1. Big Data
Intelligence
2012. 06. 04 / Saltlux, Inc.
氏家 真/ mujike@saltlux.com

2. ビッグデータとは？
Communicating Knowledge 1

3. 2

4. 3

5. つまり
巨大(Volume)
Big Data
急激(Velocity) Issues
(3V)
多様(Variety)
そのため、理解し、活用しきれない
4

6. 非構造化ビッグデータ関連のテクノロジー
可視化 統計分析
セマンティクス
(R)
テキスト クラウド、
機械学習 マイニング NoSQL
自然言語 クローリング
情報検索
処理
(Search)
5

7. 6

8. Webの世界で何が起きてきたか？
2000 2005 2010 2015 2020
Web 1.0 Web 2.0 Web 3.0 Web of Data ??
Information People Big Data Intelligence
ソーシャル
検索 分析 予測
ネットワーク
収集 理解 最適化
7

9. ビッグデータインテリジェンスからのビッグバリュー
ビッグデータ分析とインテリジェンス
• ソーシャルシグナル分析
組織外部
• 競合調査
• 評判管理
• 顧客の声(VOC)の理解
事業最適化
• ソーシャルネットワーク分析
&
• リスク/危機管理 顧客満足
• ビジネスディベロップメント
• eディスカバリ、内部監査
組織内部
• ナレッジマネジメント
• 製品/技術革新
8

10. ビッグデータ分析の事例
Communicating Knowledge 9

11. 通信事業会社向けのビッグデータ分析
10

12. 通話履歴(CDR)を使ったソーシャルネットワーク分析
11

13. モバイルソーシャルネットワーク分析事例
主な活動地域
主な居住地域
attend
Profile attend
• Name: Jerry Obama
• Age: 12 Profile
• Sex: Woman attend
lives in • Name: Elizabeth Cox
lives in • Age: 12
• Sex: Woman
Pay for attend attend
Call Profile
• Name: Jane Bush
• Age: 12
Call • Sex: Woman
Call
Call
Call Profile
Profile
• Name: Edward Adams
• Name: Nancy Obama
• Age: 11
• Age: 42
Call • Sex: Woman
• Sex: Woman
lives in
Profile Profile
• Name: Tom Obama • Name: Jessica Bailey
家族 • Age: 16
友人
• Age: 13
• Sex: Man • Sex: Woman
12

14. ネットワーク情報からのユーザプロファイル分析
Bimodal
Normal
μ1 = 38 Φ=
σ1 = 4.2
w = 0.83 各年齢別（SMS/ VOICE）、(性別)、
μ2 = 13
σ2 = 2.4 (年齢) 120 クラスのパターンを用いたPI
の結果
13

15. オントロジー・ポピュレーション
レガシーデータ
レガシーデータからのオントロジーマッピング
14

16. ハイブリッド推論 DL + ルール
50 クラス、58 関係性、15 プロパティ、57 ルール
15

17. ソーシャルリレーションシップの発見
16

18. 嗜好性の分析
ユーザの暗黙的な行動履歴の利用
Map Business
Extract Classify Measure Content /
Types to
CDR 分析 Collect CDR Company Business
Preference
Preference based Service Domain
Name Type on Frequency Preference
Classes
Classify Extract Analysis Map values to Content /
URL Collect URL
URL Services
Extract URL
property Preference Service
分析 Access Log properties
Domain from URL values Classes Preference
Extract Classify Indentify Content /
検索ワード Collect
Search Search Target
Map Search Keyword to
Service
分析 Search Log Preference Classes
Keyword Keyword Services Preference
会員カード Extract Classify
Map Business
Measure Content /
Types to
利用分析 Collect CDR Company Business
Preference
Preference based Service Domain
Name Type on Frequency Preference
分析 Classes
暗黙的なユーザ ユーザ個人の
社会的な嗜好性発見
行動履歴の分析 嗜好性の発見
ユーザ行動履歴の分類
明示的なユーザ 個人の嗜好性の 代表的な嗜好性の
行動履歴の分析 グループ化 グループ発見

19. 情報モニタリング
18

20. 情報モニタリング
19

21. e-ディスカバリソリューション

22. ナレッジネットワーク分析
21

23. VOC(顧客の声)分析
22

24. 新技術の分析
80 GB
KMS DB
RESULTS
ANALYSIS (インデックス)
US PAT DB - Top N 100 GB
- 推移分析
- 関係分析 RESULTS DB
5 GB
400 GB
ANALYSIS INDEX
KMS ATT. FILE
PAPERS PAPER DB
XML TECH. DOC DB
PAT. DB
TECH DOCs 10 T
10 GB
23

25. 新技術の分析
24

26. ハイブリッド推論
(Hybrid Reasoning)
強み + 強み
弱み – 弱み
25

27. ハイブリッド分析 : 混合手法
論理的推論手法
オントロジー及びルール
• 演繹的推論(Deductive Reasoning)
前提1: すべての人間はいずれ死ぬ
前提2: ソクラテスは人間である
結論: ソクラテスはいずれ死ぬ +
• 帰納的推論(Inductive Reasoning)
前提: 太陽は今まで毎朝東から昇っている
結論: 太陽は明日も東から昇る
• 外転的推論 機械学習
• 類推的推論
26

28. セマンティックソーシャルメディア分析
情報ネットワーク ソーシャルネットワーク
テキスト
マイニング SNA
(Induction/帰納法 (Deduction/演繹法)
)
ソーシャルメディア分析

