狠狠撸

? 2019/6/28Knowledge Communication Co., Ltd.
非専門家向け／利用部門主導で始めるデータ分析
AI内製化の事始め！自社データの利活用方法
2019年6月27日
株式会社ナレッジコミュニケーション中西貴哉
【Azureデータ分析シリーズ】

? 2019/6/28Knowledge Communication Co., Ltd. 2
会社名株式会社ナレッジコミュニケーション
設立日 2008年11月 (創立2006年5月)
人数 28名
資本金 9,000,000円
代表者代表取締役奥沢明
本社所在地千葉県市川市相之川3-13-23 丸伝小川ビル3階
支社熊本支社
主要取引先メディア系
Cloud
AI
HoloLens
Robot
経営理念
破壊的イノベーションで世界の在り方を変える
クラウド?AI?ロボットの分野で今までにない
付加価値を提供し、社会に貢献致します。
会社紹介

沿革
3
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
株式会社ナレッジコミュニケーション設立
自社サービス基盤をパブリッククラウドに移行
クラウドインテグレーションサービス「ナレコムクラウド」提供開始
Microsoft Azure取扱い開始 / クラウド型機械学習提供サービス開始
滨辞罢ビジネス共创ラボ参画 / 熊本拠点(DevOps&RD)を設立
Microsoft HoloLensサービス提供開始
MRPP認定 / Azure Goldパートナー認定
創業学び総合サイト「学び&おけいこのナレコム」提供開始
2019

はじめに - AIプロジェクトの現状
4
出典 ITmedia NEWS 『人工知能、幻滅期へガートナー「ベンダーに丸投げやめろ」』
URL https://www.itmedia.co.jp/news/articles/1810/25/news094.html
人工知能に関する期待は下がり気味

はじめに - AIプロジェクトの現状
5
出典 ITmedia NEWS 『人工知能、幻滅期へガートナー「ベンダーに丸投げやめろ」』
URL https://www.itmedia.co.jp/news/articles/1810/25/news094.html
「幻滅期に入るとはいえ、今後も重要なテクノロジーであることは変わりない。
幻滅期は『これからが本番』という時期。企業はAIをより冷静に捉え、
より戦略的に推進する必要がある」
「昨今、経営者が単に担当者に『AIの導入を検討せよ』という指示だけを出し、
現場もAIの提案依頼をベンダーやシステムインテグレーターに丸投げするといっ
たことが散見される。そうではなく、企業自らが戦略的意思を持ち、中
長期の観点で自らリスクテイクすることを覚悟の上で推進するべきで
ある」

はじめに - 実績ご紹介
電力利用状況解析及び可視化創薬向けHoloLensアプリ開発
名古屋大学様及び中部電力株式会社
販売カンパニー法人営業部
株式会社エムティーアイ様
大手企業様とAI/ビッグデータ技術導入に向け連携

電力利用状況解析及び可視化創薬向けHoloLensアプリ開発
大手企業様とAI/ビッグデータ技術導入に向け連携
Machine Learning Studio
+
Power BI
+
Azure Functions
+
Cognitive Services
+

プロジェクト期間

「AIでなにかやる」のスタート地点から
2ヶ月間で実施
2 Month

どのように進めているか

AI/分析プロジェクト成功のポイント
1. 精度ではなくプロセスを重視する
2. クラウドを活用して素早く試す
3. 業務へのポジティブな影響で考える
自社でのAI活用の成功の近道

「プロセス」を重視 - 第一人者の成功法則
12
出典 Harvard Business Review 『How to Choose Your First AI Project』
URL https://hbr.org/2019/02/how-to-choose-your-first-ai-project
1. クイックに小規模な成功ができること
2. 適切な規模の実証実験であること
3. 業界や自社ビジネスのニーズに沿うこと
4. 頼れるパートナーと進める
5. 価値を生める内容であること
AI研究の第一人者が提唱する成功法則

小さい実証実験を積み重ね成功を目指す
解決すべき
課題を抽出
実証実験
(1回目)
試験運用
基盤運用
(活用すべきデータを蓄積)
実証実験
(2回目)
デモアプリ実運用
実証実験
(3回目)
「プロセス」を重視 - 小規模な成功を積み重ねる

小さい実証実験から本格利用を見据える
解決すべき
課題を抽出
実証実験
(1回目)
試験運用
実証実験
(3回目)
実証実験
(2回目)
デモアプリ
基盤運用
(活用すべきデータを蓄積)
実運用
1回目が
難しい
「プロセス」を重視 - 小規模な成功を積み重ねる

