1

2

• •

・・・・・

・・・・・

・・・・・

・・・・・

・・・・・

Platform Services

Infrastructure Services

Web Apps

MobileApps

APIManagement

API Apps

Logic Apps

Notification Hubs

Content DeliveryNetwork (CDN)

Media Services

BizTalkServices

HybridConnections

Service Bus

StorageQueues

HybridOperations

Backup

StorSimple

Azure SiteRecovery

Import/Export

SQL Database

DocumentDB

RedisCache

AzureSearch

StorageTables

DataWarehouse

Azure AD Health Monitoring

AD PrivilegedIdentity Management

OperationalAnalytics

Cloud Services

BatchRemoteApp

ServiceFabric

Visual Studio

AppInsights

Azure SDK

VS Online

Domain Services

HDInsight MachineLearning

StreamAnalytics

Data Factory

EventHubs

MobileEngagement

Data Lake

IoT Hub

Data Catalog

Security & Management

Azure ActiveDirectory

Multi-FactorAuthentication

Automation

Portal

Key Vault

Store/Marketplace

VM Image Gallery& VM Depot

Azure ADB2C

Scheduler

The Azure Platform

99アクション

人

自動化されたシステム

アプリ

Web

モバイル

Bots

インテリジェンス

ダッシュボード &

可視化

Cortana

Bot

Framework

Cognitive

Services

Power BI

データの取得

Event Hubs

Data Catalog

Data Factory

機械学習/分析

HDInsight

(Hadoop and

Spark)

Stream Analytics

インテリジェンス

Data Lake

Analytics

Machine

Learning

データの格納

SQL Data

Warehouse

Data Lake Store

データソース

アプリ

センサー/

デバイス

データ

企業内に散在するデータを収集し、整理し、分析/学習し、アクションにつなげる

End-to-Endのサービスを提供

Microsoft の AI 分野での取り組み

Bing maps

提供開始

目的地への

最短経路

Microsoft

Research

設立

Hotmail

提供開始

迷惑メールの

判別

Bing search

提供開始

最適な

検索結果

1991 20091997 2008

Kinect

販売開始

人の動きを

認識する

Azure ML

提供開始

将来起こること

の予測

Skype

Translator

提供開始

人の言葉を

認識する

2014 20152010

CNTK

OSS公開

深層学習

ツールキット

2016

Cognitive

Services

提供開始

知覚・記憶・

判断・推理

2016

クラウド

ロボティクス分野

戦略提携

Pepper による

次世代型店舗

2016

Microsoft AI

andResearch

Group

設立

2016

りんな

提供開始

会話型

AI

2015

LINE：女子高生人工知能「りんな」

https://blogs.bing.com/japan/2015/08/07/aijk_rinna/

Microsoft Cognitive Services とは

Web API 経由で利用できる “人工知能パーツ”

Microsoft Cognitive Services とは

Web API 経由で利用できる “人工知能パーツ”

Microsoft Cognitive Services とは

Web API 経由で利用できる “人工知能パーツ”

Microsoft Cognitive Services 一覧

Face

ComputerVision

Emotion

Video

Speaker Recognition

CustomRecognition

Bing Speech

LinguisticAnalysis

LanguageUnderstanding

BingSpell Check

Web LanguageModel

Text Analytics

KnowledgeExploration

Entity Linking

AcademicKnowledge

Recommendations

Bing Image Search

Bing Video Search

Bing Web Search

Bing Autosuggest

Bing News Search

Translator

ContentModerator

18

Cognitive Services：Face API画像を分析し、複数人の顔を自動認識。顔検知機能、顔のグルーピング機能、顔の人物特定機能などを提供する

https://www.microsoft.com/cognitive-services/en-us/face-api

顔から人物を特定

210人の顔を登録

2秒弱で特定完了

19

Cognitive Services：Emotion API画像や動画を分析し、人の感情を自動的に認識。怒り・軽蔑・嫌悪・怖れ・幸福・中立・悲しみ・驚きの８つの要素を確率で回答

