AI を道具として使うための基礎知識 - Microsoft AI
•Télécharger en tant que PPTX, PDF•
3 j'aime•1,018 vues
技術としての基本や、その応用例を考えるための情報です。
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à AI を道具として使うための基礎知識 - Microsoft AI
Similaire à AI を道具として使うための基礎知識 - Microsoft AI (20)
Plus de Daiyu Hatakeyama
Plus de Daiyu Hatakeyama (20)
Dernier
Dernier (7)
AI を道具として使うための基礎知識 - Microsoft AI
- 1. Microsoft AI - 道具としての AI を理解するために - 畠山 大有 | Daiyu Hatakeyama | dahatake Architect && Software Engineer && Applied Data Scientist (目指している) Microsoft Japan
- 3. 言語
- 5. Text (OCR) “(1) Validate enrichment pipeline”
- 6. Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”
- 7. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.”
- 8. デジタル化
- 10. John F. Kennedy (JFK) November 22, 1963 http://aka.ms/jfkfiles
- 13. United States United States Canada Mexico Venezuela Colombia Peru Bolivia Brazil Argentina Atlanta Ocean Algeria Mali Niger Nigeria Chad Libya Egypt Sudan Ethiopia Dr Congo Angola Zambia Nambia South Africa Greenland Svalbard Sweden Norway United Kingdom France Poland Ukraine Turkey Saudi Arabia Iran Kazakistan India Russia China Myanmar (Burma) Indian Ocean Indonesia Australia Pacific Ocean Pacific Ocean Data centerOwned capacity Future capacity Leased capacity Edge site DCs and network sites not exhaustive
- 14. 50% 60% 100% 1 2 3 Microsoft Clean and Renewable Energy Targets Series2 Series1
- 16. Azure Bot Service Azure Cognitive Services Azure Cognitive Search Azure Databricks Azure Machine Learning Pre-Trained ModelAI apps & agents Custom Build
- 18. Cognitive Services 概要 視覚 この画像・動画 には何が写って いる？ Computer Vision (画像認識) Custom Vision (独自の画像を追加学習) Video Indexer (動画話者認識、字幕生成・検索) 会話 一番近い オフィスまでの 道順を教えて Speech service (音声をテキストに変換/ テキストを音声に変換/翻訳) Custom Speech/Custom Translator (独自の単語・名称を カスタム学習) 音声をテキストに変換 テキストを音声に変換 ユーザーの意図を抽出 今日のお客様と の打ち合わせの 録音を再生して Language Understanding (自然言語処理) 再生中 2018/10/09 お客様打ち合わせ Intent: PlayCall お客様用会議室を 予約したい QnA Maker (既存 FAQ を 読み込んで Q&A Bot を作成) 検索 不正利用防止 を検索して Cognitive Search / Azure Search (文書や画像を自然言語検索) 以下が見つかりました: It also investigates the top three expected Fraud Detection and Prevention programs, in terms of demand in key markets... First, let’s point out that there is not one absolute answer—there are “pros” and “cons” to each. Those who favor in-house… Michael heads fraud prevention tool. Online and mobile shopping are expected to continue growing apace… ユーザーの意図を抽出 言語
- 19. 1. 課題の特定 2. データの取得と加工 3. モデルの設計 4. モデルの作 成 5. モデルの テストと評価 a. 初期化 b. データセットからミニバッチ データ取得 c. 損失(差分)を計算d. 最適化: 損失(差分)の最小 化 e. 重みづけの更新 y =Wx + b loss = |desired – actual outcome|δ 6. 展開と推論 a. ログ収取
- 20. ドメイン特化の トレーニング 済みモデル ソリューションへ迅に組み込む Azure Databricks Machine Learning VMs Popular framework 拡張性の高い Deep Learning ソリューションの開発 TensorFlowPyTorch ONNX Azure Machine Learning LanguageSpeech … SearchVision 生産性をあげる サービス データサイエンティスト と エンジニアのチーム開発のコラボレーション 強力なクラウド インフラ Deep Learning の処理を加速させる Scikit-Learn 使い慣れた データサイエンティスト のための ツール 独自モデル開発を迅速かつシンプルに CPU GPU FPGA From the Intelligent Cloud to the Intelligent Edge Azure Notebooks JupyterVisual Studio Code Command line
- 21. 簡単 • ブラウザだけですぐに始められる • 複雑なモデルを GUI 操作だけで実装 • 作成したモデルをボタン1つでWeb サービス化 • 分析の一連の過程（試行錯誤の過程） はプロセスフローとして可視化 連携 • R/Pythonとのハイブリッド利用 • 各種ストレージ、データベースの入出 力 • Power BI / App Service との連携 • “AI Gallery の活用”
- 24. Azure Cloud Services Compute (Container) / Storage Python SDK データの加工 モデルの学習 モデルの管理 モデルの展開
- 25. この車の妥当な価格は?
