Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Machine Learning for z/OS Overview - IMS UG June 2017 Tokyo

338 visualizaciones

Publicado el

IBM Machine Learning for z/OS overview and demo (Japanese)

Publicado en: Tecnología
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Machine Learning for z/OS Overview - IMS UG June 2017 Tokyo

  1. 1. ⽇本アイ・ビー・エム株式会社 z Systems ソフトウェア・テクニカル・セールス ⽯井 学 IBM Machine Learning for z/OS 概要のご紹介、および、デモ
  2. 2. © 2017 IBM Corporation 2 機械学習を利⽤したビジネス価値の実現 不審な動きを検知し、危険や詐欺を予測・ 防⽌することで、継続的に事業リスクと コストを低減する。 商品のお薦め、次の購⼊品の予測、 的を絞った提案など、個々にカスタマイ ズしたショッピング体験を提供する。 天候パターンと、再⽣可能資源からの エネルギー⽣産を学習・予測して、 より効率的にグリッド統合する。 ⽣死にかかわる病状を発⾒し、 状況を把握した上でより効果的な治療 プログラムを計画する。 チャーン分析により、顧客離れが⽣じる 原因を特定し、顧客を維持する実践的な 戦略を講じることが可能になる。 機械学習の助けにより… • 持続的な学習と適⽤ • 同じミスを繰り返さない • 短時間での正確かつ深い洞察 この結果… ü 営業成果の向上 ü 事業リスクとコストの低減 ü 新たなビジネスチャンス
  3. 3. © 2017 IBM Corporation 3 機械学習の各ステップ と その課題 • サイクル実⾏や多様なツールへの対応, データ取込みの難しさ, 分析結果利⽤の課題 ホストデータを使う 分析結果利⽤の課題各⾃が個別に使い慣れたツールを 効率的に使える統合ツールが必要 ホストのデータへのアクセスに 障壁があり、時間がかかる 多様なオープンソースツール STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック 複数⼈を集めたチーム内の個々 の能⼒を共有できる環境が必要 複数要員でのサイクル実⾏ ホストデータ取込みの難しさ ホストデータ をバッチ処理 で外部に送る 場合、時差・ セキュリティ 等課題が残る
  4. 4. © 2017 IBM Corporation 4 ”Machine Learning for z/OS” の発表 データ データ準備 機械学習 アルゴリズム モデル デプロイ 予測 IBM Machine Learning for z/OS IBM初のオンプレミス機械学習オファリング 発表: 2017年2⽉15⽇ 出荷: 2017年3⽉17⽇ üより少ない⼈間の指⽰で お客様とのやり取りを最適化 üより収益性のある オポチュニティの発⾒ üリスクの特定と最⼩化
  5. 5. © 2017 IBM Corporation 5 z/OS IBM Machine Learning for z/OS 分散系 STEP-1:IBM Machine Learningによる容易なデータ取込 • z/OS Mainframe Data Service for Apache Spark (MDSS)を通して、 容易にメインフレーム内外の様々なデータにアクセスすることが可能 Spark MDSS DB2 IMS VSAM/ SAM SMF 仮想テーブル JDBC IDAA 分散DB z/OSデータも 分散データも 同様に容易に アクセス可能 Jupyter Notebook 容易に STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック
  6. 6. © 2017 IBM Corporation 6 STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック STEP-2: IMLによるシンプルな環境で迅速なモデル作成 Ø アルゴリズムを迅速に最適化 (Cognitive Assistant for Data Scientists) Ø 最適化されたパラメーターを 提供 (Hyper Parameter Optimization) • IML (IBM Machine Learning for z/OS) は 、より早くより良いモデル の作成を⽀援するシンプルで強⼒な環境を提供 最適なアルゴリズムは? 各アルゴリズム出⾛しました! シンプルかつ明快な最適アルゴリズムの 選択および維持が必要 … ロジスティック 回帰 学習用データ ランダム フォレスト 500500 決定木 500
