Data x AI x API で考えるビジネスインフラ
Download as PPTX, PDF2 likes682 views
Open Innovation を実現する、各重要要素について、ビジネスの観点を常に交えて説明します。Dataの重要性が改めて浮き彫りになるとともに、その取得?保存?活用をいかに迅速に進められるかがキーとなります。
![【ウェブ セミナー】AI 時代のクラウド データ ウェアハウス Azure SQL Data Warehouse [実践編]](https://cdn.slidesharecdn.com/ss_thumbnails/webinarsqldw20170726-180220004900-thumbnail.jpg?width=560&fit=bounds)
![【ウェブ セミナー】AI / アナリティクスを支えるビッグデータ基盤 Azure Data Lake [実践編]](https://cdn.slidesharecdn.com/ss_thumbnails/webinaradl20180308-180308093647-thumbnail.jpg?width=560&fit=bounds)
![【ウェブ セミナー】AI / アナリティクスを支えるビッグデータ基盤 Azure Data Lake [概要編]](https://cdn.slidesharecdn.com/ss_thumbnails/webinaradl20180215-180219043331-thumbnail.jpg?width=560&fit=bounds)
![[DI03] DWH スペシャリストが語る! Azure SQL Data Warehouse チューニングの勘所](https://cdn.slidesharecdn.com/ss_thumbnails/di03-170605023803-thumbnail.jpg?width=560&fit=bounds)
![[DI07] あらゆるデータに価値がある! アンチ断捨離ストのための Azure Data Lake](https://cdn.slidesharecdn.com/ss_thumbnails/di07-170605024557-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (20)
Similar to Data x AI x API で考えるビジネスインフラ (20)
More from Daiyu Hatakeyama (20)
Recently uploaded (6)
Data x AI x API で考えるビジネスインフラ
- 1. Data x AI x API の連携によ る新しいビジネスの機会 畠山 大有 | Daiyu Hatakeyama | dahatake 日本マイクロソフト株式会社 Cloud Solution Architect
- 3. 従業員 管理者 ID: xxx 仮説の域を出にくい世界 『ユーザー が求めている 情報 と 使いやすさ なの? 』
- 5. ユーザー Data を集め(feedback) ?分析?予測 (仮説の立案) し、 それを迅速に 実行 (検証) する
- 7. feedback
- 10. 仮想マシン Container ? 各 VM に 1 つのサービス インス タンス ? 均一でないワークロード ? コンピューティングの密度が低い ? デプロイ/更新が遅い ? スケーリング/DR (災害復旧) が遅 い ? 各 VM に多数のマイクロサー ビス ? コンピューティングの密度が 高い ? デプロイ/更新が速い ? スケーリング/復旧が速い
- 11. ユーザー中心 より 機敏 に 革新的 な サービス を提供する Innovation
- 13. Realtime
- 14. Realtime
- 15. Cart
- 18. Simulation
- 20. Simulation = あらゆるパターン の データ作成
- 21. Digital Twins: 実世界 と デジタル の融合 Insights デジタ ル Insight, Optimization Intent, Context ControlData SPACES Experience Measure Assistance, Task completion ControlData PEOPLE ? リモート監視 & 障害検 知 ? 予知保全 ? 生産性、満足度、快適さ ? 位置情報 ? Mixed Reality ? 状況把握と認識 ? 占有率と利用率 ? 作業のアドバイス ? 作業の解析 実世界 Control Measure Insight, Optimization Operations Data VI
- 23. Recommendation
- 27. Ingest Data
- 33. メディアデータ メタデータ
- 34. Deep Learning がもたらしたもの Text (OCR) “(1) Validate enrichment pipeline”
- 35. Deep Learning がもたらしたもの Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”
- 36. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.” Deep Learning がもたらしたもの
- 39. デー タ AI
- 40. Machine Learning で、Feature 抽出 Surface は 品川で買えるみた い!XXX店は いつも混んでいて 嫌 Named Entity Extraction
- 42. STORE & EXPLORESensors and IoT (unstructured) Files (unstructured) Media (unstructured) Logs (unstructured) Business/custom apps (structured) Power BIAzure Analysis Services Real-time Apps Cosmos DB INGEST PREP & TRAIN MODEL & SERVE STORE Azure Data Lake Storage Gen2 SQL Data Warehouse (Polybase) Azure Databricks Cosmos DB Azure Data Explorer Azure SQL Data Warehouse Azure Data Explorer Azure Databricks Azure Machine Learning Azure Data Factory Data Lake Storategy Sensors and IoT (unstructured) Azure IoT Hub Kafka
- 43. 場所 も選べ
- 44. 全てのデータの統合 DWH, Cosmos DB, MongoDB, Oracle, Teradata, Hadoop 全てのデータの管理 Spark と HDFS のネイティブサポート 構造化 | 非構造化 データ 全てのデータをカバーす る AI Spark もしくは SQL Server 上での学習 Notebook での作業
- 45. Custom apps AnalyticsBI KUBERNETES POD SQL SQL Server 2019 big data clusters
- 46. Custom apps AnalyticsBI KUBERNETES POD SQL SQL Server 2019 big data clusters CREATE EXTERNAL TABLE "wcs_click_date_sk" BIGINT "wcs_click_time_sk" BIGINT "wcs_sales_sk" BIGINT "wcs_item_sk" BIGINT "wcs_web_page_sk" BIGINT "wcs_user_sk" BIGINT WITH '/clickstream_data' HDFS 上の ファイル
- 48. トレーニング済みのモデル ビジネスロジックにMLをアタッチ Azure Databricks VMs Deep Learning Framework Deep Learning モデルの作成 TensorFlow KerasPytorch Azure Machine Learning LanguageSpeech … SearchVision On-premises Cloud Edge 生産性の高いサービス データサイエンティストと開発チームの生産性を上げる パワフルな Compute Deep Learning の学習と推論の加速 柔軟な推論環境の選択肢 Cloud と Edge へのモデル展開と管理 Machine Learning on Azure Chainer
- 49. Automated Machine Learning Hyper parameter tuning Distributed Deep Learning New FPGA-powered models Python SDK Azure Notebook 連携
- 50. 今回は、どの Feature (列) が有効なの? 次のボーナ ス2018/12
- 51. Source: http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html 今回は、どの アルゴリズム が効く?
- 52. 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 モデルの開発には、多くの 試行錯誤 が必要…
- 53. 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
- 54. 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
- 55. データセット 目標設定 学習の一貫性 出力入力 学習を並列処理 Compute リソース管理 ベストなモデルの選択 Optimized model Automated Machine Learning
- 56. データ発生場所の近くで Realtime 処理 入力 出力 参照データ Scale out clusters Device Azure ML Services
- 58. AI と 人 のコラボレーション
- 67. ? 2018 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。