#azurejp

https://www.facebook.com/dahatake/

https://twitter.com/dahatake/

https://github.com/dahatake/

https://daiyuhatakeyama.wordpress.com/

https://www.slideshare.net/dahatake/

2020 年までに、インダストリー 4.0 の先発企業は、同

時に30%の増収と

コスト削減を実現するが、平均的な企業は 1 年にそれぞれ 2.9% と 3.6%

しか実現しない。1の製造会社の役員が、2020 年までに

ヒューマンマシン中心の環境が一般的になると予想している。6

40% の業務プロセスが 2022 年までに

自己復旧および自己学習の機能を持つ。5

5,000 億ドルの節約が、製造会社や機器メーカーに、

仮想化、リアルタイム通信、およびコボット テクノロジからもたらされると見込まれる。795% のビジネスリーダーが、今後 3 年以内に自社で

IIoTが使用されると予想している。2

「コンシューマーは最終的に

勝者と敗者を便宜性が高く、コストが低く、

カスタマイズされたモビリティソリューションを競い合う企業や

ブランドから選択する」3

3 ～ 5 年以内に、

数億ものモノが

デジタルツインで

表される。4

85%

このインフォグラフィックは、サードパーティのデータのマイクロソフトによる分析に基づいています。出典: 1.「PWC 2016 Global Industry 4.0 Survey」(PWC 2016 世界のインダストリー 4.0 の調査)、Dr. Reinhard Geissbauer、Jesper Vedso、および Stefan Schrauf。http://www.gartner.com/newsroom/id/3482617 2.「Connected business transformation: how to unlock value from the Industrial Internet of

Things」(つながるビジネス変革: 産業用 IoT (モノのインターネット) から価値を解放する方法)、Accenture、2017 年 2 月。3.「What‘s ahead for fully autonomous driving: Consumer opinions on advanced vehicle technology」(全自動運転の向こうにあるもの: 高度な車両テクノロジに対するコンシューマーの意見)、Deloitte、2017 年 2 月。4.1. http://www.gartner.com/newsroom/id/3482617 5.「DC FutureScape:

Worldwide Digital Transformation 2017 Predictions」(DC FutureScape: 世界のデジタル変革の 2017 年の予想)、2017 年 1 月、Doc # US42259317、Web 会議、Michael Versace。6.Eric Schaeffer 他、「Machine Dreams; Making the most of the connected industrial workforce」(機械の夢: つながる産業人材を最大限に利用する)、Accenture、2017 年 2 月。7. Daniela Costa (責任者)、European Capital Goods Equity Research、Goldman Sachs Research、Forrester Research、2017 年 1 月。

フィジカル

製造設備

原材料、プロダクト

予防保全

顧客中心主義迅速に革新し、より機敏になる

デジタル

スマートプロダクト

サービス・エコシステム

コネクテッド・コンシューマ

顧客

サプライチェーン

設計開発

製造

マーケティング 販売

サービス

完全自動運転で100%無事故を実現しようとすると最低でも88億マイルをテストしなければならない。1

2020年、自動運転車は1日に約4,000ギガバイトのデータを生成し、消費する。2

Paris Auto Show Automobility Los Angeles Gartner TechRadar EarthdataAutomobility Los Angeles

