Contenu connexe Similaire à LiBRA 09.2020 / 新入社員のための最新ITトレンド研修 (20) Plus de Masanori Saito (20) LiBRA 09.2020 / 新入社員のための最新ITトレンド研修10. IT/ICTとは何か
IT Information Technology
ICT Information & Communication Technology
特定の分野における知識の実用化であり知識の実用化によってもたらされる能力
科学的知識を各個別領域における実際的目的のために工学的に応用する方法論
ある社会集団が生産に際して技術を利用する方法の体系
問題を解決することや新しい価値を産み出すために
用いられる能力や方法のこと
コンピュータ・半導体・センサー・通信・ネットワーク・プログラミング など
社会やビジネス、日常生活における問題の解決や価値の創出
15. 1. 最新トレンドを理解するためにおさえておきたいITの歴史と基礎知識
2. デジタルとは何か
3. ビジネスの大変革を迫るデジタル・トランスフォーメーション
4. ソフトウェア化するインフラストラクチャー
5. IT利用の常識を変えるクラウド・コンピューティング
6. 新たなビジネス基盤となるIoT(モノのインターネット)
7. 5G(次世代移動体通信システム)
8. 人に寄り添うITを実現する人工知能/AI
9. ビジネススピードの加速に対応する開発と運用
10.安心・安全にITの価値を最大限に享受するサイバー・セキュリティ
11.いまもとめられる人材
29. DXはどんな世界を目指すのか
Data
IoTmobile Web
生産 販売 移動 対話 検索 連絡観賞 育児教育
Activity/Event
Cyber World
社会やビジネスの最適を実現・維持する Application
Digital Twin
現実世界のデジタル・コピー
最適解を見つける サービス同士を連係する
現実世界のアナログな「ものごと」や「できごと」をデジタルに置き換える
Physical World
35. デジタル・トランスフォーメーションとは何か
35
デジタル トランスフォーメーション
“デジタル”を駆使して 変革する誰が? 何を? 何のために?
自分たち
事業主体
ビジネス・プロセス
ビジネス・モデル
企業の文化や風土
従業員の思考方法・行動様式
組織・体制・意志決定プロセス
事業の継続と成長
企業の存続
従業員の幸せ
パフォーマンスの向上
圧倒的競争優位の確保
不確実性の増大
予測不可能なビジネス環境 と 競争原理の流動化
状況
手段
圧倒的なビジネス・スピードの獲得
高速に見える化 高速に判断 高速に行動
対策
企業の存在意義を貫くこと
自分たちは何者なのか?いかなる価値を社会や顧客に提供するのか?
目的
40. DXとCXとEX
DX : Digital Transformation
デジタルを当たり前に使いこなし
その価値を最大限に活かせる
企業の文化や風土への変革
圧倒的なビジネス・
スピードを手に入れ
変化に俊敏に対応で
きるようになるため
企業の存続と成長AI クラウド
IoT
5G
データ
CX : Customer Experience
お客様の事業の成果に貢献し
お客様の社員の幸せを支える
お客様の価値を高めるため
共創
EX : Employee Experience
従業員のやり甲斐を与え
自己の成長の喜びを感じさせる
自社のPurpose(存在意義)を貫くため
働き方
改革
49. 改善・最適化戦略 / 変革戦略とDX
デジタイゼーション
Digitization
モダナイゼーション
RPA
リフト&シフト
改善・効率化
変化に合わせ既存ビジネス・モデルを
最適化・修正
改善・最適化戦略
デジタライゼーション
Digitalization
顧客価値の創出
企業文化の変革
ビジネス・モデルの変革
変革・再定義
変化を先取りし収益構造や業績評価基準を
再構築
変革戦略
組織の振る舞いや働き方の変革
デジタル・トランスフォーメーション
50. ITに求められる価値の重心がシフトする
Before DX時代のIT After DX時代のIT
人間が働く・ITが支援する ITと人間が一緒に働く
ITにできることは徹底してITに任せ
人間にしかできない目的やテーマ
の設定に人間は集中する
人間が働くことを前提に作られた
ビジネス・プロセスの効率や利便性
の向上をITが支援する
ITと人間がビジネス価値を創出
スピードとスケールを重視
変更に俊敏・継続的に進化
予測する・最適化する
ITが学ぶ・ITが判断する
人間がビジネス価値を創出
コストとパフォーマンスを重視
固定的で長期・安定稼働
処理する・記録する
人間が学ぶ・人間が判断する
ビジネス
役割
構築・運用
機能
知見・ノウハウ
