Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a LiBRA 10.2021 / 総集編#02
Similar a LiBRA 10.2021 / 総集編#02 (20)
Más de Masanori Saito
Más de Masanori Saito (20)
Último
Último (10)
LiBRA 10.2021 / 総集編#02
- 3. サイバーフィジカルシステムとIoT データ収集 モニタリング データ解析 原因解明・発見/洞察 計画の最適化 データ活用 業務処理・情報提供 機器制御 ヒト・モノ クラウド・コンピューティング 日常生活・社会活動 環境変化・産業活動 現実世界／Physical World サイバー世界／Cyber World Cyber Physical System／現実世界とサイバー世界が緊密に結合されたシステム アナログな現実世界のものごとやできごとを デジタル・データで捉えデジタル・ツイン （現実世界のデジタル・コピー）を作る 狭義のIoT デジタルとフィジカルが一体となって 高速に改善活動を繰り返す状態を実現 ビジネスの最適化を維持する 広義のIoT
- 4. IoTとビジネス データ収集 モニタリング データ解析 原因解明・発見/洞察 計画の最適化 データ活用 業務処理・情報提供 機器制御 ヒト・モノ クラウド・コンピューティング 日常生活・社会活動 環境変化・産業活動 現実世界／Physical World サイバー世界／Cyber World Cyber Physical System／現実世界とサイバー世界が緊密に結合されたシステム IoTシステム構築ビジネス 確実な原価回収＋利益拡大は難しい 現場オペレーションに精通し センサー×ネットワーク×運用を最適化 狭義のIoT サービス価値提供ビジネス ハイリスク・ハイリターン型の可能性 データによる現場の見える化と UXの高速改善が前提 広義のIoT
- 6. IoTをビジネスにするための6つの前提 6 現実世界のデジタル・コピー デジタル・ツイン 規則や関係 の見える化 未来予測・最適解 インサイト・示唆 機器制御・指示命令・アドバイス 最適化ループ 効率・省エネ・生産性・時短・コスト削減など イノベーション 変革ループ UX(体験価値)向上、新たな連携、利便性向上、驚き・感動など センサー センサー・チップ センサーネットワーク センサー・フュージョン など クラウド データの収集・蓄積 計算処理能力の提供 アプリケーション など AI（機械学習） データの分析 最適解の導出 規則性や関係性の見える化 など 5G（第５世代移動通信システム） 高速・大容量 他端末接続 低遅延 など アジャイル開発・DevOps 現場のフィードバックをうけて高速に改善 ニーズの変化に俊敏な対応 バグフリー・高品質なソフトウエア開発 など AIチップ 自律制御 自律連携 リアルタイム処理 など
- 8. デジタルツイン 8 電脳世界 （Cyber World） 現実世界 （Physical World） Cyber-Physical System スマートフォン 自動車 ウェアラブル 家電 スマートメーター 263 Kw ○×電力 様々なアクティビティ スマートフォン 自動車 ウェアラブル 家電 スマートメーター 263 Kw ○×電力 様々なアクティビティ データ 最適解 シミュレーション デジタル・ツインを使って最適解を導出
- 9. モノのサービス化 モノの価値は、 ハードウェアからソフトウェアへ、 そしてサービスへとシフト ハードウェア ソフトウェア サービス 機能・性能を随時更新可能 機能・性能の固定化 機能・性能を継続的更新可能 モノの価値を評価する基準がシフト 機構が複雑になり、部品の数も増えて、コストが嵩む 故障が多く、保守・サポートの体制やコストの負担が増える 機能追加には、設計や製造工程を変更を伴ひ、迅速対応は困難
- 10. 「モノ」のサービス化 自動車メーカー 航空機メーカー 工作機械メーカー アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア アナリティクス ソフトウェア改修 データ 収集 ソフトウェア 配信 新 規 開 発 制御ソフトウェア 運行データ 走行データ 作業データ 制御 制御 制御 遠隔からの保守点検・修理、自律化機能による自己点検や修復、ソフトウェア更新による機能・性能・操作性の改善 インターネット
- 11. 使 用 の現場 センサー コンピュータ ソフトウエア モノ・製品 モノのサービス化の本質 ものづくり の現場 開 発 製 造 保守 サポート ソフトウェア 改修・更新 インターネット 直 結 ・ 連 係
- 13. サプライ・チェーンとデマンド・チェーン 正確な需要予測 消費に見合った 円滑な商品の流れ を実現する 消費現場の 正確でタイムリー なデータ 消費現場の データに基づく 最適な商品の流れ を実現する POSや販売データだけでは なく、主義主張、趣味嗜好、 人生観や悩み、ライフログ、 生活圏などを含めて消費者 を深く知るためのデータ サプライ・チェーン Supply Chain デマンド・チェーン Demand Chain 日本メーカは、製造現場の改善活動やTQC（Total Quality Control）活動を中心に、SCM（サプライチェー ン・マネジメント）に力を入れ、ムダのない効 率的なものづくりで競争優位を確保してきた。 しかし、グローバル競争に突入したいま、日本 メーカのこれまでの競争戦略が通用しなくなっ ている。とくに価格競争で強みを発揮する中国 やインドがグローバル市場へ進出したことで、 日本メーカの競争力はますます低下している。 ものづくりの付加価値の源泉は、「いかに作る か」という製造生産プロセス（SCM）から、「何 を作るか」という企画開発プロセス（DCM）へと 大きくシフトしている。日本メーカはこれまで 「下り車線」のSCMには強かったが、「上り車 線」のDCMに弱かった。日本メーカの営業利益率 が低いのはそのためである。デジタル時代のも のづくりでは、利益率の低いサプライチェーン よりも利益率の高いディマンドチェーンに強い 企業が生き残るといわれる。 デジタル時代のものづくりでは、利 益率の低いサプライチェーンよりも 利益率の高いディマンドチェーンに 強い企業が生き残る可能性が高い。
- 14. 「モノのサービス化」ビジネス コア・ビジネス 既存ビジネス 蓄積されたノウハウ 確実な顧客ベース 付加価値ビジネス 収益構造の多様化 既存ノウハウの活用 顧客ベースの囲い込み 新規ビジネス 顧客価値の拡大 ノウハウの創出 顧客ベースの拡大 製造・販売 製造・販売 製造・販売 走行距離に応じた 従量課金サービス Pay by Mile 出力×時間に応じた 従量課金サービス Pay by Power 工事施工 自動化サービス Smart Constriction 建設機械 遠隔確認サービス KOMTRAX 安全・省エネ運転 コンサルティング 予防保守・交換 燃料費節約 コンサルティング 予防保守・交換
- 15. ビジネスス・モデルの変革 VISION-S Prototype WOVEN City e-palette エンターテイメント・デバイス エンターテイメント空間として サービスを提供するためのデバイス サービス・プラットフォームとして コネクテッドな時代の 社会・生活空間として コネクテッドな時代のビジネスの可能性・新たな生き残り戦略の模索
