http://www.devfesta.jp/ マイクロソフトのパブリック クラウド プラットフォーム「Microsoft Azure」は、データ処理/分析に関連する幅広い機能 (データ ウェアハウス、ドキュメントDB、データ レイク、Hadoop/Spark、リアルタイム ストリーム処理、データ連携など) を提供しています。中でも、Webベースのツールを使って機械学習モデルを構築し、それをWebサービスとして簡単にデプロイできるクラウド ベースの機械学習サービス「Azure Machine Learning」は、注目を集めています。本セッションでは、機械学習とは何か、Azure Machine Learningの活用できるかについて、デモや マイクロソフトの女子高生AI「りんな」の事例も交えて分かりやすくご紹介します。 CortanaとSiriはどう違う？：MSリサーチアジア所長の洪小文氏に訊く http://japan.zdnet.com/article/35073647 Microsoft Research AI分野の研究開発の取り組み (11/9) http://ascii.jp/elem/000/001/079/1079132/ http://techon.nikkeibp.co.jp/atcl/news/15/111201141/?P=1 http://news.mynavi.jp/column/compass/052/ http://news.mynavi.jp/articles/2015/11/10/microsoft/ http://news.mynavi.jp/articles/2015/11/11/microsoft_ai/ りんな http://rinna.jp/ http://logmi.jp/92206 http://itpro.nikkeibp.co.jp/atcl/column/14/090100053/082700080/ アルファベット文字認識 Sample 7: Train, Test, Evaluate for Multiclass Classification: Letter Recognition Dataset http://gallery.cortanaanalytics.com/Experiment/bbe8503e4740473a9836aae6a914e3c0 Azure Machine Learningドキュメント https://azure.microsoft.com/ja-jp/documentation/services/machine-learning/ Azure Machine Learning Studio https://studio.azureml.net/

1. 日本マイクロソフト株式会社 Azure テクノロジスト
佐藤 直生 / @satonaoki
Developers Festa Sapporo 2015
Azure Machine Learningで
機械学習を始めよう

4. Platform Services
Security &
Management
Infrastructure Services
Web Apps
Mobile
Apps
API
Management
API
Apps
Logic
Apps
Notification
Hubs
Content Delivery
Network (CDN)
Media
Services
HDInsight Machine
Learning
Stream
Analytics
Data
Factory
Event
Hubs
Mobile
Engagement
Active
Directory
Multi-Factor
Authentication
Automation
Portal
Key Vault
Biztalk
Services
Hybrid
Connections
Service
Bus
Storage
Queues
Store /
Marketplace
Hybrid
Operations
Backup
StorSimple
Site
Recovery
Import/Export
SQL
Database
DocumentDB
Redis
Cache Search
Tables
SQL Data
Warehouse
Azure AD
Connect Health
AD Privileged
Identity
Management
Operational
Insights
Cloud
Services
Batch Remote App
Service
Fabric Visual Studio
Application
Insights
Azure SDK
Team Project
VM Image Gallery
& VM Depot

6. データの爆発

7. バッファつきの
データ入力
Microsoft Account
Purchases
$1.00 Halo Spartan Assault
$1.00 Halo Spartan Assault
ホットストア
評価
保存・蓄積
分析用ストア
抽出・加工 データ利用者
イベント加工
イベント処理
バッチ
リアルタイム
ラムダ アーキテクチャ

8. バッファつきの
データ入力
Microsoft Account
Purchases
$1.00 Halo Spartan Assault
$1.00 Halo Spartan Assault
ホットストア
評価
保存・蓄積
分析用ストア
抽出・加工 データ利用者
イベント加工
イベント処理
バッチ
Event Hubs
Machine
Learning HBase
SQL Database
~500GB
Data Lake
Store ~ EB
SQL Data
Warehouse
~ PB
Azure Data
Factory
HDInsight
(Hadoop) /
Data Lake
Analytics
Stream
Analytics
ラムダ アーキテクチャ と Azure
リアルタイム

9. なぜ
起こったのか?
これから
何が起こりそうか? す
何が
起こったのか?
最適な
行動を
判断する
ための
情報

10. Power BI
Machine Learning
SQL Data
Warehouse
HDInsight
Data Lake Analytics
Data Lake Store
Stream Analytics
Data Factory
Data Catalog
Event Hubs
情報管理
ビッグ
データ
機械学習 分析

