Contenu connexe Similaire à LiBRA 11.2018 / 総集編 (20) Plus de Masanori Saito (20) LiBRA 11.2018 / 総集編15. コンピュータ誕生の歴史
バベッジの解析機関(未完成)
蒸気機関で駆動
プログラム可能な最初のコンピュータ
パンチカードでプログラムとデータを入力
出力装置(プロッタ・プリンタ)も設計
論文「計算可能数について」
コンピュータの原理を数学的に定式化
コンピュータの動作原理モデルを設計
(チューリング・マシン)
ENIAC
エッカートともモークリーにより開発
真空管による電子式コンピュータ
プログラムは大変面倒なパッチパネルで設定
弾道計算を高速で行うため
EDVAC
エッカートともモークリーにより開発
プログラム内蔵式の最初の機械
現在のコンピュータの基本原理を実装した最初
の機械(ノイマン型コンピュータ)
磁気テープ読取/書込装置を装備/1953年・パン
チカード装置、1954年・磁気ドラムメモリ、
1958年・浮動小数点演算装置を追加
ENIACの課題と改善方法を報告
電子回路でチューリング・マシンが実現できる
ことを数学的に証明
どのように作ればいいかの原理を設計
(ノイマン型コンピュータ)
1836年に最初の論文
1946年
1936年 1945年
1949年(〜1961年まで稼働)1822年
バベッジの階差機械
蒸気機関で駆動
歴史上最初の機械式用途固定計算機
(カリキュレータ)
汎用性(多項式の数表を作成するよう設計、
対数も三角関数も多項式にて近似)
プリンターにて数表を印字
28. デジタル・トランスフォーメーションの実際
World’s largest taxi
company,
Owns no vehicles.
World’s most popular
media owner,
Creates no content.
World’s most valuable
retailer,
Has no inventory.
World’s largest
accommodation provider,
Own no real estate.
世界最大のタクシー会社ですが、
車両は一台も所有していません。
世界一有名なメディアですが、
コンテンツは作りません。
世界で最も種類が豊富な商店ですが、
在庫は一切ありません。
世界最大の旅行代理店ですが、
不動産は一切所有していません。
自前の資産を
持たない/小さい
対象とする市場は
最初からグローバル
サービスが
プラットフォーム
デジタル・ディスラプター(デジタル・テクノロジーを駆使した破壊者)
29. デジタル・ディスラプターの創出する新しい価値
コスト・バリュー
無料/超低価格
購入者集約
価格透明性
リバース・オークション
従量課金制(サブスクリプション)
エクスペリエンス・バリュー
カストマー・エンパワーメント
カストマイズ
即時的な満足感
摩擦軽減
自動化
プラットフォーム・バリュー
エコシステム
クラウド・ソーシング
コミュニティ
デジタル・マーケットプレイス
データ・オーケストレーター
自前の資産を
持たない/小さい
対象とする市場は
最初からグローバル
サービスが
プラットフォーム
デジタル・ディスラプター(デジタル・テクノロジーを駆使した破壊者)
41. DXを支えるテクノロジー
アプリケーション
プラットフォーム
インフラストラクチャー
デバイス
AR(拡張現実) / VR(仮想現実) / MR(複合現実)
Augmented Reality / Virtual Reality / Mixed Reality
ディープラーニング(深層学習)と関連技術(深層強化学習/DQN、敵対的ネットワーク/GANなど)
Deep Learning
ブロックチェーン
Block Chain
HTAP(OLTP/業務系・基幹系とOLAP/分析系の実行基盤を統合)
Hybrid Transaction and Analytics Processing
LPWAネットワーク
Low Power,Wide Area Network
5G通信
5th Generation
エッジ・コンピューティング(デバイス側での学習や推論/高機能演算)
Edge Computing
量子コンピュータ
Quantum Computer
〜2017 2018 2019 2020 2021〜
42. DXを実現する4つの手法と考え方
現場に足を運ぶ 現物を手に取る 現実を自分で確認する
デザイン思考 リーン・スタートアップ アジャイル開発 DevOps
デザイナー的なクリエイティ
ブな視点で、ビジネス上の課
題を解決する
最小限の機能に絞って短期間
で開発しフィードバックをう
けて完成度を高める
ビジネスの成果に貢献するシ
ステムを、バグフリーで変更
にも柔軟に開発する
安定稼働を維持しながら、開
発されたシステムを直ちに・
頻繁に本番環境に移行する
共感(Emphasize)
問題定義(Define)
創造(Ideate)
プロトタイプ(Prototype)
検証(Test)
構築(Build)
計測(Measure)
学習(Learn)
開発と運用の協調
自動化ツールの整備
継続的デリバリー
(Continuous Delivery)
反復/周期的(Iterative)
漸進的(Incremental)
適応主義(Adaptive)
自律的(Self-Organized)
