(円)x8(時間)x100(⼈人)=64万円/⽇日 64万円 x 30⽇日 = 1920万円/⽉月 2億円かけて開発し、
ランニングコストが500万円/⽉月の 不不良良品検知システム とはいえ、実は単純にコスト削減だけ 考えると、よっぽどスケールさせない 限り案外⾟辛かったりします 時給800円のパートさん ✕100⼈人 イケてるAI
品質の均⼀一化 • ⼈人は疲れてしまうがAIは疲れない – 基本的には同じ品質を保てる • ⼈人のあるタスクへの習熟度度は⼀一定にでき ないがAIは揃えることができる – 熟練のパートさんはコピーできないが、⼗十分
学習されたAIはコピーできる • し、追加で学習ももちろん可能 – 加えて、さらに追加で学習も扠せられる
⼈人はコピーできない 出典:http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html
⼈人はコピーできない 出典:http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html この⼆二⼈人のチェックの 品質は果たして同じな のだろうか? この⼆二⼈人のチェックの 品質は果たして同じな のだろうか? この3⼈人のチェックの 品質は果たして同じな
のだろうか?
AIはコピー可能 出典:http://www.taishi-‐‑‒food.co.jp/virtual/index11a.html この⼆二⼈人のチェックの 品質は果たして同じな のだろうか? この⼆二⼈人のチェックの 品質は果たして同じな のだろうか? 恐らく同じ条件下では ほぼ同じ結果が期待で
きる AI AI AI
単純なコストだけでなく 品質の均⼀一化など、 もう少し多⾯面的な意味で 「コスト」を定義できると 意味が⼤大きそう はまる場所が⾒見見つかれば強いため ポイントの⾒見見定めが重要
新規事業機会の創出 • データを持つことが直接的な資産となる 世界が来る – 画像を⼤大量量に扱うサービスは⼤大量量の画像デー タが⼿手に⼊入る – メッセンジャーサービスは⼤大量量の⾃自然⾔言語 データが⼿手に⼊入る
– 位置情報サービスは⼤大量量の位置情報データが ⼿手に⼊入る • それらのデータを利利⽤用し、エコシステム を形成していける
イメージしやすい事例例 Googleフォト
データを資産としたエコシステム AI 写真のアップロード アップされた画像で AIがさらに強化 ・⼈人物抽出 ・類似画像 ・etc… 各種AI的な機能の提供 検索索やクラウドサービス
での活⽤用 便便利利 楽しい ⼼心地良良い
データを資産としたエコシステム AI 会話が増えれば増えるほど AIがさらに強化 いい感じの会話 りんなへの 語りかけ ??? という感じで 置き換えられるものは
全てこの流流れに乗れそう 便便利利 楽しい ⼼心地良良い
データを持つことで 事業の幅が 圧倒的に広がりそう! もちろんアイデアと 実現するための技術は必須
⼈人⼯工知能の ビジネス適⽤用プロジェクト を進めていくために
プロジェクトの各種フェーズ • プロジェクトの企画/⽴立立ち上げ • プロジェクト推進チーム • プロジェクトの進⾏行行 • プロジェクトの後
プロジェクトの企画/⽴立立ち上げ • ⼈人⼯工知能には過度度な期待が寄せられがち – 経験がない場合は⼩小さく計画を⽴立立てる • ⼊入り⼝口(どんなデータを使うか)と出⼝口 (分析結果をどう使うか)というビジネ ス上の設計が重要 –
ビジネスオペレーション(に|を)寄せる? • ⼈人⼯工知能は何でもできる魔法の箱ではあ りません
既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ
⼊入⼝口 (データ) 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ 既存のビジネスで得られて いるデータを⼊入⼝口とする
⼊入⼝口 (データ) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ 機械学習、ルールベース、etc…
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ ⼈人⼯工知能を使ったビジネスフロー
ビジネスフローにつながる 形のアプリケーション Webサービスだと⽐比較的簡単だが、 それ以外だと結構⼤大変なイメージ
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの ⼊入⼝口/出⼝口のイメージ 新規のビジネスフロー 既存のビジネスにこだわる必要はなく、