11. Cortana Analytics Suite
データ
業務
アプリ
一般
アプリ
センサー /
デバイス
インテリジェンス アクション
人
自動化
された
システム

13. • Azure Machine Learning の位置づけの理解
• タイプ別、最低限おさえておきたい使い方
• 機械学習がIT業界にもたらす変化

14. データ活用領域
Hindsight
（見える化）
データ活用度
種類
規模
Insight
（気づき）
Foresight
（予測）
単独システムのデータ 複数システムのデータ 社外データとの連携
② 手軽に始めるクラウドベースの機械学習
• 豊富なアルゴリズムを用いて機械学習を試せる環境を時間単位で手軽に利用可能
• 構築したモデルを他のシステムと連携（API 公開）により直ぐに利用可能
API公開
Azure Machine Learning
① Excel ベースの強力な BI
使い慣れた Excel ベースの UI のため、どの
ユーザー部門でも容易に活用ができ、レポー
ト表示・項目変更もユーザー主導で
Power BI ③-2 データ種類・場所に依存しない Hybrid なデータ結合・共有
• 社内のオンプレ・クラウド環境の構造・非構造データや、
外部のデータを容易に結合できる ETL 機能
• クラウドベースのデータ共有環境（SharePoint OL）
Azure Data Factory
SQL Server Integration Service
③-1 パフォーマンスを最適化するアーキテクチャ
• 最新のインメモリ技術等によるパフォーマンスの最大化
• 大量データの収集（Data Lake）から適切な形での保管
（Data Warehouse）、容易な取り出し（Data Mart）
までを容易に実現できる基盤 Data Lake Data
Warehouse
Data
Mart

15. フリーソフトで始める機械学習入門
15

16. データ
学習用データ/評価用データを
分割する (例: 60% : 40%)
モデルの訓練
(学習アルゴリズムの訓練)
モデル
学習データを使用して、
最適な結果を出すモデルを作成する
データの正規化
(不要・不正なデータの削除)
アウトプット/評価
実世界のデータ

17. データ
学習用データ/評価用データを
分割する (例: 60% : 40%)
モデルの訓練
(学習アルゴリズムの訓練)
モデル
データの正規化
(不要・不正なデータの削除)
アウトプット/評価
実世界のデータ

19. 機械学習
教師あり学習
(正解データがある場合)
中間的手法
教師なし学習
(正解データがない場合)
識別
(カテゴリ分類)
回帰
(数値推測)
モデル推定
(クラスタリング)
パターン
マイニング
データが正解つき/なしの組み合わせ 手法が正解つき/なしの組み合わせ
購買パターン発見音声/文字認識
文章のP/N 判定
売り上げ予測 顧客の分類

20. Bing maps
launches
家までの最適
なルートは？
Microsoft
Research
formed
Kinect
launches
その動作はど
ういう意味？
Azure Machine
Learning
launches
次に起こるの
は何？
Hotmail
launches
ジャンクメー
ルはどれ？
Bing search
launches
どの検索結果
が最も関連性
があるか？
Skype
Translator
launches
その人は何と
言っている？
Microsoft と Machine Learning
John Platt,
Distinguished scientist at
Microsoft Research
1991 201420091997 201420102008
Machine learning
= 経験(過去データ＋人の入力)により賢くなるコンピューティングシステム
“Machine learning is pervasive throughout Microsoft products.”
機械学習はマイクロソフトの製品・サービスで広く使われています
20

21. レコメンデー
ションエンジン
広告配信
・効果分析
ピンポイントの
詳細な天気予報
ソーシャルネッ
トワーク分析
ITインフラ最適化
法的証拠開示、
文書アーカイブ
価格分析 不正利用検出
顧客離れ分析
（チャーン）
故障検知
・設備保全
位置情報
・トラッキング
高度にパーソナ
ライズされた保
険商品
利益創出、
コスト削減に
直結する分野における
実際の活用例

23. Make machine learning accessible to every
enterprise, data scientist, developer,
information worker, consumer, and device
anywhere in the world.
Azure Machine Learning (Azure ML)
機械学習を世界中のあらゆる人々やデバイス
からアクセスできるようにする仕掛け

24. インフラ管理担当者
データサイエンティスト
アルゴリズム研究者
開発者、ISV
ML Studio
ML API
Marketplace
ML Operationalization
（運用、データ操作）
ML
Algorithms