- 16. 顧客価値 価値実装 体験 更新 心地良い・使い易い もっと使いたい ずっと使い続けたい 継続的な改善 最適を維持 顧客の期待を先回り UX ソフトウエア 「モノのサービス化」の構造 機能 仕様 モ ノ づ く り ハードウェア UI サービス・ビジネスとは、コトの価値を提供し続けるビジネスのこと コ ト づ く り
- 17. 時計の速さと時代の変化 時計の速さ 時代 1990年 2007年 インターネットの登場 iPhoneの発売 Webやソーシャルメディアの普及 スマートフォンの普及 社会の脈動と人の行動の一体化 人の考えや社会の動きの同期化 意志決定や行動変化の加速 ビジネスの主役が モノからサービスへ 圧倒的なビジネス・スピードが求められる時代 常時インターネット & 接続常時携帯 ネット接続の民主化 & 情報伝達速度の瞬時化
- 19. ソフトウェア化するモノ 19 物理的・物質的なモノでしか実現できない部分 プログラムで制御または実現できる機能・性能 レンズ シャッター ボディなど タイヤ エンジン 車体など 機体・翼 ジェット・エンジン 燃料タンクなど シャッタースピード 発色・感度 フォーカスなど ブレーキ・タイミング エンジン制御 機器のオンオフなど 姿勢や方向の制御 エンジンの制御 機内環境の制御など ソ フ ト ウ ェ ア ハ ー ド ウ ェ ア 製造コストの低減 故障要因の低減 保守容易性の実現 できるだけ シンプルに 開発コストの低減 高機能化のしやすさ 保守容易性の実現 できるだけ 多機能に IoT化 通信機能を組み込み インターネットにつ なげることでモノを サービス化する モジュラー化 機能を標準化・部品 化することで、生産 コストの低減と保守 性を向上させる
- 22. ビジネス価値の比較 ハードウェア 車両本体 ソフトウェア 制御系 サービス 保守・点検・修理 自動車メーカー ハードウェア 車両本体 ソフトウェア サービスの実装 制御系のスマート化 サービス モビリティ・サービス 生活サービス など 保守・点検・修理の価値向上 ソフトウェアによって実装 汎用部品化 モジュラー化 機能・操作の ソフトウェア化 サービス価値を高めて ビジネスを差別化 モビリティ & X サービス事業者 ビジネス・プロセスの ソフトウェア化 高速 改善 欠陥 ゼロ 要求 品質
- 23. 属性データと行動データ 性別・年代・結婚・職業・・・ 女性・20代・独身・事務職・手芸が好き・・・ 属性に応じて最適化された 機能・性能・品質の提供 属性データ 属性（静的）データ ✖️ 商品（モノ） 商品力向上＝調査✖️技術開発✖️製造技術 個 人 場所・時間・体験・感情・・・ 競技場・夏の夕方・サッカー観戦・勝利の喜び・・・ 状況に応じて最適化された 感動・楽しさ・共感の提供 行動データ 行動（動的）データ ✖️ UX（体験） 共感 デジタル接点・取得頻度の 増加によって解像度が上昇 UX向上＝多接点✖️高頻度✖️高速改善 状況 主義主張・人生観・価値観・悩み・生活圏・・・
- 24. データとモノ／コト・ビジネスの関係 属性データ 商 品 販売代金 属性に最適化された 商品の作り込み 魅力的な商品を作る 属性理解→商品設計→商品開発 行動データ UX サブスク 従量課金 状況に最適化された UXのアップデート 魅力的な体験を作る 状況理解→UX設計→UX開発 体験を継続したいという想いへの対価 商品を手に入れることへの対価 行動データ 商 品 販売代金 うまくいかないビジネス 行動データを取得する意味がない 商品の機能や性能を アップデートできなければ意味がない アップデートのコストをまかなえない
- 25. データ活用の前提はData Virtuous Cycle を実装すること プロダクトやサービスを 提供する プロダクトやサービスを 使用する データを 収集する データから 学ぶ プロダクトやサービスを 改善する IoT・Mobile・Web AI（機械学習） クラウド＋デバイス データ 生活データ 行動データ 属性データ
- 26. IoTの仕組みと使われ方
- 27. IoTの機能と役割の4段階 27 モニタリング Monitoring 制御 Control 最適化 Optimization 自律化 Autonomy センサーと外部データ ソフトウェア アナリティクス 人工知能（機械学習） 製品の状態 外部環境 製品の稼働、利用状況 製品機能の制御 パーソナライズ 製品機能・性能の向上 予防診断 サービス、修理 製品の自動運転 他製品やシステムとの自 動的連携 自己診断と修理・修復 製品の自動改良とパーソ ナライズ センサー、CPU、メモリーな どの小型化・低コスト化 ソフトウェアやクラウドの進 化とネットワークの低コスト 化 モデリングやシミュレーショ ンのアルゴリズムの進化と ビッグデータ 人工知能アルゴリズムの進化 製品への組み込み
- 29. 機能階層のシフト 29 データの生成 状況判断・制御 モノの集合体 データの収集・集約 短期での分析 深い分析 サービス連携 データの蓄積 データの生成 状況判断・制御 モノの集合体 データの収集・集約 短期での分析 深い分析 サービス連携 データの蓄積 状況判断・制御 個別のモノ クラウド エッジ モノ データ発生源に、できるだけ近いところで処理する 「深い分析」の前に、リアルタイムで処理・分析する データの変化に追従して迅速にアクションを起こす 高度な機能をエッジやモノにシフト
- 30. 学習と推論の役割分担 30 学習 推論 学習 推論 大規模な計算能力 専用プロセッサー 長時間演算 比較的小規模な計算能力 専用プロセッサー・省電力 短時間演算 学習モデル 学習モデル 学習 推論 学習モデル 学習モデル クラウドでモデルを作り、 そのモデルをエッジのデバ イスに送りリアルタイムの 現場のデータから予測や判 定を行う。 リアルタイム性が重要な処 理は、できるだけ現場に近 い場所で処理できたほうが 有利。また、機器の個体差 にも対処できる。 クラウドで完結するサービ スに適用。 学習 推論 推論モデル（予測や分類などの ルール）を大量のデータから作る 推論モデルを使って現場データ から予測や分類、判断／判定を行う AISing,HACURUS, SOINN など ARAYA,LEAPMIND, IDENなど ABEJA,Microsoft,Google, Facebook,Amazon, Preferred Networkなど NVIDIA,Intelなど
- 31. デバイス側のAIチップ（エッジAIチップ）の必要性 電力消費量の増加 世界の電力消費量は伸び続けており、環境問題 としても取り沙汰されている。 デバイスが増加し、データのやり取りが増加す るとさらに世界の電力消費量が大きくなる可能 性が高い。 リアルタイム性への対応 データ転送などによる通信遅延の発生は，遠隔 医療や産業ロボット、自動運転では通信遅延は 命取りになる場合がある。 自動運転で認識が遅れてブレーキが遅れるなど 即時応答が必要な分野は多い。
- 32. 超分散の時代 32 インターネット 専用ネットワーク インターネット 専用ネットワーク 専用ネットワーク テキスト テキスト+ 画像 マルチメディア（テキスト×画像×動画） マルチメディア + センサー 全てのデータ保管・処理は集中 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 大規模なデータ保管・処理は集中 小規模なデータ保管・処理は分散 高速な処理・応答・制御は超分散 集中コンピューティング 分散コンピューティング クラウド・コンピューティング 超分散コンピューティング 通信経路上の エッジサーバー 分散サーバー 分散サーバー ローカル エッジサーバー 1960年代〜 1980年代〜 2000年代〜 2015年〜 組み込みコンピューター
