機械学習とデータマイニングは交差する部分が大きく 技法も同じなので混同されることが多いが 次のよう に定義できる 機械学習の目的は 訓練データから学んだ 既知 の特徴に基づく予測である データマイニングの目的は それまで 未知 だったデータの特徴を発見することである セルフサービス BI Power

※ Wikipedia より引用 定型レポート （SSRS） セルフサービス BI （Power BI） マシンラーニング （Azure ML） 機械学習とデータマイニングは交差する部分が大きく、技法も同じなので混同されることが多いが、次のよう に定義できる。 • 機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。 • データマイニングの目的は、それまで「未知」だったデータの特徴を発見することである。

•

リコメンデーション

• 同じ商品を買った人が買った別のアイテムを お勧め商品として提示 • 同じ属性を持った人が買った商品を お勧め商品として提示

•

分類

• メール本文・タイトルの内容からスパムメールの分類 • Web サイトの行動履歴から不正ユーザの検出

•

異常検知

• センサー情報に基づく機械故障予測 • NW アクセス情報から不正アクセスや攻撃を検知

•

ユーザ属性の推定

• 属性情報が完全に取れているお客様のデータから、属性情報に欠損のあるお客様の属性情報を推定 3

•

クラウドベースの機械学習実行基盤

•

機械学習の「モデル作成」「モデルの評価」から、作成した分析モデルのデプロ

イ（ Web サービス化）まで、機械学習 の開発～サービス提供で必要となるすべ

てのコンポーネントを Paas で提供

開発環境

予測モデルのデプロイ

（ Web サービス ）

1.

トレーニングデータ（実績データ）の準備

•

予測モデルを作成する為のトレーニングデータ（実績データ）を準備

例：顧客属性によるお勧め商品の提示（リコメンデーション）を行いたいのであれ

ば、どういった属性情報のお客様が、どういう商品を買ったのかという実績データ

が必要

2.

予測モデルの開発と評価

3.

予測モデルの公開（Web サービス）

•

作成した予測モデルは、非常に簡単な操作でWebサービスとして公開可能。

① 部品をドラッグ＆ドロップ

②各部品のプロパティーを設定

7

① 部品をドラッグ＆ドロップ

性別 年齢 喫煙有無 目の色 … 肺がんの有無 （検診結果） 男性 ₁₉ 有 緑 無 女性 ₄₄ 有 黒 有 男性 ₄₉ 有 青 有 男性 ₁₂ 無 茶 無 女性 ₃₇ 無 茶 無 女性 ₆₀ 無 茶 有 男性 ₄₄ 無 青 無 女性 ₂₇ 有 茶 無 女性 ₅₁ 有 緑 有 女性 ₈₁ 有 黒 無 男性 ₂₂ 有 茶 無 男性 ₂₉ 無 青 無 トレーニングデータ（実績データ） を元に予測モデルを作成

Azure Machine Learning ではトレーニングデータを使ってモデルの学習を行い、予

測モデルを作成

性別：男 年齢：75 喫煙有無：無 目の色：青

11

Azure Machine Learning では、以下のシステム・サービスからトレーニングデー

タをロード可能

CSV, TSV, ARFF, SvmLight 形式

HDInsight (Hadoop) Azure SQL Database Azure テーブル OData 業務システム OData Training Data Azure Machine Learning

Train

Model

Model

Score

検証用

データ

トレーニング

データ

Evaluate

Model

機械学習

アルゴリズム

予測モデルの評価

予測モデルの見直し

• アルゴリズムの変更 • パラメータの見直し

トレーニングデータの 読込み データクレンジング・ メタデータ設定 読み込んだデータを「トレー ニングデータ」と「評価用 データ」に分割 予測モデルの作成に使用する アルゴリズム 予測モデルの作成（トレーニング） 左インプット：利用するアルゴリズム 右インプット：トレーニングデータ 作成した予測モデルを評価する為に、 評価用データで予測を実行 予測結果の評価と可視化

15

 ML Studio : Experiments > Evaluate Model > Evaluation Result

• True Positive • False Positive • True Negative • False Negative • Accuracy • Precision • Recall • F1 Score • Threshold • AUC

 AUC 0.9 - 1.0 High accuracy  AUC 0.9 - 0.7 Moderate accuracy  AUC 0.5 - 0.7 Low accuracy

予測モデルの公開（Web サービス）

② Web サービスの Input / Output を設定

③「 PREPARE WEB SERVICE 」ボタンを クリックすると Web サービスが

作成される

① Deploy 用の Experiment を作成

19

WEBサービスは

「REQUEST/RESPONSE」「BATCH EXECUTION」の２種類が作成される API Help Pageで作成された Web

サービスの詳細を確認可能

Web フォーム、Excel を使って Web サービスや予測モデルの



REST API. POST リクエスト



HTTP の Req/Res の body は JSON 形式



REST API. 入力として各種データソースが指定可能。

Azure Blob/Azure Table/Azure SQL Database/HiveQL/HTTP

 レスポンスとして

“JOBID” が返ってくる。

それを基にバッチジョブの状態を定期チェック

 状態が

Finished/Failed になったら処理結果を取得

21

•

Request-Response Service

 Web サービス URI  インプットパラメータ  アウトプットパラメータ  サンプルコード（ C# / Python / R ）

• Batch Execution Service (BES)