https://www.microsoft.com/cognitive-services/en-us/emotion-api

感情を自動認識

20

Cognitive Services：Computer Vision API画像を分析し、2,000 に及ぶ物体を自動的に認識。自動タグ生成機能、自動説明機能、OCR 機能、サムネイル機能などを提供する

https://www.microsoft.com/cognitive-services/en-us/computer-vision-api

写真の中にある物体を自動認識しタグとして生成

Cognitive Services：Video API動画の安定化機能、動画から人の顔を認識・トラッキングする機能、動きを自動的に検出する機能、

サムネイル動画を自動作成する機能などを提供

https://www.microsoft.com/cognitive-services/en-us/video-api

動画の揺れを自動補正して、安定化

動画の中から人の顔を認識し自動的に追跡

Cognitive Services：Bing Speech API音声を認識しテキスト化する機能、テキストを認識し音声出力する機能などを提供

https://www.microsoft.com/cognitive-services/en-us/speech-api

話している内容を自動的にテキスト化

Cognitive Services：LUIS API会話を学習し、会話の内容から何をしたいのかを理解する

https://www.microsoft.com/cognitive-services/en-us/language-understanding-intelligent-service-luis

航空券予約であることを認識

(86%の信頼確率)

Cognitive Services：Text Analytics APIテキストを解析し、言語の自動特定、キーフレーズの自動抽出、ポジティブかネガティブかの感情の自動判別を行う

https://www.microsoft.com/cognitive-services/en-us/text-analytics-api

文章からキーフレーズを自動認識

日本語の入力を分析するには？

Language: ja

keyPhrases: Azure

Cognitive Services で広がるサービスの可能性

製品の評判分析、要求分析

“(want to|request)”

HoloLens

・・・・・

・・・・・

・・・・・

・・・・・

・・・・・

・・・・・・・・・・

・・・・・

・・・・・

・・・・・

・・・・・

・・・・・

・・・・・

Computer Vision APIとBing Speech API 組み合わせ例

画像ファイル

テキストファイル

画像ファイルの送信

テキストファイル生成

撮影（画像ファイル生成検知）

実行スクリプト

画像表示・キャプション発声（HTML/JavaScript）

周期監視

Computer Vision API Describe Image機能

Microsoft

Cognitive Services

Bing Speech APIText To Speech機能

組み込みWebサーバ

SDカード

合成音声で発声”a cat is sitting

in the grass”

”a cat is sitting in the grass”

a cat is sitting in the grass

Face APIとBing Speech API 組み合わせ例

カメラ

カメラの前にいる人の画像

音声ガイダンス「写真を撮ってください」

ID用カメラ

写真付ID

音声ガイダンス「コードを入力してください」

カメラ画像とIDの画像を照合

アプリケーションの利用

音声ガイダンス「確認できました」

Cognitive Services 活用事例

Cognitive Services 活用事例

The Economist

Election 2016 Emotion Tracking

Cognitive Services 事例：対話型自動販売機

http://www.nri.com/Home/jp/news/2015/151221_1.aspx

Cognitive Services 事例：顔認識による Pepper 応対

http://www.headwaters.co.jp/news/pepper/SynApps.html

Cognitive Services 活用事例

株式会社アロバ様

アロバビューコーロ

Cognitive Services 料金体系

基本的に無料

https://www.microsoft.com/ cognitive-services/en-us/pricing

https://www.luis.ai/

https://www.cris.ai/

https://portal.azure.com

Microsoft Bot Framework

Bot とは?

Bot Framework とは?