- 33. IoTの目指していること 調整や連携：打合せ 調整や連携：打合せ 調整や連携：打合せ Input ：人間→紙の書類 Output：紙の書類→人間 Input ：人間→コンピュータ Output：コンピュータ→人間 Input ：機械→コンピュータ Output：コンピュータ→機械 デジタル化前 人間が主体で行う仕事を 機械が支援する 機械が支援して人間が仕事をする 調整や連携：機械同士 Input ：機械→機械 Output：機械→機械 管理 ：コンピュータ 目標設定：人間 デジタル化後 自律制御 監視・指示 データ＋機械学習 機械にできることは 徹底して機械に任せ 人間しかできないことを 人間が行う 機械と人間が一緒に仕事をする 自律制御 H2H Human to Human M2H Machine to Human M2M Machine to Machine
- 34. IoT World Forumのリファレンス･モデル 34 物理的なデバイスとコントロー Physical Devices &controllers モノと設備・モノの周辺に配置される制御機器類 接続 Connectivity ネットワークや機器との通信 エッジコンピューティング Edge Computing モノの周辺でのデータ分析や変換処理 データ抽象化 Data Abstraction データ集約とアクセス アプリケーション Application データ活用（業務処理・分析・レポート） 協働とプロセス Corroboration & Processes 人と業務プロセス データの蓄積 Data Accumulation データの蓄積と管理
- 36. 1G 2G 3G 4G 5G 音声 テキスト データ 動画 あらゆるモノがつながることを前提とした 社会課題の解決 通信・コミュニケーションの性能向上 移動体通信システムの歴史 1979〜 1993〜 2001〜 2012〜 2020〜 9.6Kbps 28.8〜384Kbps 2.4〜14.4Mbps 0.1〜1Gbps 10Gbps〜
- 37. 5Gのビジネスの適用領域 データ量超増大 × 即時性向上 1通信あたりのデータの嵩が増える リッチ化する：高精細や高音質になり臨場感、没入感 が増す 多角化する：同時に取り扱える情報の選択肢が増える 1通信あたりのデータの種類が増える 制御用の情報（センサーやカメラからの情報）が増え る：自動○○が実現する 参考可能な情報（ログ情報）が増える：パーソナライ ズのパターンが増える、レコメンドの精度が向上する、 対象への理解が深まる タイムラグがほぼ無くなる 距離の制約が消える：各地に散らばる人たち同士で同 時に何かやる、今やった/起きたことをすぐに取り込 んですぐ活かす 社会（利便性）向上系 医療分野 超高信頼低遅延通信の実現で移動中や遠隔地の高度診療が可能になり、 医療格差が解消される 農林水産分野 超大量端末同時接続の実現で作物や家畜などの状況を把握するセン サーと散水・薬剤散布や給餌を実施するロボットやドローンの制御が 可能になり、減少する従事人口を補える 土木建築分野 超大量端末同時接続と超高信頼低遅延通信の実現によって遠隔制御が 可能になり、危険度が高い高所・鉱山・災害地などの現場での安全な 作業が確保でき、またドローンの活用による高精度測量などの精度が 向上する 生活分野 自動運転と遠隔制御によって、細分化された公共交通が実現する センサー情報を駆使して状況を把握する店舗運営が可能になる 遠隔授業や家庭教師の実現によって、学習格差が解消される 大量センサーと自動判定AIによって、防災・防犯・減災力が向上 VRオフィスとテレワークが実現する コンテンツ向上系 スポーツの場合⇒体験が深くなる 自動制御が可能になってカメラ台数を一気に増やせることで、多地 点・ドローンなどによる多角度撮影ができるようになる 取得データの種類が増え分析できる情報が増えることで、選手のバイ タルデータ・顧客のバイタルデータ・環境データが取得できるように なる AIが発達することでデータの有効活用レベルが上がり、多角的な分析 結果を提示できるようになる エンタメの場合⇒現実を超える仮想実現へ 即時性が向上することで出演者の居場所を問わない制作環境を実現さ せることや、同時多人数対応の参加型体験の提供ができるようになる スポーツ＆エンタメに共通 1通信あたりの送信データの嵩が増え、高画質・高音質・8K360°リ アルタイムな高臨場感映像が提供できるようになり、また視聴者に合 わせた多種多様な映像・情報を提供できるようになる 生活者データ・ドリブン・マーケテイィング通信より https://seikatsusha-ddm.com/article/10129/
- 38. 5Gの3つの特徴 先送り 高速・大容量 大量端末接続 超低遅延・高信頼性 100万台/k㎡ 1ミリ秒 20Gビット/秒 1Gビット/秒 10万台/k㎡ 10ミリ秒 20 倍 5G 4G URLLC： Ultra-Reliable and Low Latency Communications mMTC： massive Machine Type Communications eMBB： enhanced Mobile Broadband リアリティの再現 光ファイバーの代替／補完 高精細／高分解能な デジタル・ツインの構築 時空間の同期 リアルタイム連携
- 39. 第５世代通信の適用例 高速・大容量データ通信 10G〜20Gbpsのピークレート どこでも100Mbps程度 大量端末の接続 現在の100倍の端末数 省電力性能 超低遅延・超高信頼性 1m秒以下 確実な通信の信頼性担保 5G 多様なサービスへの適用を可能にする 異なる要件のすべてを1つのネットワークで実現する。 各要件をに応じてネットワークを仮想的に分離して提供する（ネットワーク・スライシング）。 2020年代〜 ２時間の映画を ３秒でダウンロード ロボット等の 精緻な遠隔操作を リアルタイムで実現 自宅内の約100個のモノ がネットに接続 (現行技術では数個) 現在の移動通信システムより 100倍速いブロードバンドサー ビスを提供 利用者がタイムラグを意識 することなく、リアルタイ ムに遠隔地のロボット等を 操作・制御 スマホ、PCをはじめ、身の 回りのあらゆる機器がネッ トに接続
- 41. 5Gの普及段階 高速 eMBB 低遅延 URLLC 多接続 mMTC 高速 eMBB 低遅延 URLLC 多接続 mMTC 高速 eMBB 低遅延 URLLC 多接続 mMTC 4G（LTE） 4Gコアネットワーク LTE 基地局 4Gコアネットワーク LTE 基地局 NR 基地局 マクロセル スモールセル 既存周波数帯 新しい周波数帯 NSA NSA: Non-Standalone 5Gコアネットワーク LTE NR 基地局 既存周波数帯 新しい周波数帯 SA SA: Standalone マクロセル スモールセル NR ユーザー情報 制御情報 ユーザー情報 ユーザー情報 制御情報 SA LTE: Long Term Evolution NR: New Radio 5G初期 5G普及期 2010〜 2020〜 2022〜