- 26. Mileage Condition Car brand Year of make Regulations … Parameter 1 Parameter 2 Parameter 3 Parameter 4 … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Mileage Gradient Boosted Criterion Loss Min Samples Split Min Samples Leaf Others Model Which algorithm? Which parameters?Which features? Car brand Year of make 試行錯誤
- 27. Criterion Loss Min Samples Split Min Samples Leaf Others N Neighbors Weights Metric P Others Which algorithm? Which parameters?Which features? Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Nearest Neighbors Model 繰り返し Gradient BoostedMileage Car brand Year of make Car brand Year of make Condition
- 28. Mileage Condition Car brand Year of make Regulations … Gradient Boosted Nearest Neighbors SVM Bayesian Regression LGBM … Gradient Boosted SVM Bayesian Regression LGBM Nearest Neighbors Which algorithm? Which parameters?Which features? 繰り返し Regulations Condition Mileage Car brand Year of make
- 31. Early terminate poorly performing runs
- 32. 70%95% Feature importance Mileage Condition Car brand Year of make Regulations Model B (70%) Mileage Condition Car brand Year of make Regulations Feature importance Model A (95%)
- 36. 定義： Big data is a term for data sets that are so large or complex that traditional data processing application software is inadequate to deal with them. ビッグデータとは、従来のデータ処理アプリケーションソフトウェアが扱うには不十分 な、 非常に複雑なデータセットの用語です。 課題： Big data challenges include capturing data, data storage, data analysis, search, sharing, transfer, visualization, querying, updating and information privacy. ビッグデータの課題として、データのキャプチャ、データストレージ、データ分析、検 索、共有、転送、 ビジュアライゼーション、クエリ、更新、情報のプライバシーが含まれます。https://en.wikipedia.org/wiki/Big_data
- 37. ServeStore Prep and trainIngest Batch data Streaming data Azure Kubernetes service Power BI Azure analysis services Azure SQL data warehouse Cosmos DB, SQL DB Azure Data Lake Storage Azure Data Factory Azure Event Hubs Azure Databricks Azure Machine Learning service Apps Model Serving Ad-hoc Analysis Operational Databases
- 41. Joy Buolamwini, MIT Dr. Timnit Gebru, Google
- 42. Woman Dark Skin Woman Light Skin Man Dark Skin Man Light Skin 2018 MS Face API Error Rate 20.8% 1.7% 6.0% 0.0% 2019 MS Face API Error Rate 1.5% 0.3% 0.3% 0.0%
- 43. Woman Dark Skin Woman Light Skin Man Dark Skin Man Light Skin 1.52% .34% .33% 0% 304,000 68,000 66,000 0 公平なのか? NYC の著名なデパートには 毎年 2,000万人もの人が来店する 50%ずつの性別と肌の色と仮説す る 小売業向けの性別 Classifier 誤差率が小さくとも、相対的な違いに注目
- 44. Bias 人 作られる
- 47. GUI で誰でもできる 襟あり RALPH LAUREN Cognitive Services Custom Vision
- 50. © 2019 Microsoft Corporation. All rights reserved. 本情報の内容（添付文書、リンク先などを含む）は、作成日時点でのものであり、予告なく変更される場合があります。