2020年、204億のモノがつながる。3

90分のアニメーション映像を製作するために、6,500万時間分の

画像レンダリングが必要となる。4

2020年、飛行機から1日に40テラバイトのデータが生成される。6

NASAの地球観測システムおよび情報システム（EODSIS）は、1日に約28テラバイトのデータを配信している。5

大量のデータデータ

に対する知見データ分析の知識・経験

データ分析ツール・基盤× × ×

大量の分析用データを保持している

分析用データの中身を理解している

分析内容やデータに適してアルゴリズムを把握している

大量データを分析できるツールを持ち使いこなせる

最も重要

Azure

Unified Development

Security & Management

Data Platform

Common Identity

Trusted

Intelligent

Productive

Applications

Infrastructure

Management

Databases &

Middleware

App Frameworks

& Tools

DevOps

Trusted

Intelligent

Hybrid

Open

Intelligent

Productive

Hybrid

HIPAA /

HITECH Act

GxP

21 CFR Part 11

ISO 27001 SOC 1 Type 2ISO 27018CSA STAR

Self-Assessment

Singapore

MTCS

UK

G-Cloud

Australia

IRAP/CCSL

FISC Japan

New Zealand

GCIO

China

GB 18030

EU

Model Clauses

ENISA

IAF

Argentina

PDPA

Japan CS

Mark Gold

CDSAShared

Assessments

Japan My

Number Act

FACT UK

Spain

ENS

PCI DSS

Level 1MARS-E

China

TRUCS

SOC 2 Type 2 SOC 3

MPAA

ISO 22301

India

MeitY

Spain

DPA

HITRUST IG Toolkit UK

China

DJCP

ITARSection 508

VPATSP 800-171 FIPS 140-2

High

JAB P-ATO

DoD DISA

SRG Level 2

DoD DISA

SRG Level 4

DoD DISA

SRG Level 5

Moderate

JAB P-ATO

ISO 27017

GLO

BA

LU

S G

OV

IND

US

TR

YR

EG

ION

AL

ハイパースケールのエンタープライズグレードのインフラストラクチャ

開発者用ツールおよびサービス

データ サイエンスのためのオープン プラットフォーム

ハードウェア

ストレージ管理

ソフトウェア

AI アプリケーション (ファーストおよびサード パーティ) Cognitive Service Bot

Framework

Spark AI Batch Training DS VM SQL Server ACS

BLOB Cosmos DB SQL DB/DW ADLS

CPU FPGA GPU IoT

Azure Machine Learning

モデルのデプロイおよび管理

機械学習ツールキット

実験の管理、データの準備、コラボレーション

CNTK

TensorFlow

Chainer

Scikit-Learn

その他のライブラリ

PROSE

Docker

クラウド - Spark、SQL、その他のエンジン

ML Server - Spark、SQL、VM

エッジ

Pre-built AI

Cognitive Services Labs

Video Indexer

Cognitive Services Labs

Custom Custom Custom Custom Custom

ハイパースケールのエンタープライズグレードのインフラストラクチャ

開発者用ツールおよびサービス

データ サイエンスのためのオープン プラットフォーム

ハードウェア

ストレージ管理

ソフトウェア

AI アプリケーション (ファーストおよびサード パーティ) Cognitive Service Bot

Framework

Spark AI Batch Training DS VM SQL Server ACS

BLOB Cosmos DB SQL DB/DW ADLS

CPU FPGA GPU IoT

Azure Machine Learning

モデルのデプロイおよび管理

機械学習ツールキット

実験の管理、データの準備、コラボレーション

CNTK

TensorFlow

Chainer

Scikit-Learn

その他のライブラリ

PROSE

Docker

クラウド - Spark、SQL、その他のエンジン

ML Server - Spark、SQL、VM

エッジ

R & Python ベースのAI のストアドプロシージャ

MicrosoftML Library の組み込み

Graphモデルのサポートによるより複雑な関係を分析

クエリ処理の最適化による比類なきパフォーマンス

AI を組み込んだ最初の商用データベース

SQL Server2017

Featurization,

Normalization,

encoding

classifier model

でのスコアリング

Web App

Diagnosis: 35% certainty

Python / R で実装したストアドプロシージャ ストアドプロシージャで、患者IDだけ指定

Model table,

Features table,

New Images table

SQL Server

画像を送らなくてよ

い

データ移動の排除

運用しやすい ML のスクリプトとモデル

エンタープライズグレードのパフォーマンスとスケール

直接対話するデータを

データの管理と分析をまとめる

SQL 変換リレーショナルデータ

分析ライブラリ

R 統合 Python 統合

ハイパースケールのエンタープライズグレードのインフラストラクチャ

開発者用ツールおよびサービス

データ サイエンスのためのオープン プラットフォーム

ハードウェア

ストレージ管理

ソフトウェア

AI アプリケーション (ファーストおよびサード パーティ) Cognitive Service Bot

Framework

Spark AI Batch Training DS VM SQL Server ACS

BLOB Cosmos DB SQL DB/DW ADLS

CPU FPGA GPU IoT

Azure Machine Learning

モデルのデプロイおよび管理

機械学習ツールキット

実験の管理、データの準備、コラボレーション

CNTK

TensorFlow

Chainer

Scikit-Learn

その他のライブラリ

PROSE

Docker

クラウド - Spark、SQL、その他のエンジン

ML Server - Spark、SQL、VM

エッジ

Cognitive Services は、万能ではない

開発者による AI の採用促進 (API化)