  7. 7. © 2017 IBM Corporation 7 • DSX (Data Science Experience)を元にしたウィザード形式のインターフェース データの取り込みと変換 トレーニングと評価 STEP-2: IMLによるモデル作成の簡素化 STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック
  8. 8. © 2017 IBM Corporation 8 STEP-2: IMLによるモデル管理の簡素化 • 実装のための単⼀のユーザー・インターフェース • Jupyter Notebook をはじめ多様なオープンソースツールを 含む統合インターフェースDSXでモデル作成・管理を簡素化 コミュニティコラボレーション ノートブック Studio機能スケジューリング Data Science Experience (*) 今後提供予定です STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック
  9. 9. © 2017 IBM Corporation 9 • 分析結果利⽤のためのIMLスコアリングサービス構成案 • スコアリングサービスを分析システムと同じシステム内にも外にも配置可能 • 分析結果利⽤システム上ではなく、分析システム内に置くことで、分析結果を 利⽤する業務への影響を最⼩化 STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック STEP-3: IMLを⽤いた機械学習システム構成 購買情報業務ログ顧客情報 REST DB2, IMS, VSAM, SMF IBM Machine Learning for z/OS 基幹系・情報系 z/OS CICS, WAS z/OSz/OS scoring service z/OS Spark Local mode 機械学習トレーニング モデル構築・モデル管理 z/OS Spark Cluster z Systems H/W 分析結果を 利⽤する 業務処理 分析結果 洞察提供 • 分析結果の⾼い鮮度による結果反映遅延の短縮 • データを移動するコストと規制など複雑な⼿続きの削減 • ビジネスアプリケーションとの容易な統合
  10. 10. © 2017 IBM Corporation 10 • フィードバック・データと パフォーマンス履歴による モデルの正確性の監視 • より効率的な再トレーニン グが出来るようにモデルの パフォーマンス劣化を通知 STEP-3: IMLによるモデル維持 STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック
  11. 11. © 2017 IBM Corporation 11 オンラインスコアリングや 予測のための RESTful API STEP-3: 既存ツールやアプリケーションとの容易な統合 • 既存ツールやアプリケーションとの容易なコラボレーション STEP-0 分析テーマの 選定 STEP-1 データの 理解と取込 STEP-2 分析モデルの 構築と管理 STEP-3 分析結果の 利⽤ モニター フィードバック
  12. 12. © 2017 IBM Corporation 12 ユースケース・イメージ(1/2):解約の確率の⾼いお客様を察知 お客様に見せる情報ではないが、 Machine Learning for z/OS を利用 してお客様が解約をしそうかを判断
  13. 13. © 2017 IBM Corporation 13 ユースケース・イメージ(2/2):過去の取引に基づくオファリング 過去の取引データ。 過去、Safariツアーに参加 したことがある。 Watsonの技術なども利用し、離反 しそうなお客様に過去の取引デー タに基づいてオファリングを提案
  14. 14. © 2017 IBM Corporation 14 継続的インテリジェンス: 業界屈指の機械学習に「シンプルさ」と「使いやすさ」を結合 企業全体に継続的なインテリジェンスをもたらします ⽣産性 ⾃由度 信頼性 End to Endのプロセス: • コラボレーション • ユーザー体験 • ⾃動化 統合された機能: • インターフェイスの柔軟性 • ⾔語の選択 • 豊富なアルゴリズム • プラットフォームの選択 • 複数の実⾏エンジン 組み込み可能な専⾨領域: • デプロイメント • ライフサイクル管理 • フィードバック・ループ • モデル・ガバナンス
  15. 15. © 2017 IBM Corporation 15 より多くのビジネスチャンスを収益に変える リソース、予測、意思決定を最適化する リスクを⾃動的に特定し最⼩化する 新たなテクノロジーを持つ競合に打ち勝つ データの⼤半がz Systemに存在する場合: § 既存の要員、プロセス、システム基盤の活⽤ § z Systemsのデータに安全にアクセス § ⽣のトランザクションデータの利⽤ § エンタープライズ環境に合わせたスケーリング § zとz以外のデータソースを活⽤し、構造化データと ⾮構造化データを結合 IBM Machine Learning for z/OS 最も重要なデータを活⽤した継続的インテリジェンス
