狠狠撸

COPYRIGHT 2019 INFORMATION SERVICES INTERNATIONAL - DENTSU, LTD. ALL RIGHTS RESERVED.
0
AIテクノロジー部の研究開発と製品開発事例
※公開用
（株）電通国際情報サービス（通称、ISID）
クロスイノベーション本部 AIテクノロジー部小川雄太郎
TechPlay：進化するSIerの最前線！先端技術を活用した事例の紹介【AI編】ISID Meetup #01
2019年12月13日 19:50-20:30@TECH PLAY SHIBUYA

1
本日の発表内容
01 簡単に自己紹介
02 LightGBMを用いた製造業流体シミュレーション高速化の研究
03 Azure DevOps & MLサービスを利用したMLOps的な製品開発
04 どうして、私はSIer、ISIDで働き続けているのか？

簡単に自己紹介
Section
01
2

3
出身：1986年生まれ、兵庫県西宮市出身
経歴：明石高専、東京大学工学部、東京大学新領域創成科学研究科
修士?博士課程（脳科学の研究）にて博士号（科学）を取得。
東京大学先端研ポスドクを経て、現職
所属：ISID クロスイノベーション本部?AIテクノロジー部
兼職：早稲田大学非常勤講師、日本ディープラーニング協会委員
副業：PyTorchのディープラーニング本、深層強化学習本、雑誌連載
詳細：https://github.com/YutaroOgawa/about_me
小川雄太郎（おがわゆうたろう）

4
近著の紹介
つくりながら学ぶ!
PyTorchによる発展ディープラーニング
第1章：画像分類と転移学習(VGG)
第2章：物体検出(SSD)
第3章：セマンティックセグメンテーション(PSPNet)
第4章：姿勢推定(OpenPose)
第5章：GANによる画像生成(DCGAN、Self-Attention GAN)
第6章：GANによる異常検知(AnoGAN、Efficient GAN)
第7章：自然言語処理による感情分析(Transformer)
第8章：自然言語処理による感情分析(BERT)
第9章：動画分類(3DCNN、ECO)
https://www.amazon.co.jp/dp/4839970254
https://www.amazon.co.jp/dp/4839965625

5
AIT部の構成ビジネス
データ
サイエンス
UVP
機械学習
アルゴリズム
の調査?研究
統計解析
ITシステム構築
MLOps
機械学習工学
AI-PoC&本番のPM
AI製品開発の企画
エンジニアリング
データサイエンティスト（コンサルタント?PM）: ビジネス寄り
データサイエンティスト（エンジニアリング）: ITシステム寄り
私はこちら

6
【顧客案件】深層強化学習の研究開発のコンサルティング
【顧客案件】AI活用の模擬プロジェクト演習＋ MLOps実装の実践研修
【研究】機械学習を活用した流体シミュレーション高速化 (＊後ほど詳細)
【研究】BERTとinfluenceを用いた自然言語処理における説明性技術の開発
【自社ソリューションの開発】自然言語処理系などのソフトウェア開発
(＊後ほど詳細)
【新規事業系】
?社内向けに、ディープラーニング協会G検定推進 (※先月?人事部長)
?川崎フロンターレ様とのデータサイエンス?インターンの構築
?早稲田大学様との産学協定、研究補助金制度の構築、などなど
最近の仕事内容

7
https://www.isid.co.jp/case/project/2019internship.html
https://www.isid.co.jp/news/release/2019/1008.html
https://www.waseda.jp/inst/cds/news/1049

8
私の2019年の仕事内容
https://github.com/YutaroOgawa/about_me にスライドリンク記載
機械学習の説明性関連の発表

LightGBMを用いた製造業流体シミュ
レーション高速化の研究
Section
02
9

10
流体シミュレーションにおいて、水を粒として扱うMPS法と呼ばれる手
法の計算の一部に、機械学習の回帰モデル（LightGBM）を使用し、計
算高速化を図る手法を提案
[引用] プロメテック?ソフトウェア株式会社：Particleworks解析事例 https://www.particleworks.com/case_study_ja.html
?従来のMPS法の例
研究概要

