りんなさんのバイト先とか勤務状況を聞いてきた！

４月６日の
インテル　AI　Day
のつづき(これでおわり）

---

■LINEのチャットボット・　いさごさま

・動画

　チャットボット
　　検索・予約

・自己紹介
　　なぜLineにいるのかは、ぐぐれ
　　きっかけはりんなさん
　　だまされたとおもって、りんなさんと友達になろう！
　　中国で相談→Lineとやるのがよさそうといったのがいさごさん

　　大量の会話データ：Line

・りんなさんが口説けたときの武勇伝
　　しんらつな言葉もある
　　会話を続けるように学習
　　会話がどのくらい続くかを最適化
　　りんなのコンセプト　Emotional AI
　　こるたな・・・しごとに
　　しゃおあいすとりんな・・・感情だけ
　　どこかで融合？

・つくってみたい
　　３年前は難しかった
　　今オープンソース

　　bingチーム：
　　　検索エンジン　Word2vecみたいなものつかっちゃえば
　　　徹底的に学習：日本語を解析しているのではない
　　　　　ディープラーニング：パターン
　　　　　深層学習類似度モデル
　　　　　言葉を生み出す：RNN
　　　→川柳とかもできる

・データ量
　　パーミッションを得やすい会社

・りんなさん、バイトしてます
　　→広告なので就職でなくバイト
　　SHARPXりんな　in Twitter
　　　つかれない、めげない、やめない
　　にんげんがみててひやひや：業務要件に弱い
　　　　ワーナーブラザーズ：えいがみる？
　　　　　りんな：みるよ、ディズニー
　　ていさんはざんねん
　　　　学習をリアルタイム；好奇心もたせると
　　　　PTAがいる：教育データのスコアリング
　　　　　→日本人には当たり前：ロボットは教育するもの
　　　　　　欧米：ロボットが支配する？

・りんなさんのバイト先：ローソン
　　　あきこちゃんとしてふるまう：丁寧な言葉
　　　りんなは乱暴な言葉　　
　→新商品は教えない：ユニバーサルボットは存在しない
　　AIを使うための目的がしっかりしていれば、それに対して

・Line
　マンスリー６８００万人：ほぼほぼ、何らかの形で
　アクティブ率　７１．０

　全世代サービス

　企業への対話でもチャットやメッセージングの利用意向が急増

・やまと運輸
　再配達通知：Lineで
　　２４時間３６５日対応できるーなぜ→AIが入っているから
　NAVITIME
　　終電
　AIR Do
　　搭乗手続きもLineだけで完結→１対１の会話も
→Android,ios：チャットボットで！

・カスタマーサポート
　Line Pay
　　チャットボット
　Line版まなみさん（ろはこ）
　　AIから人間に切り替わる→満足最大化
　→Lineカスタマーコネクト
　　　オートリプライ
　　　マニュアルリプライ
　　　コールToLine（音声）
　　　LineToコール（IP電話）
　ハイブリッドコネクション
　現状は満足な答えを返せない
　　はい　いいえ→いいえに切り替わるとコールセンターへ
　IT系パートナー

・音声
　　フリーダイヤル、ナビダイヤル（IVR）の置き換え
　　もともと、無料音声通話アプリだった！
　Call To Lineで実現する待ち時間なしのIVR

　音声・テキスト以外の立地メディア活用の可能性

・Clova
　Wave
　テキストチャットはもちろん、動画、音声組み合わせ
　りんなのように楽しませる→スマートスピーカー
　IoT：エッジ側で解決できる　自動販売機　Lineとつなぎこむときにインテルさんも

・Closing the Distance

■将棋コンピューター将棋界最強の会社が語るAIの未来　ひーろーず
　HEROZ AI Kishin（棋神）というサービス開始
　名人を超えた

　将棋Wars
　ぽけもん of マスター
　野村證券：株価予測

　ブレインラボ

　課題を解決：各産業

＜＜技術的特異点と将棋プログラムPONANZA＞＞
・佐藤名人　VS　PONANZA（デンソーさんに腕）
　PONANZA圧勝
　６年前　電王線始まった：トッププロ倒すほどではなかった
　→進化は加速
　　プロ棋士：ここからが長いといった：人間の直感だとそう
　　コンピューター：どんどんのびる
　→指数的に伸びる；はじめはよわい