「プロセス」を重視 - 重要な3ステップ
15
大きく3つの段階に分別

ゴールのパターン化
16
売上の向上
購買予測
オススメ
コスト最適化
発注管理
売上予測
リスクの低減
トラブル
異常検知
最終的なゴールは大きく3パターン

データの理解 - チェックポイント
17
分析の
実行
結果の
解釈/表現
1. 何のために、どんなアウトプットが必要なのか
2. そのためにどんな過程を置き、どの範囲なのか
3. どのようなデータを利用して分析を行うのか
分析の前にストーリーマップを作成する

実際に作成したストーリーマップ ②
18
有人業務
AI活用
ユースケース : 審査業務でのAI導入
既存の業務プロセス
AI導入時の業務プロセス
DB
DB
リスト作成リストリスト審査
DB
メール連携
リスト作成
リスト対象
抽出モデル
対象者
分類モデル

実際に作成したストーリーマップ ②
19
有人業務
AI活用
ユースケース : 審査業務でのAI導入
既存の業務プロセス
AI導入時の業務プロセス
DB
DB
リスト作成リストリスト審査
DB
メール連携
リスト作成
リスト対象
抽出モデル
対象者
分類モデル
既存プロセス
との対比にする
置き換えのため
必要なモデルを整理
アウトプット
も見据えて書く

分析を始める前の準備
20
分析の
実行
結果の
解釈/表現
1. AI=なんでも出来ると考えない
2. 手に届きそうなゴールを置く
3. ストーリーマップを作成する
精度ではなくプロセスを重視する

21
データの
理解
結果の
解釈/表現

分析の実行 - チェックポイント
22
データの
理解
分析の
実行
結果の
解釈/表現
?素早く環境を用意できるか？
?気づきやアイデアを反映できる方法か？
?精度ではなくゴールに近づく手法か？
クイックに試せる手法/ツールを使う

分析の実行 - クラウドがオススメな理由
23
データの
理解
分析の
実行
結果の
解釈/表現
1. セキュアな環境を利用できる
2. 環境構築によるリードタイムがない
3. 分析業務の属人化を防げる

Cognitive ServicesMachine Learning
service
専門的学習済みデータ加工&簡易分析
Azure で提供される AI サービス

Machine Learning Service
25
Machine Learning
service
Visual Interface
Automated
Machine Learning

? GUI操作で学習、モデル化
? APIで運用が可能
? サーバレスで従量課金
Machine Learning Studio

service

学習済みAIをREST APIで手軽に実装できるサービス
AIモデル構築や推論用サーバの構築なしに汎用的AI
をアプリケーションに組み込める
学習済AI
Cognitive Services

Cognitive Services - 異常検知AI
29
Cognitive Services
Anomaly Detector
自社検証記事 : https://azure-recipe.kc-cloud.jp/2019/04/cognitive-service-anomaly-detector-api/
? 時系列データ 1つでモデル選定?推論
? 外れ値、異常の検出が可能

service

Azure Databricks - 概要
データ加工
アナリティクス
リアルタイム分析
データ加工から分析までを一体化したサービス

Azure Databricks
簡易分析システム連携
データ加工環境
SQL Data WarehouseDatalake Storage SQL Database BloB Storage
AI
Machine Learning
ストーリムデータ
Power BI
データサイエンティスト
基幹業務
ユーザアプリ

? 使い慣れたコーディング操作
? 複数言語を同一の Notebook で
記述可能
? ワンクリックで結果をビジュアル化
Jupyter Notebook の
コーディング操作
Apache Zeppelin の
ビジュアライゼーション
Collaborative Notebook（コーディング画面）

お客様担当者
コード単位でコメント編集履歴を管理
Databricks Notebook
プロジェクトリーダー
お客様IT担当者データ分析担当

Azure Databricks - 弊社事例
処理性能の高い分析基盤でコストを最適化

分析の実行 - まとめ
36
データの
理解
分析の
実行
結果の
解釈/表現
クラウドを活用して素早く試す
1. 利用できるツールを活用する
2. 既存の学習済モデルも充分利用可能
3. 高速な実行環境の活用はコスト効果が高い

37
データの
理解
分析の
実行
結果の
解釈/表現

結果の解釈/表現 - チェックポイント
38
データの
理解
分析の
実行
結果の
解釈/表現
?当初のビジネスゴールから考えられているか？
?「完璧」を求めすぎていないか？
?関係する人が理解できる内容かどうか？
業務へのポジティブな影響で考える

熊本の地場企業のAI自社導入を支援
10年以上の経験のある検査技師が20人以上で取り組む業務の負荷軽減
クラウドAIを活用し自社導入への活路を発見
結果に対する考え方 - ユースケース