- 44. 第５世代通信におけるネットワーク・スライス 高速・大容量データ通信 大量端末の接続 超低遅延・超高信頼性 5G ネットワーク・スライシング SIM SIM SIM 閉域網 閉域網 閉域網 SIM SIM SIM(subscriber identity moduleもしくはsubscriber identification module/SIMカード)とは、電話番号を特定するための固有のID番号が記録された、 携帯やスマートフォンが通信するために必要なICカードのこと。
- 47. 人間の知能と機械の知能
- 49. 特化型人工知能（AI）と汎用型人工知能(AGI) 顔認証 音声認識 囲碁 特定の領域に特化した 知的処理を行うプログラム 自動運転 人間がテーマを与え 人間が能力を拡張させる 特化型人工知能 AI : Narrow Artificial Intelligence AI AI AI AI 何を知るべきか を見つける どうすればいいか を探す 疑問や興味を持ち 目的やテーマを 設定する能力 家事 医療診断 研究 カウンセ リング 全ての領域をカバーする 知的処理を行うプログラム 自律的にテーマを探し 自律的に能力を拡張させる 汎用型人工知能 AGI : Artificial General Intelligence AGI AGI
- 51. 知能・身体・環境とAI 51 生物／生存と繁殖 自己概念 信念、欲求、感情、理性、自己意識 感覚器 目・耳・鼻・触覚 など 運動器官 骨格、関節、筋肉、靭帯、腱 環境／ガイア仮説 身体 影響 受容 相互作用・適応 エネルギー循環 誕 生 死 滅 進化 遺伝・淘汰・絶滅 IoT ロボティクス 地球と生物が、相互に 関係し合い環境を作る 認識 判断 運動構成 AI/人工知能 繁 殖 長く生き延び 子孫を残す 内分泌系 脳・神経系
- 56. 人工知能と機械学習の関係 56 人工知能 Artificial Intelligence/AI 機械学習 Machine Learning ニューラル・ネットワーク Neural Network 深層学習 Deep Learning 人間の”知能”を機械で 人工的に再現したもの 強いAI:コンピュー タに人間と同様の知 能を持たせた仕組み 弱いAI:コンピュー タに人間と同様の知 的な振る舞い・処理 をさせる仕組み データからグループ分 けのためのルール（モ デル）を作る仕組み 脳の仕組みを参考に作 られた機械学習の手法 従来よりも精度の高いモ デルを作ることができる ニューラル・ネットワー クの手法 遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、 ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット データ プログラム モデル
- 57. なぜいま人工知能なのか インターネット アルゴリズム GPU（Graphics Processing Unit） 脳科学の研究成果を反映 高速・並列・大規模計算能力 人工知能（Artificial Intelligence） ビッグデータ IoT モバイル・ウェアラブル ソーシャル・メディア ウェブサイト WWW
- 58. 第3次AIブームの背景とこれから 58 1960 1970 1980 1990 2000 2010 2020 2030 第1次AIブーム 推論・探査など ゲームや迷路などに 用途は限られ実用性は 無かった 第2次AIブーム ルールベースなど エキスバーとシステムと して実用化されたが汎用 性が無かった 第3次AIブーム 機械学習（統計確率論や深層学習など） 汎用性、実用性が高まり、様々な分野の適用 が期待されている 大型コンピューター メインフレーム パーソナル・コンピューター スマート フォン IoT ビッグデータ時代の到来 ARPAnet 米国・インターネット 商用利用開始 日本・インターネット 商用利用開始（IIJ） World Wide Web が開発され公開 画像が扱えるWWWブラウザー Mozaicが開発され公開 Windows95発売 IEが付属し、ブラウザーでの インターネット利用者が拡大 ISLVRCにて ディープラーニング圧勝 1969 1990 1993 1995 2012 Googleによる 猫認識 2011 Jeopardyにて IBM Watson勝利 電脳将棋 竜王戦 開始 1997 チェス・チャンピオンに勝利 IBM Deep Blue 2007 iPhone 発売 1981 IBM PC 5150 発売 汎用人工知能 Artificial General Intelligence 登場の可能性 ムーアの法則／コンピュータ性能の加速度的向上 1965〜 ムーアの法則の限界／新たな選択肢の登場 GPGPU、ニューロモーフィング・チップ 量子コンピュータ等 IBM S/360 メインフレーム 1964 ニューラル ネットワーク 考案 Intel 404 マイクロプロセッサ 1971 データ流通量 1957 1956 ダートマス 会議 1982 第５世代 コンピュータ プロジェクト
- 59. 機械学習
- 61. 機械学習がやっていること モデル レントゲン写真から 「癌」の病巣を 識別するルール 入力 出力 癌 データ分析で ルールを作る 機械学習 癌の病巣が写っている 大量のレントゲン写真 ある患者のレントゲン写真 「癌」の病巣を表示 レントゲン写真から 「癌」の病巣を見つける「モデル」
- 62. 機械学習がやっていること モデル 推論モデル／学習モデル 入力 出力 Y＝f(X) X Y f 関数 学習：大量のXとYの関係を調べ、統計的に最も確からしい関数 f を見つける計算 推論：関数 f に入力Xを与え、出力Yを導く計算 学習データ 大量のデータを処理するため の計算資源が必要 学習ほどの計算資源は不要
- 64. 機械学習の仕組み 64 IoT Web Mobile データ モデル 推論 機械学習 Machine Learning 識別 予測 判断 ゾウ or カバ？ 正常 or 異常？ 晴れ or 雨？ データ(学習データ)を分析して 特徴が共通するグループに分ける ための基準／ルール(モデル)を作る モデルを使ってグループ分けする 音声認識 顔認証 自動運転 創薬支援 天気予報 画像診断 人材採用 故障予測 機械翻訳 競技アドバイス 惑星探査 ヒビ割れ点検 製品品質検査 機械学習アプリケーション 推論モデル／学習モデルという 学習データという
- 68. 一般的機械学習とディープラーニングとの違い 68 耳 27% 目 48% 口 12% 特徴量 「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴 正しく認識 82% 誤った認識 18% 認識結果 耳 27% 目 48% 口 12% 特徴量 学習 ディープラーニング 学習 推論 ディープラーニング 推論 正しく認識 82% 誤った認識 18% 認識結果 人間が認識結果が 最適になる組合せを 見つける 機械が認識結果が 最適になる組合せを 見つける 学習データ 教師付きデータ 学習データの一部 評価データ
- 70. 教師あり学習と教師なし学習 イヌ イヌ イヌ ネコ ネコ モデル 特徴の組合せを使って 違いを見分けるルール イヌ ネコ 教師あり データ 教師なし データ 判別 分類 教師あり学習 教師なし学習