  16. 16. © 2017 IBM Corporation 16 ワークショップ、セッション、および資料は、IBMまたはセッション発表者によって準備され、それぞれ独⾃の⾒解を反映したものです。それらは情報提供の⽬的のみで提供されており、いかなる参加者に対しても法 律的またはその他の指導や助⾔を意図したものではなく、またそのような結果を⽣むものでもありません。本講演資料に含まれている情報については、完全性と正確性を期するよう努⼒しましたが、「現状のまま」提 供され、明⽰または暗⽰にかかわらずいかなる保証も伴わないものとします。本講演資料またはその他の資料の使⽤によって、あるいはその他の関連によって、いかなる損害が⽣じた場合も、IBMは責任を負わないも のとします。 本講演資料に含まれている内容は、IBMまたはそのサプライヤーやライセンス交付者からいかなる保証または表明を引きだすことを意図したものでも、IBMソフトウェアの使⽤を規定する適⽤ライセンス 契約の条項を変更することを意図したものでもなく、またそのような結果を⽣むものでもありません。 本講演資料でIBM製品、プログラム、またはサービスに⾔及していても、IBMが営業活動を⾏っているすべての国でそれらが使⽤可能であることを暗⽰するものではありません。本講演資料で⾔及している製品リリー ス⽇付や製品機能は、市場機会またはその他の要因に基づいてIBM独⾃の決定権をもっていつでも変更できるものとし、いかなる⽅法においても将来の製品または機能が使⽤可能になると確約することを意図したもの ではありません。本講演資料に含まれている内容は、参加者が開始する活動によって特定の販売、売上⾼の向上、またはその他の結果が⽣じると述べる、または暗⽰することを意図したものでも、またそのような結果 を⽣むものでもありません。 パフォーマンスは、管理された環境において標準的なIBMベンチマークを使⽤した測定と予測に基づいています。ユーザーが経験する実際のスループットやパフォーマンスは、ユーザーの ジョブ・ストリームにおけるマルチプログラミングの量、⼊出⼒構成、ストレージ構成、および処理されるワークロードなどの考慮事項を含む、数多くの要因に応じて変化します。したがって、個々のユーザーがここ で述べられているものと同様の結果を得られると確約するものではありません。 記述されているすべてのお客様事例は、それらのお客様がどのようにIBM製品を使⽤したか、またそれらのお客様が達成した結果の実例として⽰されたものです。実際の環境コストおよびパフォーマンス特性は、お客 様ごとに異なる場合があります。 IBM、IBM ロゴ、ibm.com、DB2、IMS、z13、z/OS、z Systemsは、 世界の多くの国で登録されたInternational Business Machines Corporationの商標です。他の製品名およびサービス名等は、それぞれIBMま たは各社の商標である場合があります。現時点での IBM の商標リストについては、www.ibm.com/legal/copytrade.shtmlをご覧ください。 Adobe, Adobeロゴ, PostScript, PostScriptロゴは、Adobe Systems Incorporatedの⽶国およびその他の国における登録商標または商標です。 IT Infrastructure LibraryはAXELOS Limitedの登録商標です。 インテル, Intel, Intelロゴ, Intel Inside, Intel Insideロゴ, Centrino, Intel Centrinoロゴ, Celeron, Xeon, Intel SpeedStep, Itanium, およびPentium は Intel Corporationまたは⼦会社の⽶国およびその他の国に おける商標または登録商標です。 Linuxは、Linus Torvaldsの⽶国およびその他の国における登録商標です。 PowerLinux is a trademark of International Business Machines Corp. The registered trademark Linux is used pursuant to a sublicense from LMI, the exclusive licensee of Linus Torvalds, owner of the mark on a world-wide basis. Microsoft, Windows, Windows NT および Windowsロゴは Microsoft Corporationの⽶国およびその他の国における商標です。 ITILはAXELOS Limitedの登録商標です。 UNIXはThe Open Groupの⽶国およびその他の国における登録商標です。 Cell Broadband Engineは、Sony Computer Entertainment, Inc.の⽶国およびその他の国における商標であり、同社の許諾を受けて使⽤しています。 JavaおよびすべてのJava関連の商標およびロゴは Oracleやその関連会社の⽶国およびその他の国における商標または登録商標です。 Linear Tape-Open, LTO, LTOロゴ, UltriumおよびUltriumロゴは、HP, IBM Corp.およびQuantumの⽶国およびその他の国における商標です。

×