29. Twitterに含まれる
ソーシャルセマンティックス
位置情報
ユーザ情報
更新履歴
ツイート内容
ツイート頻度
フォロワー数
など
28

30. 次のブームは？

31. サイズは問題か？
そうです、
しかしサイズ自体が問題ではありません!
VS.
ナレッジ・フラグメンテーション
（知識の断片化）が問題です
30

32. ナレッジ・フラグメンテーション
出展：Wikipedia
31

33. 拡張知能とは?
知能の拡張化(Augmented Brain)がもたら
すもの:
• より大きな全体像の理解
• 文脈依存の知識のリアルタイムでの再
構成
• 洞察の獲得
• 予測と意思決定
極めて断片的な知識の統合による実現
32

34. 拡張知能における注目技術
Apple Siri (iPhone 4S) IBM Watson (Jeopardy)
Google Voice Translator

35. バーチャル・パーソナル・アシスタンス？
バーチャル・パーソナル・アシスタントとは、下記を実
現するソフトウェアシステムである
• ユーザが何かを探すか、行うことを助ける(情報というよりも、
課題（タスク）に焦点)
• ユーザの意向と文脈・属性(位置、予定、歴史)を理解(言語を
解釈)する
• ユーザの代わりに作業し、複数のサービスと 情報ソースを調整
し、タスク完了を手助けする
言い換えると、アシスタントはユーザが何かすることを理解し、作業
することで支援してくれる (Tom Gruber, 2010)
34

36. インテリジェント・エージェント？
 自律的な主体/エンティティであり、セン
サを通して観察し、環境に応じて行動
 目標の達成に向けて、その活動を指示
 目標を達成するために蓄積された知識を
学習し、使用
- Russell & Norvig
35

37. 日本では？
 Siri (Apple)
 しゃべってコンシェル（NTTドコモ）
 音声アシスタント（Yahoo Japan）
 西野ひかり（NTT西日本）
 etc
36

38. インテリジェント・エージェント？
1. Simple reflex agent 3. Model based reflex
agent
2. General learning agent 4. Model and goal based
agent
37

39. Siri?
Siri iOS上で、パーソナルアシスタントアプリ
ケーションとして機能する、インテリジ
ェントソフトウェアアシスタントかつ知
識ナビゲータ
Siri 自然言語UIを実装
• 質問への回答
• レコメンデーションの提供
• ウェブサービスを活用した行為
Siri 時間の経過とともにユーザの好みに適応し
結果をパーソナライズ
38

40. Siriに何を頼めるか？
1. サービスの代理実行
タスクの完遂に焦点
2. 会話型インタフェイス
会話を通じた意図の理解
3. 人的文脈認識
個人情報を学習し、応用
• リマインド • アラームの設定.
• チャットの発信. • 道案内
• 気象情報. • 株価情報.
• 会議の設定. • タイマーの設定.
• emailの発信. • Siriについて.
• 計算.
• Wolfram|Alpha, or Wikipediaからの情報
39

41. Siriの技術
会話型
サービス委任
インターフェ 人的文脈認識
（代理実行）
イス
 対話と自然言語の理解
 機械学習
 証拠性及び確率性の推論
 オントロジーと知識表現
 計画、推論
 サービスの委任・代理実行
40

42. Siriの技術の概要
41

43. 会話ベースのインターフェイス
42

44. タスクに紐付く自然言語処理
43

45. オントロジーによるモデル統合
44

46. セマンティック・オートコンプリート
45

47. 汎用的タスクとドメインによる
対話モジュールの構成
46

48. タスクモジュール
47

49. アップルによる特許申請 (230 pages)
48

50. なぜSiriは過去の類似サービスと違うのか
 タスクに焦点何かすることを見つけ、 友達と外出し、
そして街を歩き回る、というような 人間的な結合したタ
スクの集合に焦点
 データの構造化に焦点Siriが特に得意とするタスクの種
類は半構造化データを伴い、通常は 複数の条件と複数の
ソースを伴います
 アーキテクチャに焦点 Siriは複数の先進技術をバーチャ
ルアシスタントのために設計されたプラットフォームに
統合する過程の豊富な経験に基づいて構築。特にCALOプ
ロジェクトにおいて、Siriはバーチャルアシスタントの構
築におけるAIの適応可能範囲に関してノウハウを蓄積
49

51. 検索(キーワード、リンク) => 行動(会話、タスク)
Yahoo!Local 『情報の紐づけ』
（地域サイト）
Siri
タスクに焦点
データの構造化に焦点
アーキテクチャに焦点
Yelp
(クチコミサイト)
OpenTable
etc
(予約サイト)
50

52. Googleも情報の紐づけ
最新サービス：ナレッジグラフ
【１】2通り以上の解釈ができる 【２】検索ワードに関する概要を表示
検索ワードを明確化
【３】より深く広い知識の提供から、
予期せぬ発見ができる
51
週刊アスキーPLUS 2012年5月17日
http://weekly.ascii.jp/elem/000/000/089/89282/

53. Saltlux新製品：[IN2]Discovery 2
分散した情報を意味的に統合/分析
統合した画面上で、直感的に知識生態系を把握可能
世の中すべての知識の
融合と検索
正しい意思決定のサポート
52

54. Q&A ありがとう
ございました
Big Data
Intelligence