- 73. 自動化ツール Google Cloud AutoML Microsoft Azure ML AWS SageMaker など AIと人間の役割分担 データを準備 意志決定 学習方式の選択 パラメーターの調整 推論 問いを生みだす 解決したいこと・知りたいことを決める 膨大なデータの中から、人間 の経験に基づく先入観なしに 規則、相関、区分を見つける 新たな問いを生みだす 判断・制御 モデル
- 74. 深層学習が前提となったシステム構造 74 深層学習フレームワーク 学習処理実行基盤 画像解析 動画認識 音声認識 話者認識 言語理解 文章解析 機械翻訳 知識表現 検索 コールセンター 顧客応対 営業支援 提案活動支援 医療 診断支援 創薬支援 その他 その他 文献データ 社内業務 データ 概念体系 辞書 音響データ 言語データ 画像データ 動画データ その他 アプリケーション ソリューション 認識系 サービス 学習基盤 知識ベース 学習データ Ａ Ｉ プ ラ ッ ト フ ォ ー ム
- 75. 人工知能の可能性と限界
- 76. 機械翻訳の現状とそのプロセス 76 音声認識 Speech Recognition 機械翻訳 machine translation 音声合成 Speech synthesis 2016：人間並み 2018〜19：人間超え 2018〜19：人間との区別困難 プロの逐次翻訳に匹敵（状況による） 60 50 40 30 20 10 一般の人が翻訳した場合よりも高品質であることが多い 非常に高品質で適切かつ流暢な翻訳 高品質な翻訳 理解できる適度な品質の翻訳 主旨は明白だが文法上の重大なエラーがある 主旨を理解するのが困難 ほとんど役に立たない BLEUスコア 19851990 1995 2000 2005 2010 2015 2020 統計的機械翻訳 SMT(Statically Machine Translation) ニューラル機械翻訳 NMT(Nural Machine Translation) BLEU: BiLingual Evaluation Understudy
- 78. 人間と機械の役割分担 78 WHY HOW What テクノロジーにより 置き換えられる領域 AI、ロボット、クラウド、自動化など 人間でなければ できない領域 なぜ、なんのために、何をしたいかなど
- 81. シンギュラリティの意味 （２） 81 人間の知性を超える 人工知能への不安 人工知能が人工知能を作り 知能が爆発的に拡大する 人間に代わって 人間を支配する 人間と融合し ポスト・ヒューマンが 登場する 同一分野での経験の蓄積に頼る仕事は置き換えられる 新しい科学的発見が加速する 人間にしかできないホスピタリティや社会的承認といった欲求を満た すビジネスが拡大する
- 84. データとデータサイエンス
- 87. データ取得のためのプロセス設計 ステップ１：目的から仮説を導く 事業目的を明確にする その目的を達成する上での事業課題を洗い出す 事業課題を解消できるソリューション／事業の仮説を設定する ステップ２：データ項目とモデルを設定する 仮説の有効性を検証するために必要なデータ項目を決定する 必要なデータ項目が取得できる状況や条件を洗い出す 仮説を裏付けるプロセス・モデルを考える ステップ3：データの取得とフィードバック 必要なデータ項目を含むデータとその取得方法を考える ユースケースやペルソナを設定しデータ取得のストーリーを設計する ソリューション／事業を開発・実践しフィード・バックを手に入れる 評価・改善
- 88. 機械学習の活用プロセス 88 モデル運用 機械学習 モデル作成 学習データ 収集・加工 学習データ 定義 問題定義 問題発見 ゴール設定・KPI定義 業務方針決定 ノウハウの形式知化 目的変数の決定 説明変数決定 データソース決定 データ収集 加工プログラム開発 アルゴリズム選択 コーディング パラメータチューニング 環境構築 コーディング デプロイ&テスト 経営や業務 業務 IT 計算科学 統計学 計算科学 IT 業務 プロセス タスク スキルや知識
- 90. 機械学習とデータサイエンス 90 データ アナログな現実世界の「ものごと」や「できごと」 学習 推論 識別 予測 判断 ゾウ or カバ？ 正常 or 異常？ 晴れ or 雨？ 音声認識 顔認証 自動運転 創薬支援 天気予報 画像診断 人材採用 故障予測 機械翻訳 競技アドバイス 惑星探査 ヒビ割れ点検 製品品質検査 アプリケーション 機械翻訳 商品提案 モデルと プロセスの設計 要件と課題 の設定 仮説の設定 学習 モデル データ の探査 データ の収集 IoT、モバイル、Webなど 特徴が共通するグループに 分けるための基準／ルール (学習モデル)を作る 学習モデルを使って 特徴が共通するグループに 分類する 機械学習 デジタル化された学習データ データ・サイエンス 多くの学問領域にわたる科学的手法やシステ ムなどを使い、様々なデータから知見や洞察 を引き出そうとする研究分野 何を知りたいか？ どのように知るかを まずは明確にする
- 92. データサイエンティストの業務 後藤真理絵／リクルートマーケティングパートナーズ Data Scientist、Quipper Data Scientist
- 95. システム構築事例 ：大手オンライン・サービス事業者 財務会計・人事 Netsuite 管理会計 Tableau 勤怠・給与 e-Pay 経費精算 Concur 連結会計 Diva 人事ダッシュボー ド QlicView 考課・目標管理 Cydas KPI管理 内製 作画・共有 Cacoo 情報共有 Quita 進捗管理 Tollelo 開発ソース管理 GitHub 開発案件管理 Jira 開発情報Wiki Confluence ファイル共有 Box シングル サインオン Okta メール G Suite チャット Slack 無人受付 Smart at ワークフロー kintone 名刺管理 sansan マーケティング Marketo 基幹業務 システム開発 コミュニケーション その他 クラウド SaaS オンプレミス パッケージ オンプレミス 内製 クラウド・サービス利用することで、構築や運用の負担を減らし、「最新」の価値を享受
- 96. システム開発とDX
- 97. デジタル・トランスフォーメーションのBefore/After 支援 人間主体でビジネスを動かしITが支援する 生産性向上・コスト削減・期間短縮 ITはコスト、削減することが正義 クラウド化＋自動化 モダナイゼーション Before DX 人間とITが一体となってビジネスを動かす 変化への即応力・破壊的競争力・価値の創出 ITは競争力の源泉、投資対効果で評価 新規性と俊敏性の確保 アジャイル+DevOps プラットフォーム After DX 省力化とコスト削減 事業を支えるIT 事業を変革するIT 外注 主導 内製 主導 何をするか予め決めることができる 試行錯誤を繰り返し何をするかを見つける
- 99. 作らない技術のスタック アジャイル開発 Agile Development ビジネスの成果に貢献するコードだけ 変更に柔軟・迅速に対応 バグフリーで提供 DevOps Development & Operation 運用の安定を維持 本番環境への迅速な移行 高速な改善 クラウド Cloud Computing 最新の機能やリソースの調達 経費化による不確実性への担保 構築や運用、セキュリティから解放 高品質で無駄なく変更要求に即応できるソフトウエアの実現 安定稼働と高速なデリバリーの両立 最新機能の調達と構築・運用からの解放 デザイン思考 XP（エクストリーム･プログラミング） スクラム など CI（継続的インテグレーション）/CD（継続的デリバリー） コンテナ マイクロ・サービス など サーバーレス／FaaS PaaS／SaaSとAPI リポジトリー・サービス など 心理的安全性と自律したチーム ゼロトラスト・ネットワーク