多能工(Cell Production)
イノベーションとビジネス・スピードの融合
イノベーションの創発 ジャスト・イン・タイムで提供
+ エスノグラフィー
57. 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
59. 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)
67. クラウドの分類と関係
個別システム
ホステッド
プライベート
クラウド
SaaS(Software as a Service)
PaaS(Platform as a Service)
IaaS(Infrastructure as a Service)
SaaS
PaaS
IaaS
プライベート・クラウド
パブリック・クラウド/クラウド事業者資産を使用
オンプレミス・システム/自社資産として所有
ハイブリッド・クラウド
プライベートとパブリックの連係・組合せ
マ
ル
チ
・
ク
ラ
ウ
ド
複
数
の
パ
ブ
リ
ッ
ク
を
連
係
・
組
合
せ
73. 構築事例:AWSサービスを活かしたアーキテクチャ
EC2
Internet
クライアント
Elastic Load
Balancing
EC2
冗長化
EC2
EC2
冗長化
Web AP DB
DNS
Route 53に
設定するのみ
死活監視のソフトウェア不要
基本的に無料/アラーム設定でメール通知
DBMSはインストール不要
Oracle、SQL Server等のライセンス料込
EC2の接続先を変更するだけ
冗長構成はMulti-AZを選択するのみ
EC2:4台
365日24時間稼働:$700.8
ELB:2台
365日24時間稼働:$473.04+α
RDS:
365日24時間稼働:$455.52
Route53:
1年間:$26.4(最少)
リージョン:東京
<EC2>
インスタンスタイプ:t2.micro
(最少)
料金:$0.020/1時間
<ELB>
料金:$0.027/1時間
+$0.008/1GB
<RDS>
インスタンスタイプ: t2.micro
(最少)
年間:約$1655.76
約198,691円
Cloud
Watch
Route 53
RDS(Master)
RDS(Slave)
DynamoDB
セッション
管理
※2015/3/20時点
96. 仮想化の役割 1/2
必要とされるシステム(機能)構成A 必要とされるシステム(機能)構成B 必要とされるシステム(機能)構成C
分割 集約 模倣
仮想化
実質的機能
使用目的に応じて必
要とされるシステム
を調達・構成する。
物理的な設置・据え付
け作業を必要とせず、
ソフトウエアの設定だ
けで、必要とするシス
テム構成を調達・変更で
きる。
柔軟性とスピード
演算 データ管理 ネットワーキング
サーバー ストレージ
システム資源
ネットワーク機器
物理的実態
ハードウェア
プラットフォーム
設備
標準化されたハード
ウェアやソフトウエア
を大量に調達してシス
テムを構成し、運用を
自動化・一元化する。
コスト・パフォーマンス
物理時実態から
実質的な機能や
性能を取り出す
物理インフラを
ソフトウェア化
97. 仮想化の役割 2/2
必要とされるシステム(機能)構成A 必要とされるシステム(機能)構成B 必要とされるシステム(機能)構成C
仮想化物理時実態から
実質的な機能や
性能を取り出す
実質的機能
使用目的に応じて必
要とされるシステム
を調達・構成する。
物理的な設置・据え付
け作業を必要とせず、
ソフトウエアの設定だ
けで、必要とするシス
テム構成を調達・変更で
きる。
柔軟性とスピード
サーバー ストレージ
システム資源
ネットワーク機器
物理的実態
ハードウェア
プラットフォーム
設備
標準化されたハード
ウェアやソフトウエア
を大量に調達してシス
テムを構成し、運用を
自動化・一元化する。
コスト・パフォーマンス
物理的実態の持つ機能や性能を抽象化*し
その組合せや変更などの操作を物理的実態から分離することで
構築や運用の自由度を高め柔軟性とスピードを向上させる技術
*「抽象化」とは、対象から本質的に重要な要素だけを抜き出して、他は無視すること。
物理インフラを
ソフトウェア化
107. 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
116. 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
CPS社会の実現 「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
120. 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
121. 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
122. モノのサービス化
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
130. 5Gの適用範囲
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
133. LPWA(Low Power Wide Area)ネットワークとは
低 速
最大数十キロbps
低消費電力
規定の電池容量で数ヶ月から数年使用可
広域通信