・どうしてこんなに強くなったか
　人工知能２つのパート
　　　人間が作った部分
　　　人間が作っていないところ

　　探索すること
　　評価の部分→書いていない

　はじめ：プロの手とさしてが一致→ある程度まで

　さらに強くする：強化学習
　　　１００おく局面を用意→予想と結果の差分を小さくなるように
　　　　→兆に届くレベル→新戦法まで生み出す

　現在；コンピューターからセオリーを学んでいる
　　人間の教師がコンピューター

・２０１３年　コンピューター将棋に負けた　お葬式

　２０１４年　なれた


・ディープラーニング
　　ゲームの世界でも：アルファーゴー：４勝１敗　あるふぁーごーが人間の知らない囲碁を打った
　　　→強化学習：あたらしい地平線
　　オンライン対局：６０連勝

　将棋では・・
　囲碁：正しい手を打つのは簡単（あいてるところに打てばよい）
　→ディープラーニングにルールを伝える？
　→ルールはいらなかった
　Ponanza Chainer

・将棋界：技術的特異点を越えた、将棋の世界

　人間が愛するのは、対人間


■深層学習フレームワーク Chainerとその進化
・２０１５年～公開されているフレームワーク
　PFN

・Chainerの目標
　社内の深層学習の研究開発を加速させる
　　高い自由度で直感的に記述できる
　　十分に高速に実行できる
　　用意にデバックできる
→世の中の深層学習の研究開発を加速させる

・ニューラルネットの学習方法
　目的関数の設計
　　　RNNなどを利用して自分で設
　勾配の計算
　　　自動で計算
　最小化のための反復計算
　　　ライブラリが提供

・ニューラルネット
　誤差逆伝播法→勾配を計算：自動でやってくれる

・いままで
　　Define And Run 静的グラフ：Caffeなど
　　Define by RUN 動的グラフ：Chainer

　Define And Runは構築と評価がべつべつ
　Define by RUNは構築と評価が同時

・なぜ
　深層学習は階層の深いだけではなくなってきている
　いろんなネットワークが提案
　手法が複雑化：高い自由度必要

・さまざまなプロジェクト
　Chainer MN
　Chainer RL（深層強化学習）
　Intel版 Chainer

・２０１５年　TensorFlowも開発されていた

・ChainerMN
　複数GPU,複数ノードで（マシン間はInfiniBand)
　→スパコンなどで使うやつ

・使いやすさを損なうことなく
　分散して学習を追加する

・強化学習
　がんばってなにかする：
　昔自作してた

・利用シーンの違い
　運用コストの違い
　消費電力の違い
→Intel 版Chainer MKLDLLをたたいて最適化

・まとめ

■人工知能分野の技術軍の社会実装

話の内容
・言語
・ちゃれんじ

そもそも：会社紹介
・アルゴリズム

事業領域：社会実装へのフォーカス
　データ収集：IoT
　データ解析：
→最終的に体験が変わる

　基本的に：
　　教師データ
　　計算リソース
　　アプリケーション
　　最終的にユーザー体験かわる

→今日は言語

人工知能
　　機械学習
　　　　表現学習
　　　　　　深層学習
言語領域NN

＜＜言語領域＞＞
　BEDORE（べどあ）
・自然言語処理の進化
　　対話：ディープラーニング
　　課題解決を対話エンジンで
・機械学習ベースの対話：ルールベースよりも高い精度で質問の意図を読み取る
　　ルール間の管理が難しかった
　　例を教えればいい
・BEDOREを導入することで、センターへのか電数が削減可能
　　→自動応答
　→サジェスト：ナレッジマネジメントへ

・AIプロダクトが価値を出すために必要な３つのようそ
　　高い初期精度
　　ミスを保管できるふぇーるせーフナ仕組み
　　アルゴリズムに視線と反映される

・データ量が増えるほど精度が上がる
　→初期開始時の精度が重要：好循環に入るのに
・ミスを保管できるフェールセーフな仕組み
　１００％はできないので
・アルゴリズムに視線と反映される
　ダッシュボードでアノテーションにより効率的に入れられる

＜＜ここまで＞＞

・後半
技術インフラ
　　コスト
　　応答性能、スケーラビリティ、
　　ビジネス領域　社会実装→特化したプロセッサ
　　　ex: B to C
　　エッジ側で認識