65. システム利用形態の歴史的変遷
OSOS
AP AP APAP AP AP
3 2 1
1950年代〜/バッチ 1960年代〜/タイムシェアリング
メインフレーム メインフレーム
ミニコン
OS
AP AP AP
OS OS
VM VM VM
1970年代〜/仮想化(仮想マシン)
メインフレーム
ミニコン
OS
AP AP AP
OS OS
1980年代〜/分散化
ミニコン
PCサーバー
OS
AP AP AP
OS OS
VM VM VM
2000年代〜/仮想化(仮想マシン)
PCサーバー
クラウド
(IaaS)
OS
AP
設定
AP
設定
AP
設定
コンテナ コンテナ コンテナ
2015〜/コンテナ
PCサーバー
クラウド
(PaaS)
メインフレームの時代
オープン・システムの時代クラウドの時代
72. Chromebook
インターネット
データ
文書作成 表計算
プレゼン ・・・ ブラウザ
画面表示・入出力操作
通信
画面表示・入出力操作
通信
オフィス・アプリ
データ
文書作成 表計算
プレゼン ・・・
オフィス・アプリ
クラウドサービス Google Apps for workなど
ブラウザ
文書作成 表計算
プレゼン ・・・
PC / Windows・Mac OS など Chromebook / Chrome OS
81. クラウド・サービスの「作り方」による費用の違い
サーバー(物理マシン)×9台
+データベース等のライセンス
+インフラ、DBなどの環境構築
+運用管理業務
+設置場所(場所+電源+空調等)
購入費用 :数千万円
年間保守料 :数百万円
年間運用量 :数百万円
年間使用料 : ー
ハードウェアを所有 クラウド・サービスを使用
サーバー(仮想マシン)×9台
+データベース等のライセンス
+インフラ、DBなどの環境構築
+運用管理業務
× 設置場所(場所+電源+空調等)
購入費用 : ー
年間保守料 : ー
年間運用量 : ー
年間使用料 :254,980円
ハードウェアを所有する場合と変
わらないシステム構成と運用方法
実行環境を移行しただけ
システムの構成や運用方法などの設計・方式は同じ まったく異なる設計・方式
アンケート入力・集計・レポートのサービスとして、できることは同じ
サーバー(仮想マシン)×4台
購入費用 : ー
年間保守料 : ー
年間運用量 : ー
年間使用料 :198,691円
× データベース等のライセンス
△インフラ、DBなどの環境構築
△ 運用管理業務
× 設置場所(場所+電源+空調等)
無償のDNSや監視、低料金のデー
タベースなどのサービスを利用
一部をクラウドのサービスに代替
サーバーの構築・運用は不要
購入費用 : ー
年間保守料 : ー
年間運用量 : ー
年間使用料 :907円
× データベース等のライセンス
× インフラ、DBなどの環境構築
× 運用管理業務
× 設置場所(場所+電源+空調等)
サーバーレス方式と言われるまっ
たく異なる実行方式を採用
クラウド・ネイティブで再構築
ハードウェアを所有し、設置場所
とその運営も自社責任
88. セルフ・サービス・ポータル
調達・構成変更
サービスレベル設定
運用設定
・・・
数分から数十分
直近のみ・必要に応じて増減
経費・従量課金/定額課金
クラウド
システム資源のECサイト
見積書
契約書
メーカー
ベンダー
サイジング
調 達
費 用
数週間から数ヶ月
数ヶ月から数年を想定
現物資産またはリース資産
従来の方法
調達手配
導入作業
93. 徹底した標準化
大量購入
負荷の平準化
APIの充実・整備
セルフサービス化
機能のメニュー化
クラウド・コンピューティングのビジネス・モデル
クラウド・コンピューティング
オンデマンド
従量課金
自動化・自律化
システム資源
の共同購買
サービス化
低コスト 俊敏性 スケーラビリティ
SDI (Software Defined Infrastructure)
99. クラウド・サービスの区分
自社所有 IaaS
仮想マシン
CaaS PaaS FaaS
ユーザー企業が管理
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
SaaS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
ハードウェア
仮想マシン
コンテナ
管理機能
ミドルウェア
アプリケーション
OS
ランタイム
データ
IaaS
ベアメタル
クラウドサービス事業者が管理
連携機能
CaaS PaaS FaaS SaaS
103. クラウドに吸収されるITビジネス
103
アプリケーション・ビジネス
• ビジネス開発
• システムの企画
• システム設計
• プログラム開発・テスト
• 開発・テスト環境の構築
• 本番実行環境の構築
• セキュリティ対策