- 103. 作らない技術を前提としたシステム 自動車の 配車サービス 地図情報 代金決済 セキュリティ ID認証 損害保険 マイクロサービス、REST/AP|I クラウド・サービス クルマと人 マッチング
- 107. コード管理 コード確認 登録 構築 リリース 議事録・ガントチャートなど 情報はバラバラで リアルタイムに進捗や状況が分からない 誰がやっているのかが分からない 伝言ゲームで現場の空気が伝わらない タイムリーに検証ができない リリースに時間かがかかる 開発と運用 現状
- 108. コード管理 コード確認 構築 リリース 開発と運用 これから タスク の共有 進捗や課題などのをリアルタイムに共有 開発する現場と利用する現場が一体となる フィードバック・アップデート・リリース のサイクルを高速で回す
- 109. DXを実践するための 内製化と共創
- 110. 気付きからサービスに至る全体プロセス 共感 定義 アイデア創出 学び・気付き デイリー スクラム スプリント レビュー 振り返り スプリント プランニング ビルド ピボット or 継続？ 実証実験開始 顧客の課題 ソリューション デザイン思考 リーンスタートアップ アジャイル開発 気付き・問題意識 タスクリスト 運 用 デプロイ 運用 監視 DevOps サービス フィードバック SRE Site Reliability Engineer アップデート データ収集 継続的な改善 CI Continuous Delivery Continuous Integration CD
- 112. アジャイル開発
- 113. アジャイル開発のプロセス 開発 開発 開発 イテレーション／反復#1 イテレーション／反復#2 イテレーション／反復#3 開発 イテレーション／反復#n 業務上の重要度に基づいて優先順位を決めて業務プロセスを積み上げてゆく。 リリースされるプロセスは実行可能であり、ユーザーがそれを使って検証できる。 現場のフィードバックを受け入れ、次のイテレーションで統合してリリースする。 リリース フィード バック 最も重要度の高い 業務プロセス 業務上の成果があげられる と判断されて完成とする 重要度の高い順番に 業務プロセスを追加 追加されたプロセスは既にリリースした プロセスと統合し品質を確認する ウオーターフォール開発 要 件 定 義 外 部 設 計 内 部 設 計 プ ロ グ ラ ム 設 計 プ ロ グ ラ ミ ン グ 統 合 テ ス ト 結 合 テ ス ト リリース
- 116. ウォーターフォールとアジャイルの違い 用意されたプロセスやツール 全てを網羅したドキュメント お互いの妥協点を探る契約交渉 一度決めた仕様や計画に従うこと システムを納品すること 計画通りに完成させること 「計画通り」が正義という信念 自律的な判断と行動 実際に使う動くソフトウェア 顧客との対話と協調 変更や変化への柔軟な対応 ITサービスを提供すること ビジネスを成功させること 「計画通り」は無理という現実
- 117. ウォーターフォールとアジャイルの違い ユーザーと開発者はプロジェクトを通して、日々一緒 に働く ユーザの満足を優先し価値あるソフトウェアを早く継 続的に提供する 要求の変更はたとえ開発の後期であっても歓迎する 動くソフトウェアをできるだけ短い間隔（ 2〜3週間 あるいは2〜3ヶ月）でリリースする 動くソフトウェアこそ進捗の最も重要な尺度 技術的卓越性と優れた設計に対する普段の注意が機敏 さを高める シンプル（無駄なく作れる量）に作ることが基本 最良のアーキテクチャ・要求・設計は自己組織的な チームから生み出される チームが最も効率を高めることができるかを定期的に 振り返り、それに基づいて自分たちのやり方を最適に 調整する アジャイルな思想 ユーザと開発者はいつもは別の場所にいてプロジェク トを通して定例ミーティングを行う ユーザーの満足や価値のあるなしではなく、とにかく ソフトウェアを提供する 要求の変更を開発の後期に出すの勘弁して欲しい パワポ、エクセル、ワードの仕様書を丁寧に清書して （ 2〜3週間あるいは2〜3ヶ月）納品する 動くソフトウェアこそ進捗の最も重要な尺度 技術的卓越性と優れた設計に対する普段の注意が機敏 さを高める 仕様書通り（間違っていようが）に作ることが基本 最良のアーキテクチャ・要求・設計は自己組織的な チームから生み出される チームがもっと稼働率を高めるように監視し、それに 基づいて自分たちへの批判や不満を回避するために、 念のため納期を厳しめに設定する ウォーターフォールな思想 https://speakerdeck.com/kawaguti/flipped-agile-manifest Yasunobu Kawaguchi氏 資料を参考に作成
- 122. アジャイル開発 ウォーターフォール開発 最初に要件をあらかじめ 全て決めてから開発 要件 設計 コーディング 単体テスト 結合テスト ウォーターフォール開発とアジャイル開発（３） リリース ビジネス上の重要度で要件 の優先順位を決め、これに 従って必要機能を順次開発 反復（イテレーション）1 反復 2 反復 3 反復 4 リリース リリース リリース リリース Continues Integration 品質の作り込み
- 123. ウォーターフォール開発とアジャイル開発（５） ◎ 〇 △ Ｘ 反復 １ ビジネス価値 ◎ 反復 ２ ビジネス価値 〇 反復 ３ ビジネス価値 △ 反復 ４ ビジネス価値 Ｘ 「MVP（Minimum Viable Product：仮説を検証することができる最低限のプ ロダクト）」かつ、ビジネス価値の高い機能・プロセスを優先して開発する。
- 124. ウォーターフォール開発とアジャイル開発（６） プラン ドリブン型 バリュー ドリブン型 リソース アジャイル 納期 リソース 納期 実現仕様 ウオーターフォール 要求仕様 要件 設計 コーディング 単体テスト 結合テスト リ ス ク 時間 反復1 リ ス ク 時間 反復2 反復3 反復4 前提条件 原理的に 不良が起きない 納期が守られる コストと納期を 守ること 機能と品質を実 現すること ゴールは何か？
- 125. アジャイル開発の目的・理念・手法 125 高品質で無駄がなく、変更要求に対応できるきるソフトウエアを作成する為 適切な一連の手順に従う 高い協調と自律的なプロジェクト関係者によって実施される イタラティブ(反復/周期)、インクリメンタル（順次増加部分を積み上げていく)方式 ダイナミックシステムズ開発技法(Dynamic Systems Development Method) Dane Faulknerほか アダプティブソフトウェア開発(Adaptive Software Development) Jim Highsmith クリスタルメソッド(Crystal Methods) Alistair Cockburn) スクラム(Scrum) Ken Schwaber、Jeff Sutherland エクストリームプログラミング(XP/eXtreme Programing) Kent Beck、Eric Gammaほか リーンソフトウェア開発(Lean Software Development) Tom and Mary Poppendieck フィーチャ駆動開発(Feature-Driven Development) Peter Code、Jeff DeLuca アジャイル統一プロセス(Agile Unified Process) Scott Ambler 反復(周期)的(Iterative) --- 定期的なリリース 漸進的(Incremental) --- 徐々に機能を増加 適応主義(Adaptive) --- 変化に対応(即応) 自律的(Self-Organized) --- 学習する組織 多能工(Cell Production) --- 一人多役(SE、プログラマー、テスター) 目的と理念 手 法 共通する要素