基地局から数キロから数十キロをカバー
低コスト
@10円/月程度からの使用料
利点 制約
134. LPWA(Low Power Wide Area)ネットワークの位置付
け
134
0.01 1 10 100 Mbps
km以上
100m
1m
10m
LPWA
SIGFOX
LoRaWAN
NB-IoT
無線LAN(Wi-Fi)
Bluetooth
Wi-SUN
ZigBee
Z-Wave
NFC
4G/LTE
高消費電力低消費電力
データ転送速度
通信距離
http://businessnetwork.jp/Detail/tabid/65/artid/5106/Default.aspx
135. LPWAネットワークの位置付け
SIGFOX
上り:100bps
下り:600bps
料金:100円〜/年
LoRaWAN
上り:3kbps
下り:3kbps
料金:360円〜/年
NB-IoT
上り:27kbps
下り:63kbps
料金:10〜300円/月
通
信
料
金
回線速度
http://businessnetwork.jp/Detail/tabid/65/artid/5106/Default.aspx
*利用する月間データ量による
137. ソフトバンクのIoT通信サービス
137
規格名 特徴 技術仕様 周波数
最大通信速度
用途
(下り/上り)
NB-IoT 低価格化・省電力化に特化し、LTEと共存可能
3GPP
LTEバンド
27kbps/63kbps
スマートメーター
やパーキングメー
ターなどRelease 13
Cat. M1
LTEの一部の周波数帯域のみを利用して通信モジュール
の低価格化・省電力化を実現。音声通話にも対応
0.8Mbps/1Mbps
エレベーターや運
送管理など
1. ソフトバンクのIoTプラットフォームと併用する場合(1回線当たり)
プランA プランB プランC プランD
月額通信料 10円 20円 50円 200円
月間データ量 10KBまで 100KBまで 600KBまで 2MBまで
超過データ通信料 0.6円/KB 0.4円/KB 0.3円/KB 0.2円/KB
2. ソフトバンクの通信ネットワークのみを利用する場合(1回線当たり)
単体プランA 単体プランB 単体プランC 単体プランD
月額通信料 100円 150円 200円 300円
月間データ量 10KBまで 100KBまで 600KBまで 2MBまで
超過データ通信料 1円/KB 0.5円/KB 0.4円/KB 0.3円/KB
138. Wi-SUN
138
Wireless Smart Utility Networkの略で、「Smart Utility Network」とは、ガスや電気、水
道のメーターに端末機を搭載し無線通信を使って、効率的に検針データを収集する無線通信シ
ステム
サブギガヘルツ帯と呼ばれる900MHz前後の周波数帯の電波で通信。日本では2012年、
920MHz帯が免許不要で利用できる帯域として割り当てられている。
無線LANなどで利用される2.4GHz帯と比べ、障害物などがあっても電波が届きやすく、他の
機器などからの干渉も少ない周波数帯。
139. LPWA(Low Power Wide Area)ネットワーク 通信規
格一覧
139
http://itpro.nikkeibp.co.jp/atcl/column/16/071500148/072000003/
148. 第3次AIブームの背景とこれから
1960 1970 1980 1990 2000 2010 2020 2030
第1次AIブーム
推論・探査など
ゲームや迷路などに
用途は限られ実用性は
無かった
第2次AIブーム
ルールベースなど
エキスバーとシステムと
して実用化されたが汎用
性が無かった
第3次AIブーム
機械学習(統計確率論や深層学習など)
汎用性、実用性が高まり、様々な分野の適用
が期待されている
大型コンピューター
メインフレーム
パーソナル・コンピューター
スマート
フォン
IoT
ビッグデータ時代の到来
ARPAnet 米国・インターネット
商用利用開始
日本・インターネット
商用利用開始(IIJ)
World Wide Web
が開発され公開
画像が扱えるWWWブラウザー
Mozaicが開発され公開
Windows95発売
IEが付属し、ブラウザーでの
インターネット利用者が拡大
ISLVRCにて
ディープラーニング圧勝
1969 1990 1993
1995
2012
Googleによる
猫認識
2011
Jeopardyにて
IBM Watson勝利
電脳将棋
竜王戦 開始
1997
チェス・チャンピオンに勝利
IBM Deep Blue
2007
iPhone
発売
1981
IBM PC 5150
発売
汎用人工知能
Artificial General Intelligence
登場の可能性
ムーアの法則/コンピュータ性能の加速度的向上1965〜
ムーアの法則の限界/新たな選択肢の登場
GPGPU、ニューロモーフィング・チップ
量子コンピュータ等
IBM S/360
メインフレーム
1964
ニューラル
ネットワーク
考案
Intel 404
マイクロプロセッサ
1971
データ流通量
1957
1956
ダートマス
会議
1982
第5世代
コンピュータ
プロジェクト
151. 「人工知能」と言われるものの4つのレベル
151
単純制御:指示されたことをそまま行う