チャレンジ
１．言語依存性の対応→言語の意味理解

　（１）シンボルスペース

　　　　対応づけ

　（２）パターンスペース

　　　　パターン認識

　（３）リアルスペース

・古典的言語軌跡　（１）のみ
・近い将来の言語解析　（１）、（２）
・言語の意味解析　　（１）、（２）、（３）

２．人口構造と人口減少から見るAIの社会受容性

３．技術者別人口構造と世代間連携の必要性
　　５０代　くみこみとか
　　３０代　エンタープライズとか
　　２０代　AI

■あいさつ
・AIは単独で語られることがおおいが、実は進化した結果であり、
　その前に、クラウド等様々なハイプがある
・AIで何かできないか→前提条件をやっていないと大変
　きちんと投資している人には落差はない連続体
　あくまでもAIはツール

「デジタルトランスフォーメーション」の意味知ってた？

ちなみに、「デジタルトランスフォーメーション」とは、
もともとはITの浸透が、人々の生活をあらゆる面でより良い方向に変化させる
という意味だけど、IDC的にいうと、
第三のプラットフォームにより競争優位にたつこと
らしい。で、「第三のプラットフォーム」とは
「クラウド」「ビッグデータ／アナリティクス」「ソーシャル技術」「モビリティ」
で、ちなみに、第一が汎用、第二がクライアントサーバーらしい

・・・あれ、AIでてきてないじゃん（＾＾；）

っていうわけなんだけど、IDCの講演もあった、
４月６日の
インテル　AI　Day
のつづき

---

■AIテクノロジーと将来への展望：詳細のご紹介
・ハードウェアの話
・インテルAIプロダクトグループ：CEO直結

トピック
　・AIの分類
　・インテルNervanaプラットフォームポートフォリオ
　・将来への展望

AIの展望
　昔は、エキスパートシステム
　今、ディープラーニング

マシンラーニングのタイプ
　教師あり学習
　教師なし学習：統計レベルで理解
　強化学習：エージェント　あるふぁーごー
→オーバーラップすることも、一緒に使うことも

従来のマシンラーニング
　N　X　N
　　K値　フィーチャー
　　分類木にかける：SVM,ランダムフォレスト

ディープラーニング
　複数の抽象化レベルで特徴を抽出する方法
　特徴はデータから検出
　データが多いほどパフォーマンスが工場
　高度なデータ表現

エンドツーエンドのディープラーニング
　ながしてあげればいい
　→定義する必要がない
　ただし、従来型の手法を利用可能

以前は「人間の仕事」だったタスクを自動化
　ImageNet→エラー率下がる
　発話のエラーレート

ディープラーニングの課題
（１）学習処理に必要な大規模なコンピューティング要件
　　コンピューティング／データ
（２）パフォーマンスがデータ量に応じて変化
　　ビデオ：Googleが提供　発話も
　　スケーリングはI/Oバウンド
　　　　学習速度・プロセッサー数

インテル　Nervanaプラットフォーム
・中心（それいがいもあるけど）
　中核はXEON,XEON PHI、クレスト
　クレストはFPGAとあわせても

・まずXEON
　最も広く導入されているマシンラーニングプラットフォーム
　広く採用

・XEON PHI
　HPCから派生マルチスレッド、

・半導体
　演算用のモデルと基盤
　脳からマシンラーニングにマッピング；

・クレストファミリー
　GPU
　おんチップ型メモリー
　スケーラビリティ

・ディープラーニング　ワークロード向けに設計
　
・LAKE CRESTのディープラーニングアーキテクチャ
　アーキテクチャのスナップショット
　　テンソルベースのアーキテクチャ
　　階層構造
　　HPCと異なり、メッシュがた：なーばなの特徴

・ナーバナこんぴゅーととぽろじー
　ふぁぶりっくのなかでかんけつ


・プラットフォーム
　　クレストファミリー
　　FPGA
　　XEON PHI
　　XEON

・ソフトウェア：ハードウェアと組み合わせて使える
　いろいろなレベルの抽象化

・主要なAI研究
　学習処理の高速化に向けたアルゴリズムの進化
　学習モデルのスパース化とぷるーにんぐ
　精度を微細化した演算
　ディープラーニングにおける学習処理のスケーリングの向上