11
MPS法は流体シミュレーションの一種
そのため、以下の物理方程式に従う計算を実施
研究概要
??
??
= ?
1
?
?? + ??2
? + ?
[ナビエ–ストークス方程式]
圧力
勾配項
速度
粘性項
重力等の
外力項
加速度

12
計算の一部に陰解法があり、並列化のネック。そこをLightGMB回帰に。
研究概要
従来のMPS法（圧力?の計算）
?? ?+1
= ? を陰的に解き、? ?+1
を求める。巨大な連立一次方
程式を解くので、計算の並列化などが困難
提案手法
??
?+1
= 回帰モデル粒子?、およびその近傍粒子の情報
LightGMBを用いた回帰モデルから陽的に計算
計算の並列化による高速化が可能

13
簡単な動作確認デモ（ダム崩壊問題）
研究概要
水柱
壁

14
簡単な動作確認デモ（ダム崩壊問題） ※公開用スライドでは動画動かず
研究概要
MPS法提案手法

15
●製造ソリューション事業部より顧客課題（流体シミュレーション
の高速化）を相談され、実施した研究
●流体シミュレーションのMPS法の理解、従来手法の実装からはじ
まり、特許出願と人工知能学会での口頭発表まで実施
https://confit.atlas.jp/guide/event/jsai2019/session/3Q01-04/advanced
●現在のState：流体シミュレーション?ソフトの開発会社に対して、
本手法の実装による価値共創?クロスイノベーションを提案中
研究概要

Azure DevOps & MLサービスを利用し
たMLOps的な製品開発
Section
03
16

17
及川さん：ソフトウェア?ファースト
https://www.amazon.co.jp/dp/4822289915/
‘‘
’’
- SIerが採るべき今後の選択肢 -
1. 業界特有のソリューションに特化
2. サービス比率を下げ、製品販売の比率をあげる
SIerは、ユーザー企業のITケイパビリティ向上に伴う、規
模の小さなSIサービス案件数低下を見越した戦略立案が求
められている。
「業界を絞る、製品開発?販売の比率向上」などが重要

18
マーティ?ケーガン：INSPIRED
熱狂させる製品を生み出すプロダクトマネジメント
https://www.amazon.co.jp/dp/4820727508/
‘‘
’’
すべての製品開発チームには2つの高いレベルの活
動がある。
私たちは作るべき製品を発見しなければならないし
（製品発見）、その製品を市場に投入しなければな
らない（市場投入）。
製品発見フェイズと市場投入フェイズを経て、
新規事業?製品が生まれる

19
モダンな新規事業?製品開発の流れ part 1 /2 ≒ 製品発見
新規事業?製品開発の流れ
共感
創造
問題定義
デザイン思考&リーン
ユーザーテスト
（計測）
仮説検証
（学習）
プロト
タイプ
ピボット
or継続
アジャイル?スクラム開発
リリース
プランニング
スプリント
プランニング
スプリント
実行スプリント
バックログ
スプリント
レビュー
インクリ
メント
スプリント
振り返り
プロダクト
バックログ
出荷可能
インクリ
メント

20
モダンな新規事業?製品開発の流れ part 2 /2 ≒ 市場投入
新規事業?製品開発の流れ
ML+DevOps ? MLOps
出荷可能
インクリメント
リリース
デプロイ
運用
モニタ
リング
改善計画
構築
テスト
データ
管理
モデル
再学習
Dev Ops
ML
テスト
リリース

21
MLOps
アジャイル開発?DevOps?MLOpsの実現には「ツール選定」が重要
共有されたツール
共有された組織文化
Dev
開発
Ops
運用
ML
機械学習
データ管理モデル学習
再学習
デプロイツール
選定
大切！
新規事業?製品開発の流れ：MLOps

22
AIT部での新規事業?製品開発の流れ
アジャイル開発、MLOpsを回すにはそのためのITツール選定が重要
?製品にAI技術を組み込む以上、機械学習モデルのトレーサビリティ
（どのようにして作成されたのか）の実験記録が重要
?製品にAI技術を組み込むために、推論の部分を切り出して容易にエン
ドポイント化できることが重要
?機械学習モデルの再学習が自動（半自動）で行えることが望ましい
?アジャイル型製品開発プロジェクト（スクラム）の管理と、CI/CDの
構築が容易であることが望ましい

23
自然言語処理ソフトウェアの開発中（プロト実装中）
● 自社開発として、自然言語処理ソフトウェアの開発中
（といっても、技術検証、プロト実装のフェイズ）
● 私が開発リーダーを務め、現在の開発環境?ツールに利用している、
AzureMLサービスとAzure DevOpsを紹介します