ダイアログ形式のコミュニケーションを実装(C#, Node.js)

BOT アプリをメッセージングサービスに接続

Bing, Cortana などから利用できるディレクトリに登録

Microsoft Bot Framework

BOT アプリを容易に作成するフレームワーク

Bot Framework 活用事例

株式会社ZEALS 様

BOT TREE for MEDIA

Bot Framework 活用事例

高知銀行

(株式会社NextStreamer & 株式会社ブイキューブ)

店頭受付応答BOT「頭取くんと秘書子ちゃん」

AI & Bot に注目する理由

• いつでもどこでも

• ユーザーが使い慣れたツールを経由して、商品やサービスを提供可能

• 自然言語に近く、意図を類推しやすい

• パーソナライズ、パターン化などによる定型処理

Microsoft Cognitive Services をおススメする理由

簡単 フレキシブル 実績

数行のコードを追加するだけ

Web API でアクセス

開発言語やプラットフォームを問わず利用可能

マイクロソフトのあらゆる分野の

テクノロジー開発から誕生

GET AKEY

情報リソースCognitive Services サービス解説

https://docs.com/decode2016/1562/dbp-018-ai-microsoft-cognitive-services

Cognitive Services ハンズオン

http://aka.ms/cogbot01_HOL1http://aka.ms/cogbot01_HOL2

42

43

※ Wikipedia より引用

定型レポート（SSRS）

セルフサービス BI

（Power BI）

マシンラーニング（Azure ML）

機械学習とデータマイニングは交差する部分が大きく、技法も同じなので混同されることが多いが、次のように定義できる。

• 機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。• データマイニングの目的は、それまで「未知」だったデータの特徴を発見することである。

• レコメンデーション• 同じ商品を買った人が買った別のアイテムを お勧め商品として提示

• 同じ属性を持った人が買った商品を お勧め商品として提示

• 分類• メール本文・タイトルの内容からスパムメールの分類

• Web サイトの行動履歴から不正ユーザの検出

• 異常検知• センサー情報に基づく機械故障予測

• NW アクセス情報から不正アクセスや攻撃を検知

• ユーザ属性の推定• 属性情報が完全に取れているお客様のデータから、属性情報に欠損のあるお客様の属性情報を推定

44

4545

機械学習 教師あり学習

教師なし学習

強化学習

決定木

線形回帰

SVM

ロジスティック回帰

ニューラルネットワーク

クラスタリング

次元削減

Q学習

K-mean法

主成分分析

正準相関分析

ディープニューラルネットワーク

畳みこみニューラルネットワーク

再帰的ニューラルネットワーク

回帰結合ニューラルネットワーク

• クラウドベースの機械学習実行基盤

• 機械学習の「モデル作成」「モデルの評価」から、作成した分析モデルのデプロイ（ Web サービス化）まで、機械学習 の開発～サービス提供で必要となるすべてのコンポーネントを PaaS で提供

Microsoft Azure Machine Learning

開発環境

予測モデルのデプロイ（ Web サービス ）

46

熟練者のノウハウをサービス化して世界に展開

47

経営課題• 高度な予兆保全サービスによる連続稼働性の向上と、低コストの保守ビジネスによる利益確保を両立したい

• 急成長するアジア市場で保守技術者の大量育成が必要

効果

解決策

“我々は予防保全の業界標準の先を行き、先取りした予兆的な保全を行うことにより、より高い稼働時間を保証したかった”

ANDREAS SCHIERENBECK

CEO

ThyssenKrupp Elevator

• ThyssenKrupp とその顧客の保守費用を削減

• 予測モデルの精度を向上し、急成長する市場の未熟な保守技術者も活用

• エレベーターの稼動データをリアルタイムに監視・見える化し、PCやモバイルでどこでも活用

• 問題発生時の対処方法のノウハウを機械学習でシステムに学ばせ世界中に展開

4848

デバイス・コネクティビティ

データ収集とブローカーサービス

イベント処理とデバイス管理

データ管理（変換・蓄積・処理）

高度な分析(Big Data 処理)

