Upload
naoki-sato
View
645
Download
10
Embed Size (px)
Citation preview
Microsoft mission
地球上のすべての個人と
すべての組織が、
より多くのことを
達成できるようにする
Digital
Transformation
革新的なパーソナル
コンピューティング
プロダクティビティと
ビジネスプロセス
インテリジェント
クラウド
Artificial
Intelligence
Agent Applications Services Infrastructure
AI の民主化AI がより身近な存在に
Seeing AI
人工知能 (AI) とは?知能 (Intelligence) とは• 学習、理解、思考する能力
人工知能(AI: Artificial Intelligence)とは• 人間の知能そのものをコンピューター上で実現したもの
• 人間が知能を使って行うことをコンピューターで実行するもの
現時点では実現が難しい
現時点で利用可能な技術
参照 http://www.image-net.org/
http://image-net.org/challenges/LSVRC/2012/ilsvrc2012.pdf
ILSVRC大量のタグ付き画像データの認識
精度を競うコンテスト
IMAGE NET 2012年
http://image-net.org
11x11 conv, 96, /4, pool/2
5x5 conv, 256, pool/2
3x3 conv, 384
3x3 conv, 384
3x3 conv, 256, pool/2
fc, 4096
fc, 4096
fc, 1000
AlexNet, 8 layers
(ImageNet 2012)
Very
3x3 conv, 64
3x3 conv, 64, pool/2
3x3 conv, 128
3x3 conv, 128, pool/2
3x3 conv, 256
3x3 conv, 256
3x3 conv, 256
3x3 conv, 256, pool/2
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512, pool/2
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512
3x3 conv, 512, pool/2
fc, 4096
fc, 4096
fc, 1000
VGG, 19 layers
(ImageNet 2014)
Ultra
ResNet,
152 layers
By Microsoft
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x1 conv, 64
3x3 conv, 64
1x1 conv, 256
1x2 conv, 128, /2
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 128
3x3 conv, 128
1x1 conv, 512
1x1 conv, 256, /2
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 256
3x3 conv, 256
1x1 conv, 1024
1x1 conv, 512, /2
3x3 conv, 512
1x1 conv, 2048
1x1 conv, 512
3x3 conv, 512
1x1 conv, 2048
1x1 conv, 512
3x3 conv, 512
1x1 conv, 2048
ave pool, fc 1000
7x7 conv, 64, /2, pool/2
Deep Learning
得意分野
画像認識音声認識Azure Machine Learning
Microsoft の AI 分野での取り組み
Bing maps
提供開始
目的地への
最短経路
Microsoft
Research
設立
Hotmail
提供開始
迷惑メールの
判別
Bing search
提供開始
最適な
検索結果
1991 20091997 2008
Kinect
販売開始
人の動きを
認識する
Azure ML
提供開始
将来起こること
の予測
Skype
Translator
提供開始
人の言葉を
認識する
2014 20152010
CNTK
OSS公開
深層学習
ツールキット
2016
Cognitive
Services
提供開始
知覚・記憶・
判断・推理
2016
クラウド
ロボティクス分野
戦略提携
Pepper による
次世代型店舗
2016
Microsoft AI
andResearch
Group
設立
2016
りんな
提供開始
会話型
AI
2015
LINE ID:@ms_rinna
Platform Services
Infrastructure Services
WebApps
MobileApps
API Apps
Notification Hubs
HybridCloud
Backup
StorSimple
Azure SiteRecovery
Import/Export
SQL Database DocumentDB
Redis Cache
AzureSearch
StorageTables
SQL DataWarehouse
Azure AD Health Monitoring
AD PrivilegedIdentity Management
OperationalAnalytics
Cloud Services
BatchRemoteApp
ServiceFabric
Visual Studio
ApplicationInsights
VS Team Services
Domain Services
HDInsight MachineLearning Stream Analytics
Data Factory
EventHubs
Data LakeAnalytics Service
IoT Hub
Data Catalog
Security & Management
Azure ActiveDirectory
Multi-FactorAuthentication
Automation
Portal
Key Vault
Store/Marketplace
VM Image Gallery& VM Depot
Azure ADB2C
Scheduler
Xamarin
HockeyApp
Power BI Embedded
SQL Server Stretch Database
MobileEngagement
FunctionsCognitive Services Bot Framework Cortana
Security Center
Container Service
VM Scale Sets
Data Lake Store