24
機械学習部分に求められるツールの要件
1. 訓練データを保存できるストレージ
2. モデルの学習結果（訓練データや検証データでの性能、作成日時、
作成者など）を保存?管理できる実験管理のプラットフォーム
3. 学習済みモデルを保存できるストレージ
4. 学習済みモデルを使用して推論を実施するエンドポイントを作成
できる仕組み

25
学習済モデルのバージョン管理や、学習データ元など、トレーサビリ
ティを確保した機械学習モデル構築のために、Azure MLサービスを採用
ストレージ
訓練データやその他データを保存
実験
訓練結果のログを保存?閲覧
計算（VM：仮想マシン）
訓練を実施するVMを登録
イメージ（Dockerファイル）
推論プログラムのイメージを保存
展開（コンテナ?インスタンス）
推論イメージをAPI化
モデル
学習済モデル保存?バージョン管理
Azure Machine Learning サービス

26
スクラム型プロジェクトの管理とDevOpsに求められるツールの要件
1. バックログやタスクの内容と進捗を管理できるタスク管理ツール
2. ソースコード管理ツール
3. CI（継続的インテグレーション≒自動テスト）を実施するツール
4. CD（継続的デリバリー≒自動デプロイ）を実施するツール

27
DevOps。。。
以前までは、各種サービスを組み合せる（AIエンジニアにはやや困難）
タスク管理ツールソース管理ツール
CD：継続的デリバリーCI：継続的インテグレーション

28
Azure DevOpsを採用することに
タスク管理ツール Boards
チケット式タスク管理
ソース管理ツール Repos
基本的にGitHubと同じ
CI/CDツール Pipelines
継続的インテグレーションと
デリバリー
Azure DevOps
CI/CDツール Pipelines
継続的インテグレーションと
デリバリー

29
1つ画面で、初めから全部連携して使えるため便利?簡便

①プログラムの
作成?改変
or
再学習トリガー
②プログラムの
アップロード ③ビルドのCI
パイプライン開始
④訓練データ
を取得
⑤計算用VM
で学習を実施
⑥訓練ログ
を保存
⑦学習済み
モデルを保存
⑧推論用Docker
イメージを保存
⑩推論用のコンテ
ナ?インスタンス
をデプロイ
⑨リリースのCD
パイプライン開始
Azure DevOps
CIパイプラインがAzure MLサービスを使用
AzureでMLOpsの流れ

31
続いて、開発中の自然言語処理ソフトウェア（技術検証?プロト実
装フェイズ）の構成と、実際のAzure DevOpsの活用例を紹介

32
開発中の自然言語処理ソフトウェアの構成（実装中）
各自のPC
バックエンド
ワーカー .etcブローカー
③非同期
処理
DB
AzureMLサービス
AzureVM（計算用）④訓練
プログラム
Azure BLOB
ストレージ②データ
セット
⑤データ
セット
⑥学習済
モデル
フロントエンド
⑦学習済
モデル
①API

開発中の自然言語処理ソフトウェアの構成（運用時）
BLOB
ストレージ
静的サイト
フロント
エンド
Azure VM
Webサーババックエンド
ワーカー .etcブローカー
Azure Database for
PostgreSQL
DB
AzureMLサービス
訓練
プログラム
データ
セット
AzureVM（計算用）
Azure BLOB
データ
セット
学習済
モデル
学習済
モデル
非同期処理
API

34
AIT部での新規事業?製品開発の流れ
バックエンドはVMではなく、マルチコンテナのWeb Appを使用し
たかったが、まだプレビュー版でDocker-Composeの機能がフルに
は使えず。。。

35
続いて開発における、Azure DevOpsの活用を紹介
※チケットの名称、コミット?メッセージなどは寛容に、
でお願いします。。。
開発中の自然言語処理ソフトウェアの構成（実装時）

開発中の自然言語処理ソフトウェアのスクラム管理
スプリントバックログとタスクの管理（Azure DevOpsのBoards）

Teamsと連携?AzureDevOpsのスプリントバックログとタスクを表示

Teamsと連携?チケット起票、プッシュ、プルリクエスト等を自動投稿

Teamsと連携? AzureDevOpsのダッシュボードも表示でき、即確認可能

ソースコードの管理

ソースコードの管理（ブランチのコミットのフローも分かりやすい）

CI/CDはDevOpsパイプラインからGUIベースに作れる【CI】
?Nuxtの静的ファイルを
npmコマンドで作成
?その他Deployのパイプ
ラインに送りたいファイル
をパッキングし、まとめる
※本当はCIの最初に単体テ
ストを入れる