データの提供と表現・気づき

モビリティとコラボレーション

ISS Agent

ISS Gateway

Event Hub

Blob Storage

マシンデータの蓄積

Azure ML予兆の学習モデル

Azure ML

修繕方法の学習モデル

ダッシュボード

参照 • 顧客• 設備• 担当者

Notification

Hubs通知

予兆イベント

修繕方法の推奨

• ヘルス状態• インシデント管理• 対応のディスパッチ

現地技術要員のモバイルデバイス

オペレーションセンター

Power BIセルフサービス分析

『ThyssenKrupp teams up with Microsoft to create ‘smart’ elevators』

http://blogs.microsoft.com/firehose/2014/09/30/thyssenkrupp-teams-up-with-microsoft-to-create-smart-elevators/

数千のシステムとセンサーデータ• イベント :

✓ドア開閉、軸アライメント、キャビン速度、モーター温度など

• アラーム :

✓故障アラーム、エラーコードなど

Azure ML を用いてビルの熱源・動力の制御モデルを構築し、自動制御を実施

49

① 建物の情報を Microsoft Azureにリアルタイム送信

② 機械学習 Microsoft Azure Machine Learning によりデータを解析・学習し、建物にフィードバック

これまでのビル設備管理は“経験と勘”に頼っていたが、今回の連携とクラウド化によって、実データに基づく制御モデルの構築や管理の自動化が可能となり、ビルの使用エネルギー効率化と管理負担の軽減が実現する

ビジネス課題• ゲーム開始直後 (3ヶ月以内) に解約する会員の増加

• 解約が予期される会員への早期のアクションが必要

• アクティブ期間が伸びるほど収益への影響が大きい

利用データ最初の3日間の下記データを基に150以上のパターン化(数十TB以上)

• Engagement（各セッションや日毎の利用時間）

• Performance（ランキング、勝利数、敗退数）

• Social（友人や他ユーザーとの同時プレイ数）

モデリング• パターン化されたユーザー毎に次の7日間の行動を分析

• 1 週間分のデータを基にモデルのテストを実施（Boosted Decision Tree を活用）

効果 ランダム抽出による従来の分析方法に

比較して、3倍以上の精度で解約する会員を特定

AUC*：0.779

影響を与えた主要な項目：

・友人とのプレイ数

・3日目のプレイ数

・3日目のプレイヤーの Grade

*AUC (Area under the carve)

AUC 0.9 - 1.0 High accuracyAUC 0.9 - 0.7 Moderate accuracyAUC 0.5 - 0.7 Low accuracy

5151

5252

ビジネス課題• 口コミサイトの削除対象投稿を人手により監視

• キーワード検索では精度が悪い

• 投稿内容を熟読し、削除の有無を判断するため、非常に工数がかかる

モデリング• 日本語の形態素解析 (分かち書き) のソフトウエアとAzure MLを組み合わせ、削除

対象投稿を抽出

• 品詞の抽出方法(名詞のみ、名詞＋動詞＋形容詞 等)とアルゴリズムの組み合わせを総当たりでテストし、精度を向上

効果• Azure MLが削除対象投稿を判断してくれるようになったため、作業が非常に楽に

なった

*AUC (Area under the carve)

AUC 0.9 - 1.0 High accuracyAUC 0.9 - 0.7 Moderate accuracyAUC 0.5 - 0.7 Low accuracy