BizTalkServices
Service Bus
Logic Apps
API Management
Content DeliveryNetwork
Media Services
Media Analytics
Action
People
Automated Systems
Apps
Web
Mobile
Bots
Intelligence
Dashboards &
Visualizations
Cortana
Bot
Framework
Cognitive
Services
Power BI
Information
Management
Event Hubs
Data Catalog
Data Factory
Machine Learning
and Analytics
HDInsight
(R Server and
Spark)
Stream Analytics
Intelligence
Data Lake
Analytics
Machine
Learning
Big Data Stores
SQL Data
Warehouse
Data Lake Store
Data Sources
Apps
Sensors and devices
Data
A GOAL WITHOUT
A PLAN IS
JUST A WISH
Analyze image
OCR
Category People; 1 face found
Adult False
Black & White? No
Dominant colors
Accent color
"faceId": "48cdf8c8-841c-4d33-b875-1710a3fc6542","faceRectangle": {“width”: 228,“height”: 228, "left": 460,"top": 125
},"faceAttributes": {"age": 23.5,"gender": "female","headPose": {"roll": -16.5,"yaw": 22.1,"pitch": 0},"smile": 0.998,"facialHair": {"moustache": 0,"beard": 0,"sideburns": 0},"glasses": "ReadingGlasses"
}
Detection Result
Grouping
Identity
8
“Thousands of partners sign in to our
platform every hour. The response time
from the Face API is incredible, enabling
us to verify our drivers without slowing
them down.”
Dima Kovalev, Product Manager, Uber
Face API Read Case Study Here
https://translator.microsoft.com/neural
Intent PlayVideo
Entity Content: Daily Show
DateTime.date: T-1 Day
Intent PauseDevice
Entity DateTime.duration:
5 Minutes
Play yesterday’s Daily Show
Pause for 5 minutes
https://qnamaker.ai/
ダイアログ形式のコミュニケー
ションを実装
(C#, Node.js)
ボット アプリをメッセージング
サービスに接続
Bing、Cortana などから利用
できるディレクトリに登録
重みづけ更新
重みづけ更新
重みづけ更新
従来の ML
•
DL
•
11x11 conv, 96, /4, pool/2
5x5 conv, 256, pool/2
3x3 conv, 384
3x3 conv, 384
3x3 conv, 256, pool/2
fc, 4096
fc, 4096
fc, 1000
AI的な成果
Azure N シリーズ GPU インスタンス2 種類の NVIDIA GPUを搭載
サイズ コア数 メモリ SSD RDMA GPU
NV6 6 56 GB 380 GB - M60 半分 (GPU 1基)
NV12 12 112 GB 680 GB - M60 1枚 (GPU 2基)
NV24 24 224 GB 1.5 TB - M60 2枚 (GPU 4基)
NC6 6 56 GB 380 GB - K80 半分 (GPU 1基)
NC12 12 112 GB 680 GB - K80 1枚 (GPU 2基)
NC24 24 224 GB 1.5 TB - K80 2枚 (GPU 4基)
NC24r 24 224 GB 1.5 TB InfiniBand K80 2枚 (GPU 4基)
Visualization の
NV 系
Tesla M60搭載
Compute の
NC 系
Tesla K80 搭載
Deep Learning はこちら
Azure N シリーズ GPU インスタンス2 種類の NVIDIA GPUを搭載
サイズ コア数 メモリ SSD RDMA GPU
NV6 6 56 GB 380 GB - M60 半分 (GPU 1基)
NV12 12 112 GB 680 GB - M60 1枚 (GPU 2基)
NV24 24 224 GB 1.5 TB - M60 2枚 (GPU 4基)
NC6 6 56 GB 380 GB - K80 半分 (GPU 1基)
NC12 12 112 GB 680 GB - K80 1枚 (GPU 2基)
NC24 24 224 GB 1.5 TB - K80 2枚 (GPU 4基)
NC24r 24 224 GB 1.5 TB InfiniBand K80 2枚 (GPU 4基)
Visualization の
NV 系
Tesla M60搭載
Compute の
NC 系
Tesla K80 搭載
Deep Learning はこちら
Cognitive Toolkit | Caffe | TensorFlow | Torch
• 世界記録を達成した MS Research のスピーチ研究チームが開発
• MIT や Stanford 等の様々な研究者と共同作業で改定中
• Python, C++, BrainScript
Theano only supports 1 GPU
We report 8 GPUs (2 machines) for CNTK only as it is the only
public toolkit that can scale beyond a single machine. Our
system can scale beyond 8 GPUs across multiple machines with
superior distributed system performance.