・AI時代におけるインテリジェンスの実現


■インテルFPGAでのマシンラーニング
・コンピューティング、データセット、証明がある
　→戻ってきた

・インテルのAIエコシステムではFPGAも使用可能
　４つの
　　柔軟性、低レンテンシー、高スループット、低電力
　→すいろんによい
　　生産性、使いやすさ

・FPGAに適したMLの例
　クラウド
　　FPGAは書き換え可能
　自動運転車
　軍事・防衛

・どこに展開：どこにでも
　デバイス、ゲートウェイ、フォグ、クラウド

・マシンラーニングにFPGAを使用する理由
　フィールドプログラマぶる
　ゲートアレイ：ロジックゲートで構成　
　高いスループット、移動短縮、高い電力効率
　DSP→任意の精度

　AI　２ヶ月ごとに新しい

・AIエコシステムにFPGAが提供すること
　CNN：使いやすさDLA
　汎用性の高い、ソリューションをパラメータ化
　OpenCL SDKでカスタマイズ

・マシンラーニングにおける多様なFPGA使用モデル
　FPGA
　インラインデータフロー処理
　ストレージアクセラレーション
　コンピューティングのアクセラレーション・オフロード

・インテルFPGAがもたらす価値
　インテルArria10FPGAのパフォーマンス

・インテルのAIエコシステムではFPGAも使用可能
　SDK,フレームワークから出発：最適化している
・$intelAIで今すぐはじめよう！

■デジタルトランスフォーメーションによる
　コグニティブ／AIシステム活用の進化　ゲスト講演　IDCジャパン

　市場よりの話
　コンテキスト２つ
　　AIはブームで終わるか？
　　エコシステムに乗り遅れないために、だれと

・背景
　ステイクホルダーは変化している
　デジタルトランスフォーメーション

　第三のプラットフォームの新たな成長ビジネスプラットフォームへの展開
　　　５０％ぐらい（３．７％の成長率→むかしのプラットフォームを食っていく）

　応用系：イノベーションアクセラレーター
　　コグニティブ。AI

　AI
　　Pepper？
　　アメリカ情報処理：人間に近いもの→意識？

　ｄｘエコノミーの萌芽：２０１７年、DXは経済化
　デジタルトランスフォーメーション（DX)
　　第三のプラットフォームを利用
　　→考えないと成り立たない

　測定する手段
　　マチュリティスケープ
　　　ステージ１．すきものがやっている
　　　ステージ２．だいたい使われている
　　　ステージ３．標準化
　　　ステージ４．だいたいつかっているけど、なりたたないほどではない
　　　ステージ５．なりたたない
　→去年１・２
　　今年２・３　１個シフト
　世の中：もっとはやい方向にトランスフォーム

　イノベーションアクセラレーター
　２０１６　１６７億　２０２０　２７３４億円

　国内コグニティブ／AIシステム市場予測　２０１５年～２０２０年

　コグニティブAIシステムとは
　　人間の意思決定を早く性格に、えびでんすスベース、補助

　２０１６年までに注目されたユースケース
　　顧客サービス自動化エージェント
　　品質管理
　　　：
　　どちらかというとPOC
　２０１７年
　　お金になるビジネス
　　　フリート管理（運行管理・タクシー管理）
　　　安全
　　　サイバーセキュリティ
　　　詐欺・犯罪・テロ検知

　IoTの８５％にAI
　ソフトウェアの５０％にAIが入っていないと競争力はない

　いわなくなったとき；自然に使っているかも？

・AI；しってます。→つかっているのは６～７％→マーケットにチャンス

　４つ課題
　　システムアーキテクチャ
　　システム／ソフトウェア開発手法とその容易さ
　　ノウハウ
　　運用

・IDCの提言
　コグニティブ・AIシステムが作るエコシステムに乗り遅れない
　あらゆる用途業種・業務での利用を考える
　提言
　　コグニティブシステムのパートナーを適切に選択する
　　　戦略領域はどこか
　　　エンジニアリング人材の獲得・育成
　　　開発が容易なプラットフォーム

　　

いまさら聞けないオシロスコープの超基本

を勉強したいので、URLをメモメモ

いまさら聞けないオシロスコープの超基本
http://techon.nikkeibp.co.jp/atcl/feature/15/032700084/