予め定められたルールに従い制御する(人工知能搭載○○)。
気温が上がるとスイッチを切るエアコン
洗濯物の重さで洗濯時間を自動的に変更する洗濯機
ひげの伸び具合で剃り方を変える電気シェーバーなど
ルールベース:指示されたことを自ら考えて実行する
外の世界を観測することによって振る舞いを変える。
振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。
「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、
これからの打ち手を探索して打つことができる囲碁や将棋のシステム
与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム
機械学習:着眼点は人間が教え、対応パターンを自動的に学習する
人間があらかじめルールを細かく決めて組み込んでおかなくても、
大量のデータから対応パターンを自ら見つけ出す。
ただし学習のための着眼点(特徴量)は人間が設計。
「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、
対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム
診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム
深層学習:着眼点を人間が教えずに、対応パターンを自動的に学習する
学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、
対応のパターンを見つけ出す。
一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、
ということを自分で見つけ出すことができる医療診断システム
状況に応じて、最適な判断をおこなう自動運転の自動車
レ
ベ
ル
1
レ
ベ
ル
2
レ
ベ
ル
3
レ
ベ
ル
4
152. 各時代のAI(人工知能)と呼ばれるもの
ルールとゴールが決められているゲームの中
で、コンピュータがなるべくゴールにたどり
つけるように選択肢を選んでいくもの。
できること:
パズルや迷路を解く
数学の定理を証明する
チェスを指す など
トイプロブレムから脱却し、現実の問題を解
くために専門家(エキスパート)の知識をコ
ンピュータに移植することで現実の複雑な問
題を解かせようとするもの。
できること:
患者の症状から病名を特定する
起こっている現象から、機械の故障を診断する
患者の症状から、細菌感染の診断をする
人間がルールを与えるのではなく、データを
分析することで、そこに含まれるパターンを
見つけ出し、機械にルールを獲得させるもの。
できること:
画像を認識して分類する
自然な表現の文章に翻訳する
CTやレントゲン写真から癌の病巣を発見する
推論と探索
ルールベースと
エキスパートシステム
ディープ・ラーニング
を含む統計的機械学習
第一次AIブーム
第二次AIブーム
第三次AIブーム
1960年代
1980年代
2010年代
帰納法:事実や事例(データ)から導き出される傾向から結論を導く方法
演繹法:人間の経験や観察による一般的かつ普遍的な事実から結論を導く方法
ルールとゴールが厳密に決まっ
ていることが前提。ルールが記
述しきれず、ルールやゴールが
曖昧である現実世界では役にた
たない(トイプロブレム/おも
ちゃの問題)。
ルールとして教え込まなければ
ならないし、互いに矛盾する
ルールも出てくると処理できな
い。また、教えていない例外的
な事例が出てくると対処できな
い。
画像処理、音声認識、証券取引
といった用途ごとに特化した技
術が現状。人間の知能のように
汎用的で、意識や心も宿すよう
な技術ではない。
171. 機械学習の仕組み/学習が不十分な状態
四角い 丸い 尖ってる 光沢
40% 60% 40% 60%
リンゴである確率
(40%+60%+40%+60%)/4
50%
四角い 丸い 尖ってる 光沢
40% 50% 50% 60%
イチゴである確率
(40%+50%+50%+60%)/4
50%
リンゴ or イチゴ?
<特徴量>
172. 機械学習の仕組み/学習が十分な状態
四角い 丸い 尖ってる 光沢
10% 90% 20% 80%
リンゴである確率
(90%+80%)/4
85%
四角い 丸い 尖ってる 光沢
10% 70% 90% 30%
イチゴである確率
(70%+90%)/2
80%
リンゴ or イチゴ?
リンゴ イチゴ
<特徴量>
173. 人工知能・機械学習・ディープラーニングの関係
1950年代 1960年代 1970年代 1980年代 1990年代 2000年代 2010年代
人工知能
Artificial Intelligence
機械学習
Machine Learning
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
人工知能の研究分野のひとつで
データを解析し、その結果から
判断や予測を行うための規則性
やルールを見つけ出す手法
脳科学の研究成果を基盤にデー
タの分類や認識の基準を人間が
教えなくても、データを解析す
ることで、自ら見つけ出すこと
ができる機械学習の手法
データ
アルゴリズム
規則性やルール
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