53

54

55

56

1. トレーニングデータ（実績データ）の準備• 予測モデルを作成する為のトレーニングデータ（実績データ）を準備

例：顧客属性によるお勧め商品の提示（リコメンデーション）を行いたいのであれば、どういった属性情報のお客様が、どういう商品を買ったのかという実績データが必要

2. 予測モデルの開発と評価

3. 予測モデルの公開（Web サービス）• 作成した予測モデルは、非常に簡単な操作でWebサービスとして公開可能。

57

①部品をドラッグ＆ドロップ

②各部品のプロパティーを設定

58Azure ML Studio の基本的な使い方

①部品をドラッグ＆ドロップ

②各部品のプロパティーを設定

59Azure ML Studio の基本的な使い方

60

性別 年齢 配偶者 子供人数

…

製品カテゴリ

男性 19 無 0 1

女性 44 有 2 3

男性 49 有 1 2

男性 12 無 0 3

女性 37 無 0 1

女性 60 有 2 4

男性 44 有 1 2

女性 27 有 0 4

女性 51 有 3 2

女性 81 有 2 1

男性 22 無 0 3

男性 29 無 0 2

トレーニングデータ（実績データ）を元に予測モデルを作成

Azure Machine Learning ではトレーニングデータを使ってモデルの学習を行い、予測モデルを作成

性別：男

年齢：45

配偶者：有

子供人数：2

61

Azure Machine Learning では、以下のシステム・サービスからトレーニングデータをロード可能

CSV, TSV, ARFF, SvmLight 形式

HDInsight

(Hadoop)

Azure SQL Database

Azure テーブル

OData

業務システム OData

Training

Data

Azure

Machine Learning

Train

Model

Score

Model

検証用データ

トレーニングデータ

Evaluate

Model

機械学習アルゴリズム

予測モデルの評価予測モデルの見直し• アルゴリズムの変更

• パラメータの見直し

63

トレーニングデータの読込み

データクレンジング・メタデータ設定

読み込んだデータを「トレーニングデータ」と「評価用

データ」に分割

予測モデルの作成に使用するアルゴリズム

予測モデルの作成（トレーニング）

左インプット：利用するアルゴリズム右インプット：トレーニングデータ

作成した予測モデルを評価する為に、評価用データで予測を実行

予測結果の評価と可視化

64

ML Studio : Experiments > Evaluate Model > Evaluation Result

• True Positive

• False Positive

• True Negative

• False Negative

• Accuracy

• Precision

• Recall

• F1 Score

• Threshold

• AUC

✓ AUC 0.9 - 1.0 High accuracy✓ AUC 0.9 - 0.7 Moderate accuracy✓ AUC 0.5 - 0.7 Low accuracy

65

66

② Web サービスのInput / Output を設定

③「 PREPARE WEB SERVICE 」ボタンをクリックすると Web サービスが

作成される

① Deploy 用のExperiment を作成

Training

Data

Web

Service

Azure Machine Learning

Microsoft Azure

67

Webシステム

Azure Blob ストレージ

Hive

Azure SQL Database

Azure テーブル

業務システム

OData

OData

HDInsight

( Hadoop )

他システム

Power View 等のデータ分析・可視化

ツール

Azure Blob ストレージ

Azure SQL

Database

Batch Execution

Service

Request-Response

Service

評価モデル作成

(Training)

• Microsoft Azure Machine Learning Centerhttp://azure.microsoft.com/ja-jp/documentation/services/machine-learning/

• Azure Machine Learning Support Forumhttp://social.msdn.microsoft.com/forums/azure/en-US/home?forum=MachineLearning

• Machine Learning Bloghttp://blogs.technet.com/b/machinelearning/

68

69

Cognitive Toolkit | Caffe | TensorFlow | Torch

Cognitive Toolkit (旧称 CNTK)とは

多様な種類の深層学習アプリケーションに対応

オープンソース• 世界記録を達成した MS Research のスピーチ研究チームが開発

• MIT や Stanford 等の様々な研究者と共同作業で改定中

• Python, C++, BrainScript

Microsoft Cognitive Toolkit (CNTK) の性能

Theano only supports 1 GPU

We report 8 GPUs (2 machines) for CNTK only as it is the only

public toolkit that can scale beyond a single machine. Our

system can scale beyond 8 GPUs across multiple machines with

superior distributed system performance.

0

10000

20000

30000

40000

50000

60000

70000

80000

CNTK Theano TensorFlow Torch 7 Caffe

Speed Comparison (Frames/Second, The Higher the Better)

1 GPU 1 x 4 GPUs 2 x 4 GPUs (8 GPUs) 2015年7月時点

Cognitive Toolkit による自動応答システムの実現

学習

ディープラーニング向け VM イメージも

https://azure.microsoft.com/en-us/marketplace/partners/microsoft-ads/dsvm-deep-learningtoolkit/