- 126. 自律型の組織で変化への柔軟性を担保する 126 さまざまな専門性を持った人がチームを組み、最初 から最後まで一緒に働く。 人とチームを重視し、彼らが自律的に働ける環境を 与えることでブレークスルーが起こりやすくなり、 同時に製品化までの時間が短くなる。 リーダーは、自律するチームの障害を取り除くこと が仕事であり管理しない。 日本で行われている 新製品開発のプロセスを 米国のやり方と比較した論文 1986,Harvard Business Review Scrum（スクラム） 1990年代、Jeff Sutherlandらが ソフトウェア開発のに適用 アジャイル開発 不安定 高い自由裁量と困難なゴールを持つ 自己組織化 情報ゼロから相互交流し自律的に仕組みを作る 全員多能工 分業を共有しメンバーがプロジェクトの責任を自覚する イノベーションを 生みだす方法論
- 127. スクラム：特徴・3本の柱・基本的考え方 127 システム開発のフレームワーク（1995）／ Ken Schwaber & Jeff Sutherland 特徴 軽量 理解しやすい（シンプル） 会得するのは比較的難しい 三本の柱 Transparency （透明性） Inspection （視察、検査） Adaptation （適応、順応、改作） 基本的考え方 タイム・ボックス（Time Box） 時間を区切って、その時間内に目的を果たす仕事を行う仕事の仕方 機能横断的な固定化されたチーム チーム内で役割分担を決めず、全員が必要な仕事をこなす多能工（T型人間のチームででき るだけチームメ ンバーを固定化した方がよい 持続可能なペース 徹夜や残業を排除して安定した持続可能な一定のペースで開発し、定期的にリリースを行う
- 128. スクラム：スクラム・プロセス 128 イテレーション（反復） 4 1〜4週間 イテレーション（反復） 3 1〜4週間 イテレーション（反復） 2 1〜4週間 イテレーション（反復） 1 1〜4週間 納品 納品 納品 納品 プロダクト・オーナー プロダクト・バックログ 1. -------------------- 2. -------------------- 3. -------------------- 4. -------------------- 5. -------------------- 6. -------------------- スプリント･プラン イテレーション毎の 内容区分 2時間程度の単位 スクラム･マスター タスク･リスト スプリント・バックログ 1. -------------------- 2. -------------------- 3. -------------------- 4. -------------------- 5. -------------------- 開発チーム バーンダウン チャート デイリー スクラム 開発・テスト インテグレーション To Do On Going Done Keep Problem Try スタンドアップミーティング & スプリント･レビュー・振り返り
- 129. スクラム：プロダクト・オーナー 129 ミッションと責任 プロダクトの完成図と方向性を示す プロダクトに必要な機能の詳細を決める リリースの内容と日程を決める 市場価値に基づくプロダクト･パックログの優先順位を決める スプリント毎に優先順位を変更できる権限を持つ プロダクトの収益性(ROI)の責任を持つ プロダクト･オーナーが行う事 プロダクトのビジョンを作成し、関係者に示し、共有する 対象プロダクトのビジネス要求(ビジネス環境)の説明 エピック、ユーザーストーリーの確定とペルソナの作成 ユーザーストーリー毎の受け入れ基準の承認 プロダクト・バックログの優先順位付けとプロジェクト期間中の維持管理 開発チームへのユーザーストーリーの説明 開発チームのDoD(完了の定義)作成の支援 リリース計画の承認 稼働環境の定義 EOL(プロダクトの終焉)条件の設定
- 130. スクラム：スクラム・マスター 130 チームの機能や効率化を支援する チームが最大パフォーマンスを発揮できる環境を作る ＝ 妨害からチームを守る チームがスクラム・プロセス通りに作業を実施できる様に支援する チームに気付きを与える チームの自律を支援する チームの能力をユーザーに売り込む プロジェクト関係者間の信頼感を醸成する お客様(ユーザー)第一の思想 ジャスト・イン・タイムの徹底 カイゼン活動の促進 チームのモチベーションの向上 スクラム･マスター
- 131. スクラム：開発チーム 131 自己組織的なチームである 自律性 メンバーが自ら日々の仕事を管理する 自己超越 常に目標を達成するように自らを追い込み、常に自身のプラクティスを改善する 相互交換作用 機能横断的かつ定めた役割がない 目標にコミットする義務がある チームはスプリント計画ミーティングでコミットした目標を達成する責 任 を持つ 目標達成につながるならば方法を限定しない チームは全ての決断を下す権限、必要なことを何でも行う権限、あらゆる障 害の除去を依頼する権限を持つ 争議はチーム内で解決する 作業規約を作る
- 132. エクストリーム･プログラミング（XP） 132 テスト駆動開発（Test-Driven Development：TDD）＝テストファース ト・プログラミング 実装する機能をテストするプログラムを書く コードを書いてテストする デザインを見直す 信号が青になる（テスト・コードが成功する）まで繰り返す リファクタリング 完成したコードの見直し（実装された機能を変えずに、コードをシンプルに、 見やすくする） 任意の作業（全員が行う&時間が空いたら行う） ペアプログラミング ドライバー（コードを書く人） ナビゲーター（コードをチェックする人、ナビゲーションをする人） この役割を1日の中でペア間で、途中で交代する ペアの組み合わせを毎日替える 10分間ビルド 自動的にシステム全体をビルドして、全てのテストを10分以内に実行させる Kent Beck（1999年）によって提唱された開発手法
- 133. アジャイル開発で品質が向上する理由 133 ムダ取りの原則を徹底する。 作業にムラがあるから、ムリをするようになる。 ムリな作業をした結果、ムダが生じる。 ムラを防止するのは、一定の作業リズム（タクトタイム＝タイムボックス） タスクの粒度を小さくする。 作業手順（工程設計）を考えなければタスクは小さくできない。 タスクが小さくなれば、ミスを容易に発見できる。手戻りも小さい。 タスクを小さくするとムダが見えてくる。 正味（本来の価値を作り込む）作業、付帯（事前、事後の）作業、ムダな作業 タスクを小さくすることで、整流化が容易になる。（ボトルネックの解消： 一個流し生産） 全員での作業で透明性が高まる。 一人で抱え込む仕事がなくなる。 事前に他人の目が届く（チェック） トヨタ生産方式（ＴＰＳ）の自働化の思想をプロセスに組み込める。 不良作業をしない。不良品を流さない。不良品を受け取らない。（自工程完結） 不良が起こったらラインストップをして、関係者全員が異常に気づく。（見える化） 作業者（開発者）に直接フィードバックする仕組みが構築できる。 『擦り合わせ』をしながら作業が進む。