全く新しい⼊入⼝口/出⼝口を考えても良良い 既存のビジネスにこだわる必要はなく、 全く新しい⼊入⼝口/出⼝口を考えても良良い
いきなり全部考えるの しんどいですよね? また、AI的なものはやってみなければ 成果が出せそうかどうか分からない、 という側⾯面があります 実証実験から始めると 良良いことが多いです。
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ(再掲) ここにフォーカスを当てます
⼈人⼯工知能的なもので何ができますっけ?という確認 (PoCと⾔言ったりもしますね)
プロジェクト推進チーム • ビジネスを考える⼈人 • AIとビジネスを繋ぐ⼈人 • AIそのものを扱う⼈人 • AIを使った仕組み化する⼈人
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ(再掲)
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ(再掲) ビジネス考える⼈人
⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを 扱う⼈人 仕組み化を 実現する⼈人
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ(再掲) ビジネス考える⼈人
⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを 扱う⼈人 仕組み化を 実現する⼈人 この⼈人が超⼤大事です。 特に⺟母数が少なく貴重な⼈人
プロジェクトの進⾏行行 • 機能要件、⾮非機能要件が決めにくく、プ ロジェクト全体のゴールが曖昧になりが ち – 期待値の調整が超重要 • プロジェクト進⾏行行に関しての明確な⽅方法 論論が世の中に存在していない
– 開発に特化したものだったらウォーター フォールやアジャイル開発などあるが…
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー ⼊入⼝口/出⼝口のイメージ(再掲) ビジネス考える⼈人
⼈人⼯工知能とビジネスを繋ぐ⼈人 AIそのものを 扱う⼈人 仕組み化を 実現する⼈人 この⼈人が超⼤大事(2回⽬目)
プロジェクトの後 • ⼈人⼯工知能的なもの、のメンテナンスが定 期的に必要だと考えた⽅方が良良いです – 世の中は変化するはずなので、データの質が 変わる可能性がある • 逆に⾔言うと今の⼈人⼯工知能は、最初の設計 を逸脱したものに追随できるほど汎⽤用的
なものではない、というのが真実
TensorFlowの話
TensorFlowとは? • Googleによって2015年年11⽉月に公開され たオープンソース – Google内部で多数の使⽤用実績があるらしい Google Photo 画像の⾃自動分類 Google
翻訳 翻訳の⾃自動学習 Gmail スパムフィルタ OK Google ⾳音声認識識 52
TensorFlowにありがちな勘違い TensorFlowは深層学習に 特化したツールである 53
TensorFlowの正しい認識識 TensorFlowはデータフローグラフを 利利⽤用した数値計算のための オープンソースの ソフトウェアライブラリである TensorFlow™ is an open source
software library for numerical computation using data flow graphs. TensorFlow公式サイトより 54
TensorFlow⾃自体の 話をするとここから 数時間くらいになりますので 辞めておきましょう^^
https://speakerdeck.com/rindai87/talk-‐‑‒about-‐‑‒ml-‐‑‒and-‐‑‒dl-‐‑‒for-‐‑‒happy-‐‑‒engineers-‐‑‒life
⼊入⼝口 (データ) 出⼝口 (アプリケー ション) ⼈人⼯工知能的 なもの 既存のビジネスフロー TensorFlowの守備範囲 ⼈人⼯工知能を使ったビジネスフロー
TensorFlowのカバー範囲
結局、どんなデータを使って TensorFlowでどういう処理理をするのか その結果をどう使うか というのが重要になります ですが、⾃自分1⼈人で ウンウン唸ってても 頭が整理理されないですよね^^
⾮非技術者向けのセミナーやります http://tfug-‐‑‒tokyo.connpass.com/event/44318/
Thanks!!