0
10000
20000
30000
40000
50000
60000
70000
80000
CNTK Theano TensorFlow Torch 7 Caffe
Speed Comparison (Frames/Second, The Higher the Better)
1 GPU 1 x 4 GPUs 2 x 4 GPUs (8 GPUs) 2015年7月時点
Cognitive Toolkit による自動応答システムの実現
https://notebooks.azure.com/
モデル
学習 データを使ってモデルを教育すること
モデルの出来を精度から測ってあげること評価
データ準備
加工
学習
モデル 分割
評価
学習
https://azure.microsoft.com/en-us/marketplace/partners/microsoft-ads/dsvm-deep-learningtoolkit/
故障診断 医療診断物品の自動仕分け
機械学習 教師あり学習
教師なし学習
強化学習
決定木
線形回帰
SVM
ロジスティック回帰
ニューラルネットワーク
クラスタリング
次元削減
Q学習
K-mean法
主成分分析
正準相関分析
ディープニューラルネットワーク
畳みこみニューラルネットワーク
再帰的ニューラルネットワーク
回帰結合ニューラルネットワーク
62
※ Wikipedia より引用
定型レポート
(SSRS)
セルフサービス BI
(Power BI)
マシンラーニング
(Azure ML)
機械学習とデータマイニングは交差する部分が大きく、技法も同じなので混同されることが多いが、次のように定義できる。• 機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。
• データマイニングの目的は、それまで「未知」だったデータの特徴を発見することである。
• レコメンデーション• 同じ商品を買った人が買った別のアイテムを お勧め商品として提示
• 同じ属性を持った人が買った商品を お勧め商品として提示
• 分類• メール本文・タイトルの内容からスパムメールの分類
• Web サイトの行動履歴から不正ユーザの検出
• 異常検知• センサー情報に基づく機械故障予測
• NW アクセス情報から不正アクセスや攻撃を検知
• ユーザ属性の推定• 属性情報が完全に取れているお客様のデータから、属性情報に欠損のあるお客様の属性情報を推定
63
• クラウドベースの機械学習実行基盤
• 機械学習の「モデル作成」「モデルの評価」から、作成した分析モデルのデプロイ( Web サービス化)まで、機械学習 の開発~サービス提供で必要となるすべてのコンポーネントを PaaS で提供
Microsoft Azure Machine Learning
開発環境
予測モデルのデプロイ
( Web サービス )
64
1. トレーニングデータ(実績データ)の準備• 予測モデルを作成する為のトレーニングデータ(実績データ)を準備
例:顧客属性によるお勧め商品の提示(リコメンデーション)を行いたいのであれば、どういった属性情報のお客様が、どういう商品を買ったのかという実績データが必要
2. 予測モデルの開発と評価
3. 予測モデルの公開(Web サービス)• 作成した予測モデルは、非常に簡単な操作でWebサービスとして公開可能。
65
①部品をドラッグ&ドロップ
②各部品のプロパティーを設定
66Azure ML Studio の基本的な使い方
①部品をドラッグ&ドロップ
②各部品のプロパティーを設定
67Azure ML Studio の基本的な使い方
68
69
70
71
AI のためのREST API サービス群
https://www.microsoft.com/cognitive-services
独自の機械学習モデルの開発、
REST APIサービス化のためのサービスhttps://azure.microsoft.com/ja-jp/services/machine-learning/
ディープ ラーニング処理の最適なGPU VM インスタンス
https://azure.microsoft.com/ja-jp/pricing/details/virtual-machines/series/#n-series
OSS のディープ ラーニング フレームワーク
https://www.microsoft.com/en-us/research/product/cognitive-toolkit/