• 運用管理
• トラブル対応
ネットワーク・ビジネス
• ネットワークの設計
• ネットワーク機器の導入・設定
• セキュリティ対策
• 監視・運用管理
• トラブル対応
インフラ・ビジネス
• インフラの設計
• インフラ機器の導入・設定
• セキュリティ対策
• 監視・運用管理
• トラブル対応
クラウド・データセンター内
ネットワーク
クラウド・データセンター間
バックボーンネットワーク
5G通信網のタイムスライス
SIMによる閉域網
ローコード開発
Salesforce.com Lightning Platform
Microsoft PowerApps
AWS Honeycod
サーバーレス/FaaS・PaaS
コンテナ運用・管理マネージドサービス
SaaS
Oracle Dedicated Region @Cloud
AWS Outposts
Microsoft Azure Stack Hub
オンプレミス型マネージド・システム
アジャイル
開発
DevOps
OutSystems
Mendix
GeneXus
ローコード開発ツール
104. クラウド・ネイティブへのシフトが加速する
Oracle Dedicated Region @Cloud
AWS Outposts
Microsoft Azure Stack Hub
IBM Cloud Paks
Google GKE on-prem
Microsoft Azure Ark
IBM Cloud Satellite
Google Anthos
オンプレミス環境にパブリック・クラウドと
同等の環境を構築する製品やサービス
オンプレミスとパブリック・クラウドを
一元的に運用管理するサービス
ハイブリッド・クラウド
マルチ・クラウド
109. サイバー・セキュリティ対策の実践
109
事故の発生 事故の影響 受容
脅威 ぜい弱性 機密性
完全性
可用性対策
受容レベル
説明責任
コスト 影響
どこまでやればよいのかを?
対策コスト負担
3要件への影響
業務の受容レベル
最適な組合せ
情報セキュリティの3項目
機密性:情報を盗まれない。
完全性:情報をデタラメな内容に書き換えられない。
可用性:システムを停止・破壊され業務継続を妨げられない。
118. 社会基盤のシフト 「モノ」の価値のシフト
IoTがもたらす2つのパラダイムシフト
1. 現実世界のデジタル・データ化
2. ビッグデータを使ったシミュレーション
3. 現実世界へのフィードバック
1. 「ハード+ソフト」がネットワーク接続
2. モノとクラウド・サービスが一体化
3. システム全体で価値を生成
ハードウェア
ソフトウェア
ハードウェア
モノの価値は、
ハードウェアからソフトウェアへ
そしてサービスへとシフト
アナリティクス
人工知能+シミュレーション
アプリケーション
クラウド・サービス
ビッグデータ
現実世界のデジタルコピー
現実世界のデジタルデータ化
IoT
デジタル・ツインの実現 「モノ」のサービス化
インターネット
クラウド・サービス
CPS:Cyber-Physical System
122. 使 用
の現場 センサー コンピュータ ソフトウエア
モノ・製品
モノのサービス化の本質
ものづくり
の現場
開 発
製 造
保守
サポート
ソフトウェア
改修・更新
インターネット
直
結
・
連
係
127. ビジネス価値の進化
コア・ビジネス
既存ビジネス
蓄積されたノウハウ
確実な顧客ベース
付加価値ビジネス
収益構造の多様化
既存ノウハウの活用
顧客ベースの囲い込み
新規ビジネス
顧客価値の拡大
ノウハウの創出
顧客ベースの拡大
製造・販売製造・販売 製造・販売
走行距離に応じた
従量課金サービス
Pay by Mile
出力×時間に応じた
従量課金サービス
Pay by Power
工事施工
自動化サービス
Smart Constriction
建設機械
遠隔確認サービス
KOMTRAX
安全・省エネ運転
コンサルティング
予防保守・交換
燃料費節約
コンサルティング
予防保守・交換
128. モノのサービス化
128
TOYOTA MaaS / e-Palette Concept KOMATSU SMART construction
土木工事における作業の自動化と高度化を実現す
ることに加え、前後工程も効率化して、工期の短
縮に貢献できるパッケージ化したサービス
移動、物流、物販など多目的に活用できるモビリ
ティサービス(MaaS)と、これを実現する専用
次世代電気自動車(EV)
モノを売り収益を得るビジネス。サービスはモノ売りビジネスを支援する手段
サービスを提供し収益を得るビジネス。モノはサービスを実現なする手段
129. MaaS(Mobility as a Service)
129
電車 タクシー バス
レンタカー自家用車
配車サービス カーシェア 自転車シェア