CI/CDはDevOpsパイプラインからGUIベースに作れる【CD】
?環境設定ファイル.envなど
は別途Azure DevOps内に登録
可能。それを別途取得する
?フロントエンド用BLOBに
Nuxtファイルをアップロード
?バックエンドのVMにSSH
接続して、ファイルコピーと
Docker-Composeの再起動

その他便利な機能：DevOpsのプロジェクトをテンプレート?コピー可能。
リポジトリに加え、プロダクトバックログやタスクのチケット、CI/CDの
パイプライン設定までコピー生成。自社用テンプレートを作ると便利。

46
以上。
このような感じでソフトウェア開発を進めています
開発中の自然言語処理ソフトウェア

どうして、私はSIer、ISIDで働き続けて
いるのか？
Section
04
47

48
私が電通国際情報サービス（ISID）で
働き続けている理由
1. 働きやすさ
（7時間勤務＋フレックス＋テレワーク）
2. SIerとしての仕事のやりがい
3. 新しい技術や取組みに挑戦できて、自分が成長できる

49
働きやすさ
5時30分起床
6時00分
7時00分
出社移動
7時30分
朝飯?仕事用意
15時30分
業務
16時30分
残業
6時00分起床?朝飯
7時00分
14時00分
自宅でテレワーク
業務 & テレカン
自学自習?
書籍執筆など
7時間勤務+フレックス＋テレワーク（私の2日間の例）
当然ながら、毎週必ずこのペースというわけではないですが、基本的には非常に柔軟に働きやすい

50
SIerとしての仕事のやりがい
ソフトウェア?ファーストな時代。
AIやIT技術を活用し、新たな価値創造や業務効率化を果たしたいが、
日本の多くの企業ではまだまだIT能力?人材が足りていない???

51
独立行政法人情報処理推進機構（IPA）「IT人材白書2017」

52
そこでSIerとして、
いわゆる受託で代わりにシステムを作るのではなく（※私の場合）、
ユーザー企業と一緒に「深層強化学習のシステムを研究?開発」し
たり、「AI実践教育」や「協同プロジェクト」などを実施
様々な顧客企業の変革と成長、そして顧客の社員の成長、これらに
貢献している充実感が、私がISIDで働く大きなモチベーション

53
新しい技術?取組みに挑戦できて自分が成長できる
ISIDは社員数が単体で1,500名と少ない
（一部上場企業や大手のプライムSIerのなかでは少ない部類）。
自ら手を挙げ提案すれば、いろいろな取り組み（データサイエンス?
インターン創ったり）試したい技術（深層強化学習やMLOps）に挑
戦することができる環境であり、とても成長できる
※私自身、入社して2年8カ月。最初は、Javaもオブジェクト指向も、
Webシステムもサーバーも、PythonもGitHubもAzureも知らず、マ
イクロソフトはofficeソフトの会社と思っていた。そこからの現在。

54
アナウンス
私たちと一緒に働いていただけるコンサルタント、エンジニアも募集中
以下サイトをご覧ください。
●AIビジネスプロジェクトマネージャ
https://www.isidgroup.com/u/job.phtml?job_code=532
●データサイエンス?ビジネス開発エンジニア
https://www.isidgroup.com/u/job.phtml?job_code=430
https://www.isidgroup.com/u/job.phtml?job_category_code=5&company_code=1

55
以上

56
CONFIDENTIAL
本文書（添付資料を含む）は、株式会社電通国際情報サービスが著作権その他の権利を有する営業秘密（含サプライヤー等第三者が権利を有するもの）です。
当社の許可なく複製し利用すること、また漏洩することは「著作権法」「不正競争防止法」によって禁じられております。本資料内の社名?製品名は各社の登録商標です。

狠狠撸

电通国际情报サービス冲础滨テクノロシ?ー部の研究开発と製品开発事例冲191213

More Related Content

电通国际情报サービス冲础滨テクノロシ?ー部の研究开発と製品开発事例冲191213