データの
理解
分析
実行
結果の
解釈/表現
結果に対する考え方
分析レポート : 例
高い or 低い
状況に依存する

データの
理解
分析
実行
結果の
解釈/表現
結果に対する考え方 - フレーミング
当初の結果に対して
1. 入社直後の人でも職人レベルで業務が出来る
2. 複数のチェックポイントを設ければ100％に近づく
お客様「職人だったらほぼ100％で検品している」
非熟練者には充分役に立つ
システム化することで価値が出る

データの
理解
分析
実行
結果の
解釈/表現
結果に対する考え方 - フレーミング
他の例 : 異常検知の場合
1. 平時日中だけの監視がAIであれば常時監視が出来る
2. 人によるチェックと組み合わせると精度が上がる
検知したい異常の70％しか見つけられない
完璧ではないが人の負荷を下げられる

結果の表現方法
43
可視化しないと
ヒトには解釈できない

データの可視化
44
Power BI

Power BI で誰にでもわかりやすく
45
? ドラッグ&ドロップでグラフの作成
? ドリルダウンでExcelより詳細をわかりやすく
表現できる
? レポートのテンプレート化により対象の異なる
レポートも素早く生成
? レポートの共有も可能

結果の解釈/表現 - まとめ
46
データの
理解
分析の
実行
結果の
解釈/表現
業務へのポジティブな影響で考える
1. 結果の良し悪しは数値では測れない
2. 業務での有益性を軸に置く
3. 誰でもわかるアウトプットを目指す

企画?プレ分析データ開発分析?モデル開発運用
データ
収集環境
PoC
クレジング
の仕組み
モデル開発
モデル
デプロイ
継続的な
学習
学習モデルの
API提供
課題定義
AI検証サービス
?ナレコムAI (自社ツール)
?Cognitive Services
データ基盤構築
?Azure Databricks
モデル構築支援
?Azure Databricks
?Azure ML Services
内製化支援
?AI内製化支援サービス
弊社サービス提供マップ
お客様のフェイズに合わせてクラウドを活用し支援

サービス紹介 - AI内製化支援サービス
データの
理解
分析の
実行
結果の
解釈/表現
お客様とチームを組み検証プロセスを素早く回す
ゴールに向けて繰り返す
プロジェクトチームお客様
情報
弊社
支援
■体制イメージ

スケジュール例 : 自社での分析チーム立ち上げ支援
着手前 1か月 2ヶ月
マイル
ストーン
実施
内容
お客様
弊社
現状整理計画
課題?要望
整理
データ
理解
計画
策定
プロトタイピング
ワークショップ&次回計画
データ
提供
環境
構築
結果簡易
レポート
分析結果
共有会
ワークショップ
(分析再現)
活用
計画
▲ご発注 ▲キックオフ
▲分析環境用意
▲進捗報告 ▲進捗報告
▲検証終了
▲レポート提出
▲ワークショップ

スケジュール例 : 自社での分析チーム立ち上げ支援
着手前 1か月 2ヶ月
マイル
ストーン
実施
内容
現状整理
お客様
弊社
計画
課題?要望
整理
データ
理解
計画
策定
プロトタイピング
ワークショップ&次回計画
データ
提供
環境
構築
結果簡易
レポート
分析結果
共有会
ワークショップ
(分析再現)
▲ご発注 ▲キックオフ
▲分析環境用意
▲進捗報告 ▲進捗報告
▲検証終了
▲レポート提出
▲ワークショップ
データの
理解
分析
実行
活用
計画
結果の
解釈 / 表現

サービス紹介 - ナレコムAI
ドラック&ドロップの操作で保有データの有効性を確認
レポートでデータ傾向を抽出データ投入画面
サービスサイト : https://narekomu-ai.com/

まとめ
52
1. 精度ではなくプロセスを重視する
2. クラウドを活用して素早く試す
3. 業務へのポジティブな影響で考える
自社でのAI活用の成功の近道

狠狠撸

【础锄耻谤别データ分析シリーズ】非専门家向け／利用部门主导で始めるデータ分析冲ナレッジコミュニケーション公开资料

Recommended

More Related Content

What's hot (20)

Similar to 【础锄耻谤别データ分析シリーズ】非専门家向け／利用部门主导で始めるデータ分析冲ナレッジコミュニケーション公开资料 (20)

Recently uploaded (15)

【础锄耻谤别データ分析シリーズ】非専门家向け／利用部门主导で始めるデータ分析冲ナレッジコミュニケーション公开资料