電車 タクシー バス
レンタカー自家用車
配車サービス カーシェア 自転車シェア
MaaS
経路検索
支払
予約
配車手配
現 在 MaaS
あなたのポケットに全ての交通を個人で所有・個別に手配
手段の提供:マイカーの所有や個別の手配・予約ではできない最適化された「移動体験」提供
価値の実現:マイカー利用を減らし環境負荷の低減や移動の利便性・効率化を実現
132. 1G 2G 3G 4G 5G
音声 テキスト データ 動画
あらゆるモノがつながることを前提とした
社会課題の解決通信・コミュニケーションの性能向上
移動体通信システムの歴史
1979〜 1993〜 2001〜 2012〜
2020〜
9.6Kbps 28.8〜384Kbps 2.4〜14.4Mbps 0.1〜1Gbps
10Gbps〜
133. 5Gのビジネスの適用領域
データ量超増大 × 即時性向上
1通信あたりのデータの嵩が増える
リッチ化する:高精細や高音質になり臨場感、没入感
が増す
多角化する:同時に取り扱える情報の選択肢が増える
1通信あたりのデータの種類が増える
制御用の情報(センサーやカメラからの情報)が増え
る:自動○○が実現する
参考可能な情報(ログ情報)が増える:パーソナライ
ズのパターンが増える、レコメンドの精度が向上する、
対象への理解が深まる
タイムラグがほぼ無くなる
距離の制約が消える:各地に散らばる人たち同士で同
時に何かやる、今やった/起きたことをすぐに取り込
んですぐ活かす
社会(利便性)向上系
医療分野
超高信頼低遅延通信の実現で移動中や遠隔地の高度診療が可能になり、
医療格差が解消される
農林水産分野
超大量端末同時接続の実現で作物や家畜などの状況を把握するセン
サーと散水・薬剤散布や給餌を実施するロボットやドローンの制御が
可能になり、減少する従事人口を補える
土木建築分野
超大量端末同時接続と超高信頼低遅延通信の実現によって遠隔制御が
可能になり、危険度が高い高所・鉱山・災害地などの現場での安全な
作業が確保でき、またドローンの活用による高精度測量などの精度が
向上する
生活分野
自動運転と遠隔制御によって、細分化された公共交通が実現する
センサー情報を駆使して状況を把握する店舗運営が可能になる
遠隔授業や家庭教師の実現によって、学習格差が解消される
大量センサーと自動判定AIによって、防災・防犯・減災力が向上
VRオフィスとテレワークが実現する
コンテンツ向上系
スポーツの場合⇒体験が深くなる
自動制御が可能になってカメラ台数を一気に増やせることで、多地
点・ドローンなどによる多角度撮影ができるようになる
取得データの種類が増え分析できる情報が増えることで、選手のバイ
タルデータ・顧客のバイタルデータ・環境データが取得できるように
なる
AIが発達することでデータの有効活用レベルが上がり、多角的な分析
結果を提示できるようになる
エンタメの場合⇒現実を超える仮想実現へ
即時性が向上することで出演者の居場所を問わない制作環境を実現さ
せることや、同時多人数対応の参加型体験の提供ができるようになる
スポーツ&エンタメに共通
1通信あたりの送信データの嵩が増え、高画質・高音質・8K360°リ
アルタイムな高臨場感映像が提供できるようになり、また視聴者に合
わせた多種多様な映像・情報を提供できるようになる
生活者データ・ドリブン・マーケテイィング通信より https://seikatsusha-ddm.com/article/10129/
137. 第5世代通信の適用例
高速・大容量データ通信
10G〜20Gbpsのピークレート
どこでも100Mbps程度
大量端末の接続
現在の100倍の端末数
省電力性能
超低遅延・超高信頼性
1m秒以下
確実な通信の信頼性担保
5G
多様なサービスへの適用を可能にする
異なる要件のすべてを1つのネットワークで実現する。
各要件をに応じてネットワークを仮想的に分離して提供する(ネットワーク・スライシング)。
2020年代〜
2時間の映画を
3秒でダウンロード
ロボット等の
精緻な遠隔操作を
リアルタイムで実現
自宅内の約100個のモノ
がネットに接続
(現行技術では数個)
現在の移動通信システムより
100倍速いブロードバンドサー
ビスを提供
利用者がタイムラグを意識
することなく、リアルタイ
ムに遠隔地のロボット等を
操作・制御
スマホ、PCをはじめ、身の
回りのあらゆる機器がネッ
トに接続
148. 148
ある ない
ある ない
ある ない
ある
(少ない学習データ)
ある
(膨大な学習データ)
高い 低い
(ひとつの知的処理に特化)
高い 低い
低い 高い
人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識
しているが、機械には身体がないのでそれができない。
自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか
