3. Page 3Tecnos Data Science Engineering All Rights Reserved
1. Deep Learningを活用するために知っておくこと
2. Deep Learningプロジェクトの考え方
3. Deep Learningプロジェクトのマネジメント
4. データサイエンティストの声
目次
4. Page 4Tecnos Data Science Engineering All Rights Reserved
1. Deep Learningを活用するために知っておくこと
5. Page 5Tecnos Data Science Engineering All Rights Reserved
⚫Deep Learningは、特徴量抽出で汎用的なアルゴリズムである
➢ (大抵の)機械学習アルゴリズムは、モデリング時にデータの特徴量(例:
画像データでの色、形、質)を明示的に与える
✓ 特徴量の設計は、機械学習アルゴリズムに合わせて行われる
✓ 特徴量の設計は、分析者/開発者の経験と勘によっている
➢ Deep Learningは、特徴量を自発的に獲得することが出来る
⚫Deep Learningは、高い汎化性能を持つモデルを実現する
➢ 汎化性能とは、モデリング時の学習データ以外でも精緻に推論できるか
➢ Deep Learningは、学習データから本質的な特徴を獲得することを実現
している
Deep Learningの性格
6. Page 6Tecnos Data Science Engineering All Rights Reserved
⚫Deep Learningはなぜ、「汎用的なアルゴリズム」であり、
「高い汎化性能を実現する」ことが可能なのか?
⚫複雑な深いネットワークを学習出来ることで、それらを可能
にしている
➢ 数多くのパラメータによって、データの特徴量を最大限表現する
➢ 各パラメータが複雑に結びつき、特徴量の表現が多彩になる
Deep Learningの性格
○と○の間にある→すべ
てがパラメータであり、
Deep Learningによって
それらを学習している
7. Page 7Tecnos Data Science Engineering All Rights Reserved
⚫Deep Learningはなぜ、「汎用的なアルゴリズム」であり、
「高い汎化性能を実現する」ことが可能なのか?
⚫複雑な深いネットワークを学習出来ることで、それらを可能
にしている
➢ 数多くのパラメータによって、データの特徴量を最大限表現する
➢ 各パラメータが複雑に結びつき、特徴量の表現が多彩になる
Deep Learningの性格
○と○の間にある→すべ
てがパラメータであり、
Deep Learningによって
それらを学習している
一方で、その複雑な深いネットワークのため、
➢ 多くのパラメータを学習する必要があり、その分やはり多くの学習デー
タが必要になる
➡ これはすなわち、計算処理の増加にもつながる
➢ 各パラメータが複雑に結びついているため、モデルの解釈性がない
➡ ブラックボックスと言われる所以
8. Page 8Tecnos Data Science Engineering All Rights Reserved
⚫Deep Learningをビジネスで活用する際のポイントは、
Deep Learningの活用ポイント
①学習データの有無
②モデル解釈性の必要性
③計算速度の許容レベル
④DL技術者の存在
10. Page 10Tecnos Data Science Engineering All Rights Reserved
⚫AIを活用した架空送電線診断システム
Deep Leaning活用事例紹介
https://customers.microsoft.com/en-us/story/tepco-azure-machine-learning-jp-japan
11. Page 11Tecnos Data Science Engineering All Rights Reserved
AI活用によるコスト削減
AIが送電線の異常を自動で
検知し、報告書を作成する
12. Page 12Tecnos Data Science Engineering All Rights Reserved
Deep Learningによる異常検知
https://www.youtube.com/watch?v=YE07PzWECuM
13. Page 13Tecnos Data Science Engineering All Rights Reserved
2. Deep Learningプロジェクトの考え方
14. Page 14Tecnos Data Science Engineering All Rights Reserved
Deep Learning活用の目的は何?
データに基づく科学的アプローチによって、
企業の活動や
顧客の行動を変化
させ、
お互いにとっての
新たな価値を創り出す
こと
27. Page 27Tecnos Data Science Engineering All Rights Reserved
企業や顧客の新たな価値や行動の変化を考えるとは?
①
データに基
づく科学的
アプローチ
(AI導入)
②
企業の活
動の変化
③
顧客の行
動の変化
④
企業にお
ける新た
な価値
⑤
顧客にお
ける新た
な価値
変化 価値
企業と顧客の両方単なる
手段
要するに、誰の新たな価値を生み出すのか?= 誰の何を改善したいの
か?を明確にすることが大切であるということです。
28. Page 28Tecnos Data Science Engineering All Rights Reserved
①
データに基
づく科学的
アプローチ
(AI導入)
②
企業の活
動の変化
③
顧客の行
動の変化
④
企業にお
ける新た
な価値
⑤
顧客にお
ける新た
な価値
「④⑤新たな価値」を創り出すためには?
創出可能
新たな価値はAIの導入によっ
て、創出可能となる!
AIの導入が可能となれば、それまでにできていなかったことが改善さ
れ、新たな価値を生み出すことも可能となります。
29. Page 29Tecnos Data Science Engineering All Rights Reserved
• 「AI導入」を実施するためには、数理的な
スキルも当然必要だが・・
• 企業と顧客の両方に対して新たな「価値」の創出
を目的とした「AI導入」でなければ意味がない
AIの知識も必要だが、それだけでは不十分
「④⑤新たな価値」を創り出すためには?
30. Page 30Tecnos Data Science Engineering All Rights Reserved
AI活用の成功に必要な活動とは
AI戦略策定
AIプロジェクト全体のマネジメント
「①データに基づく科学的アプローチ」のための活動
「②自らの企業活動の変化」のための活動
「③顧客の行動の変化」のための活動
31. Page 31Tecnos Data Science Engineering All Rights Reserved
役割分担と連携が必須
AI戦略策定
AIプロジェクト全体のマネジメント
「①データに基づく科学的アプローチ」のための活動
「②自らの企業活動の変化」のための活動
「③顧客の行動の変化」のための活動
AI戦略
ディレクター
AIプロジェクト
マネージャー
シニアデータ
サイエンティスト
データ
サイエンティスト
社内業務部門
お客様部門