- 134. アジャイル開発で品質が向上する理由 134 タスクの粒度を小さくすることはＴＰＳにおける小ロット化と同様 「流れ」を作り、負荷を平準化し、柔軟性を高める タスクの粒度は小さいほど良い １日以内、理想は１時間 責任を持って見積ができる バグを作り込まない（簡単にテスト可能） 他のペアと同期がとれる ダイナミックなプロジェクト運営が可能となる（チーム編成の増減、分散開発など） タスクが小さくできないのは、作業対象の内容把握に問題が存在するのではないか？ タスクを小さく分割するという事は、作業指示書を作成する事。 Statements of Source code Test Cases Test Coverage 1 1 100.00% 10 2 100.00% 100 5 95.00% 1,000 15 75.00% 10,000 250 50.00% 100,000 4,000 35.00% 1,000,000 50,000 25.00% 10,000,000 350,000 15.00% Application size, Test Cases, and Test Coverage. Logical source code statements By Caper Jones
- 135. DoD (Definition of Done) 完了の定義 135 各作業の完了基準 閾値（標準値）を決める。 作業経過、結果を計測する。 自工程完結の基本的な姿勢（現場での意思決定） 仁＝他人の努力を無駄にしない思いやり 検 査 検 査 検 査 発生防止 流出防止 プロセス プロセス プロセス 検 査 納入 検査 検査 検査 DoD
- 136. DevOps
- 137. 開発と運用の協調・連携を実現するDevOps 137 情報システムに求められること システムによってビジネスの成功に貢献すること ビジネスの成功のための貢献を確実、迅速にユーザーに届けること ユーザーの求める貢献の変化に迅速・柔軟に対応すること 開発チーム（Development） システムに新しい機能を追加すること 運用チーム（Operation） システムを安定稼働させること 迅速にアプリケーションを開発・更新し すぐにユーザーに使ってもらいたい 確実に本番システムに安定させ 安心してユーザーに使ってもらいたい 対立 アジャイル開発 SDI/IaaS（インフラのソフトウエア化） ツール と 組織文化 の融合 開発チーム（Development）と運用チーム（Operations）が、お互いに協調し合い 「情報システムに求められること」を実現する取り組み いますぐ変更を 反映したい！ 安定運用したい！
- 138. DevOpsのメリット ソースコードを変更してすぐデプロイとテストができるため、早い段階で問題を発見できる。 テストやビルド、デプロイなども、自動化・省力化することで、ヒューマンエラーを防げる。 いざ本番環境になって動かない！というリスクが低い。 開発と運用が稼働状況を共有することで、問題点や修正のステータスを把握しやすい。 新しい機能で問題が起きた時の対応についても、フィードバックがスムーズ。 運用はリリースの信頼性が高まることで、システムの変更を承認しやすくなる。 継続的インテグレーション（Continuous Integration） 開発者が自分のコード変更を頻繁にセントラルリポジトリにマージし、その度 に自動化されたビルドとテストを実行します。小さなサイクルでインテグレー ションを繰り返し行い、インテグレーションのエラーを素早く修正することに よりチームは統合されたソフトウェアをより迅速に開発できるようになります。 コミット ビルド テスト 結合 Continuous Integration CI フィードバック 後工程 コミット ビルド 失敗 変更 コミット ビルド 変更 原因究明 変更 ビルド 失敗 変更 ビルド 変更 ビルド 変更 ビルド
- 140. サーバー仮想化とコンテナ OS ハードウェア ハイパーバイザー 仮想サーバー ミドルウェア OS 仮想サーバー ミドルウェア OS 仮想サーバー ミドルウェア サーバー仮想化 ハードウェア コンテナ管理ソフトウエア OS ミドルウェア アプリ ミドルウェア アプリ ミドルウェア アプリ コンテナ コンテナ コンテナ コンテナ ライブラリ 環境変数 ライブラリ 環境変数 カーネル カーネル カーネル カーネル ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 隔離されたアプリケーション実行環境を提供（クラッシュの分離、独自のシステム管理とユーザー・グループ） 実行イメージのスナップショットをパッケージとしてファイルにして保存できる アプリケーションに加えて仮想マシン・OS の実行イメージを持つ必要がある アプリケーションとOSの一部 の実行イメージを持つ必要がある デプロイするサイズ 大きい 起動・停止時間 遅い デプロイするサイズ 小さい 起動・停止時間 早い 異なるOS 可 異なるOS 不可 メモリーやディスクの消費量が大きい = リソース効率が悪い メモリーやディスクの消費量が大きい = リソース効率が良い 構成の自由度が高い 異なるOS・マシン構成を必要とする場合など 軽量で可搬性が高い 実行環境への依存が少なく異なる実行環境で稼働させる場合など サンド・ボックス化 Sand Box アプリケーション アプリケーション アプリケーション
- 141. 仮想マシンとコンテナの稼働効率 ハードウェア 仮想マシン ミドルウェア OS 仮想マシン OS 仮想マシン OS ミドルウェア ミドルウェア ハードウェア OS コンテナ管理機能 カーネル ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ カーネル カーネル カーネル ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 コンテナ 仮想マシン アプリケーション アプリケーション アプリケーション ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ ミドルウェア アプリ ライブラリ 環境変数 コンテナ
- 142. 仮想マシンとコンテナの稼働効率 1/2 142 仮想マシン ハードウェア 仮想マシン ミドルウェア OS 仮想マシン OS 仮想マシン OS ミドルウェア ミドルウェア カーネル カーネル カーネル ライブラリ 環境変数 ライブラリ 環境変数 ライブラリ 環境変数 アプリケーション アプリケーション アプリケーション OSの維持コストが高いので １つのOSに複数のアプリケーションを同居させる あるいは基盤更改などで移行する時も分離できず 再構築することもおおい ライブラリが共通で依存関係があり アップグレードもパッチ適用もできず塩漬けになりがち 仮想マシンごとに OSを稼働させとハードウェア・エミュレーションがあり ハードウェアとOS起動+運用が必要となり オーバーヘッドが大きい・起動は分単