る心の働きである意識により、人間は様々な知的処理を同時に実行し、
それを統合・制御しているが、機械にはできない。
人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を
成し遂げようとする意志を持っているが、機械にはない。
人間は少ない学習データからでも効率よく学習できる能力をそなえてい
るが、機械は膨大な学習データとそれを処理できる膨大な計算能力(消
費エネルギー)を必要とする。
人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知
的処理に特化している。
人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ
ることができるが、機械にはそれができない。
人間の場合、1千億個のニューロンによる超並列処理がおこなわれてい
るが、その数を増やすことはできない。しかし、機械のプロセッサーは
増やすことはできる。
人間の知性と機械の知性
意識
身体性
意志
学習能力
汎用性
可塑性
スケーラ
ビリティ
高い 低い
人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを
消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、
GoogleのAlphaGoの消費電力は25万ワット/時とされている。
エネルギー
効率
ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能
であり、記憶内容やメカニズムは必ずしも同じではない。
記憶能力
機
能
的
特
徴
器
質
的
特
徴
人間の知性 機械の知性 補足説明
151. 人工知能と機械学習の関係
151
人工知能 Artificial Intelligence/AI
機械学習 Machine Learning
ニューラル・ネットワーク
Neural Network
深層学習
Deep Learning
人間の”知能”を機械で
人工的に再現したもの
強いAI:コンピュー
タに人間と同様の知
能を持たせた仕組み
弱いAI:コンピュー
タに人間と同様の知
的な振る舞い・処理
をさせる仕組み
データからグループ分
けのためのルール(モ
デル)を作る仕組み
脳の仕組みを参考に作
られた機械学習の手法
従来よりも精度の高いモ
デルを作ることができる
ニューラル・ネットワー
クの手法
遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、
ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル
ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
データ
プログラム
モデル
154. ルールベースと機械学習
Sheep Dog
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Mop
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Sheep Dog
を見分ける仕様
やルール
0101011101010
1110101001011
1110010101010
Mop
を見分ける仕様
やルール
0111100101010
1101010001010
1110100100101
人間が記述 データから生成
GoogleのAI学習教材より
158. 一般的機械学習とディープラーニングとの違い
158
耳 27%
目 48%
口 12%
特徴量
「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴
正しく認識 82%
誤った認識 18%
認識結果
耳 27%
目 48%
口 12%
特徴量
学習
ディープラーニング
学習
推論
ディープラーニング
推論
正しく認識 82%
誤った認識 18%
認識結果
人間が認識結果が
最適になる組合せを
見つける
機械が認識結果が
最適になる組合せを
見つける
学習データ
教師付きデータ 学習データの一部
評価データ
160. 自動化ツール
Google Cloud AutoML
Microsoft Azure ML
AWS SageMaker など
AIと人間の役割分担
データを準備
意志決定
学習方式の選択
パラメーターの調整
可視化・分類・予測
問いを生みだす
解決したいこと・知りたいことを決める
膨大なデータの中から、人間
の経験に基づく先入観なしに
規則、相関、区分を見つける
新たな問いを生みだす
判断・制御
モデル
公式・ルール・関数など