25. Azure ML と向き合う 3 つのアプローチ
API を利用
Azure ML Studio で
テンプレートを編集
ゼロから
モデルを作成

26. http://gallery.azureml.net/

30. ProjectOxford.Face.Contract.Face[] detectionResults = new ProjectOxford.Face.Contract.Face[0];
ProjectOxford.Face.Contract.IdentifyResult[] identifyResults = new ProjectOxford.Face.Contract.IdentifyResult[0];
using (var imageFileStream = Context.ContentResolver.OpenInputStream(imageUri))
{
//Call detection and identification REST API

31. http://how-old.net/

32. http://how-old.net/

33. テキスト分析サービス
非構造化テキストを分析
製品レビュー、サポート チケット、
電子メールなど
感情分析
自社の顧客が、自社のブランドや製品に
ついてどのように感じているか?
主要フレーズの抽出
自社の顧客が、何について話しているか?
感情分析
主要フレーズの抽出
“It was a wonderful hotel, with
unique décor and friendly staff”
“It was a wonderful hotel, with
unique décor and friendly staff”
http://text-analytics-demo.azurewebsites.net/

35. Building a Custom
Experience
Windows 10 November Updateで、
Cortanaが日本語に対応

36. 使いやすい! 親しみやすい!
「コルタナさん、シャットダウン」いうたら
電源ボタンの場所を教えてくれた。わーい …自分で押せと？
コルタナをみんなで一緒に育てるか(^o^)（いいねえ）
おお！さすがCortana。丁寧な日本語で
「何とお呼びすればよろしいですか？」と聞かれました。
とても便利であり興味がわく
コルタナ、音声認識の精度は高いんだけど、それをコマンドとして
認識していない。改良されたら良くなりそうな期待感はある。
Twitterのつぶやきから

37. マイクロソフトのCortana開発陣に聞く –
日本語ならではの苦労と展望、
そしてCortanaの本質
http://news.mynavi.jp/articles/2015/11/24/cortana/

39. http://rinna.jp/

41. http://www.msxiaoice.com/
https://blogs.bing.com/search/2014/09/05/meet-xiaoice-cortanas-little-sister/

46. July 31 Nov
Friends on
LINE
1.6M+
Sep Oct
Sheep counting Diary Detective story ♡ ♡ ♡&www Food terrorism Morning call
Net slang Dog recognition Rinna photo Love diagnosis

47. Recognize dogs is one of
my strengths. I recognized
bull terrier at a glance. It is
adorable, and looks like
HongLei Sun or YongJian
Lin, what do you think?
It’s so easy, this book is
“Creativity, Inc.”. People
who like this type book are
trying their best to be big
bosses in their area, right?Broken like this, do you want
to try my needlework?
Do you have a boyfriend?
If not, find a post 90s boy,
he can give you 7.2 beauty
score.
Good buddies
Very gentle heart

48. http://japan.zdnet.com/article/35073647/

49. http://japan.zdnet.com/article/35073647
http://ascii.jp/elem/000/001/079/1079132/
http://techon.nikkeibp.co.jp/atcl/news/15/111201141/?P=1
http://news.mynavi.jp/column/compass/052/
http://news.mynavi.jp/articles/2015/11/10/microsoft/
http://news.mynavi.jp/articles/2015/11/11/microsoft_ai/
http://logmi.jp/92206
http://itpro.nikkeibp.co.jp/atcl/column/14/090100053/082700080/

50. Azure ML と向き合う 3 つのアプローチ
API を利用
Azure ML Studio で
テンプレートを編集
ゼロから
モデルを作成

51. Data Scientist
Best of MS
ML Studio
ML
Algorithms

53. http://Gallery.azureml.net
 不正検出(Fraud detection) : gallery link
 Text 分類 : gallery link
 売上予測 : gallery link
 設備保全 : gallery link
 顧客離れ(churn)分析 : gallery link

54. SLACAPI, Sample Experiment

55. Event Hub
Streaming
Data の処理
Stream Analytics
Azure ML
バッチ実行
サービス
Power BI
ダッシュボード
リアルタイム処理
の流れ
データ集約
外部データ Azure 内の処理
Azure SQL
リアルタイム
データ統計
Azure Data Factory
データパイプライン
からAzure MLバッチ
サービスを起動
RealTimeBatch
リアルタイム
遠隔測定
データ
Azure Data Factory
データパイプライン
の生成
バッチアップ
デート
Azure ML
要求応答
サービス
オンプレミス
SQL Server