ハイブリッドトレーニングとスコアリングシナリオの台頭

イベント発生場所でのスコアリング/推論の実施(エッジ、クラウド、オンプレミス)

一部の開発者がData Scientist /AI Developer を目指す

多様なハードウェアの進化(CPU/GPU/FPGA/ASIC/デバイス)

データ準備

モデルの展開と管理

モデル系統と監査

モデルについての説明能力

課 題主 要 動 向

Spark

SQL Server

仮想マシン

GPU

コンテナー サービス

ノートブックIDE

Azure Machine Learning Workbench

SQL Server

Machine Learning Server

オンプレミス

エッジ コンピューティング

Azure IoT Edge

実験およびモデル管理

A z u r e M a c h i n e L e a r n i n g サービス トレーニングとデプロイのオプション

A z u r e

視覚的なドラッグアンドドロップ コードファースト

ハイパースケールのエンタープライズグレードのインフラストラクチャ

開発者用ツールおよびサービス

データ サイエンスのためのオープン プラットフォーム

ハードウェア

ストレージ管理

ソフトウェア

AI アプリケーション (ファーストおよびサード パーティ) Cognitive Service Bot

Framework

Spark AI Batch Training DS VM SQL Server ACS

BLOB Cosmos DB SQL DB/DW ADLS

CPU FPGA GPU IoT

Azure Machine Learning

モデルのデプロイおよび管理

機械学習ツールキット

実験の管理、データの準備、コラボレーション

CNTK

TensorFlow

Chainer

Scikit-Learn

その他のライブラリ

PROSE

Docker

クラウド - Spark、SQL、その他のエンジン

ML Server - Spark、SQL、VM

エッジ

リモートモニタリング・制御

多数のIoTデバイスからの収集データをマージ

先進AIの適用を可能にする、無限に近いコンピューティングリソースとストレージ

リアルタイム応答に必要なローレーテンシーでタイトなコントロールループ

プライバシーデータや知的財産の保護

Azure IoT Edge Runtime IoT Hub

Devi

ces

Local Storage

Device Twin

Device Twin

Device Twin

Device Twin

CANbus

Server

(Container)

IoT Hub

Proxy

(Container)

Data Normalization

(Container)

Compression

(Container)

Encryption

(Container)

Decryption

(Container)

Decompress

(Container)

Data Specializer

(Container)

FunctionsContainer

Management

ハイパースケールのエンタープライズグレードのインフラストラクチャ

開発者用ツールおよびサービス

データ サイエンスのためのオープン プラットフォーム

ハードウェア

ストレージ管理

ソフトウェア

AI アプリケーション (ファーストおよびサード パーティ) Cognitive Service Bot

Framework

Spark AI Batch Training DS VM SQL Server ACS

BLOB Cosmos DB SQL DB/DW ADLS

CPU FPGA GPU IoT

Azure Machine Learning

モデルのデプロイおよび管理

機械学習ツールキット

実験の管理、データの準備、コラボレーション

CNTK

TensorFlow

Chainer

Scikit-Learn

その他のライブラリ

PROSE

Docker

クラウド - Spark、SQL、その他のエンジン

ML Server - Spark、SQL、VM

エッジ

#azurejp

Cognitive

ServicesCustom

AI Models

Custom Services

Bring your Own Data

Flexibility

microsoft.com/ai

最新技術とソリューションの動向。取り組むべき課題と習得すべきスキル。80 を超えるセッションをご用意しお迎えします

http://aka.ms/mstsjp17

11/8(水)-9(木) 開催ウェスティンホテル東京

#mstsjp17

© 2016 Microsoft Corporation. All rights reserved. Microsoft, Windows, Windows Vista and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries.

The information herein is for informational purposes only and represents the current view of Microsoft Corporation as of the date of this presentation. Because Microsoft must respond to changing market conditions, it should not be interpreted to be a

commitment on the part of Microsoft, and Microsoft cannot guarantee the accuracy of any information provided after the date of this presentation.

MICROSOFT MAKES NO WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, AS TO THE INFORMATION IN THIS PRESENTATION.