56. Azure Machine Learning Studio 機能の概要図
https://azure.microsoft.com/ja-jp/documentation/articles/machine-learning-studio-overview-diagram/

57. Microsoft Azure Machine Learning Studio の
機械学習アルゴリズム チート シート
https://azure.microsoft.com/ja-jp/documentation/articles/machine-learning-algorithm-cheat-sheet/

58. http://gallery.cortanaanalytics.com/Experiment/
bbe8503e4740473a9836aae6a914e3c0

59. Azure ML と向き合う 3 つのアプローチ
API を利用
Azure ML Studio で
テンプレートを編集
ゼロから
モデルを作成

60. 機械学習
教師あり学習
(正解データがある場合)
中間的手法
教師なし学習
(正解データがない場合)
識別
(カテゴリ分類)
回帰
(数値推測)
モデル推定
(クラスタリング)
パターン
マイニング
データが正解つき/なしの組み合わせ 手法が正解つき/なしの組み合わせ
購買パターン発見音声/文字認識
文章のP/N 判定
売り上げ予測 顧客の分類

61. レコメンド方式 ルールベース コンテンツベース 協調フィルタリング ベイジアンネット
ワーク
分析情報 過去の実績
マーケティングデー
タ
アイテム間の関係性 ユーザーの購買履歴 コンテンツ属性
行動履歴
ロジック 独自ルールに基づき
推薦。
コンテンツ属性を事
前に分析・分類し、
関連性を元に推薦。
購買履歴を自動的に
解析し、ユーザーの
嗜好に応じたアイテ
ムを推薦。
ユーザーが行動モデ
ルを作成し、確率を
計算した上で、推薦。
メリット 運営者、経営者の意
思を反映しやすい
コンテンツ属性を決
定する際に推薦する
ものを調整できる。
運営者の手間が少な
い。
セレンティビティあ
り。
目的に応じて、精度
の高い推薦ができる。
デメリット ユーザーの意思が反
映されにくい。
運営者の手間大
セレンティビティな
し。
運営者の手間大。
ユーザーの購買履歴
を一定数収集する必
要がある。
計算結果を得られる
ために時間がかかる。

62. 江田
南野
大田 砂金
0
1
2
3
4
5
6
0 1 2 3 4 5 6
ユニコーンガンダム
This is it
例えば、ユーザーの行動履歴をもとにしたレコメンデーションといった、
シンプルなモデルでも、ユークリッド距離計算などの理解が必要となる
1
3 2
大田 (2,5) と 砂金(3,5) の距離 : 1
大田 (2,5) と 江田 (5,2) の距離 :
2 − 5 2 + (5 − 2)2= 9 + 9 = 18 = 3 2
2次元のユークリッド距離は上記のとおり単純な三角比
計算
多次元の場合にも同じで、下記のような数式で計算
𝑝1 − 𝑞1
2 + 𝑝2 − 𝑞2
2 + ⋯ + (𝑝 𝑛 + 𝑞 𝑛)2
= ෍
𝑖=1
𝑛
(𝑝𝑖−𝑞𝑖)2

63. AUC(Area under the curve)
ROC曲線の右下分にできる図形の面積
大きくなる（1に近づく）ほど性能がよいといえる
一般的に0.7 以下では精度が高いモデルとはいえない
ROC
(Receiver Operating Characteristic；受信者動作特性)曲線
モデルによる判定ミスがどのくらいあるかを検知する
Root Mean Square Error : 2乗平均平方根誤差（近似線からの誤差）
Mean Absolute Error :平均絶対誤差（RMSEの平均）
Coefficient of Determination : 寄与率（独立変数が従属変数のどれくらい
を説明できるかを表す。この値が低いということは，得られた重回帰式
の予測能力が低いことを意味する）

64. http://bit.ly/azuremlR

65. 65

66. 66

67. 67

68. 68

69. https://azure.microsoft.com/ja-jp/documentation/services/machine-learning/
https://studio.azureml.net/

70. 自ら学習するマシンを生み出すことには、
マイクロソフト10社分の価値がある。
Bill Gates Feb. 2004

71. Microsoft Azure 技術セミナー / トレーニングへのご参加
http://aka.ms/dx-events
オンライン ラーニング活用で技術スキルやノウハウの習得
http://aka.ms/azurequest
Microsoft Azureの技術的な質問はサポートを活用
http://aka.ms/onlinefaq

72. © 2015 Microsoft Corporation. All rights reserved.