• Web サービス URI • ジョブの投入方法

• ジョブステータス確認方法 • ジョブのキャンセル方法

① Excel シートにパラ メータを入力 ② 予測結果が表示される ① Webフォームに入力パ ラメータを設定 ② クリックすると予測結果 が表示される

Training Data

Web Service

Azure Machine Learning

Microsoft Azure

23 Webシステム Azure Blob ストレージ Hive Azure SQL Database Azure テーブル 業務システム OData OData HDInsight ( Hadoop ) 他システム Power View 等の データ分析・可視化 ツール Azure Blob ストレージ Azure SQLDatabase Batch Execution Service Request-Response Service 評価 モデル作成 (Training)

R 言語対応

•

Execute R Script / Create R Model モジュール

•

R スクリプトの記述と実行を制御する Azure ML のモジュール

•

良く利用される 400 以上の標準的な Ｒ パッケージを事前ロード済み

•

カスタムパッケージを作成、ロードして利用する事も可能。

Execute R Script

• 主にデータ加工とプロット（可視化）に利用

Create R Model

• 機械学習の独自アルゴリズムの実装に利用 • Training Script（機械学習のアルゴリズム） と Scoring Script （予測モデルの評価用スクリプ ト）の２つを記述 R スクリプトを記述 Execute R Script モジュール カスタムパッケージ (Zip)

31

Python 対応

•

Execute Python Script モジュール

•

Python Script の記述と実行を制御する Azure ML のモジュール

•

「データ加工」「予測結果のプロット」等に利用可能

•

Python の実行環境には、データ分析・科学技術計算ライブラリが豊富な

Anaconda ディストリビューションを採用

•

カスタムパッケージを作成、ロードして利用する事も可能

Execute R Script モジュール の例 カスタムパッケージ (Zip)

 依存関係のある R パッケージ (.zip) をまとめて ZIP 化して、”+NEW” で Dataset としてアップロードする  Saved Datasets からアップロードした Dataset を Drag & Dropし、R 実行モジュールの Script Bundle Port

(一番右側の入力ポート) に接続し、install.packages を利用して ZIP 内の R パッケージを読み込む

 読み込み先としてセットするパスの “src/” 部分は固定

Azure ML を用いてビルの熱源・動力の制御モデルを構築し、自動制御を実施

① 建物の情報を Microsoft Azureにリアルタイム送信

② 機械学習 Microsoft Azure Machine Learning によりデータを解析・学習し、建物にフィードバック

これまでのビル設備管理は“経

験と勘”に頼っていたが、今回

の連携とクラウド化によって、

実データに基づく制御モデルの

構築や管理の自動化が可能とな

り、ビルの使用エネルギー効率

化と管理負担の軽減が実現する

Azure ML を用いたエレベーターの予防保守

35 • ThyssenKrupp Elevator は世界中に 110万以上のエレベーターを導入し ており、世界でも最も象徴的なビ ルも含まれる • ThyssenKrupp は問題を先取りした 高度な予兆保全サービスを施すこ とで劇的に高い連続稼働性を確保 し、同時に保守コストを下げるこ とで顧客価値を高め確実に保守契 約を取りたい • 急成長するアジア市場で保守技術 者を大量に育成しなければならな い • センサーとエレベータ制御システムか らクラウドにデータを集め、 PC や モ バイルでリアルタイムの状態を KPI で 可視化、問題発生の予兆と対応方法を 自動的に提示して保守員がいつでもど こでも利用できるようにする • エキスパートのノウハウを機械学習で システムに学ばせ世界中に展開する • Microsoft Azure をベースに、Power BI

for Office 365, Azure Machine Learning を組み合わせてシステムを構築 • 予兆保全と迅速に対応可能な遠隔 診断システムによりエレベーター システムの信頼性を向上 • ThyssenKrupp とその顧客の保守費 用を削減 • 予測モデルを継続的に成長させ精 度を向上し、急成長する市場の未 熟な保守技術者にも展開 • デバイスとの双方向のデータフ ローにより、エレベータの診断と コマンド送信の遠隔操作が可能に

低コストかつ精度の高い保守サービスを Azure 上 で構築し

エレベーターシステムの信頼性を向上して差別化

お客様のプロファイル : ThyssenKrupp Elevator は世界をリードするエレベーター会社の 1つで、売上高は 62億ポンド , 900の拠点に 49,000 人の従業員がいる

*1 ML Studio Service で格納したデータ サイズに応じて Azure Storage ( GRS: ページ BLOB ) の費用とストレージ トランザクションの費用が発生します。 *2 価格は MOSP 価格（従量課金制プラン）における各リージョンの 2015 年 4月 1日時点の価格になります。

*3 Azure Storage については別途従量課金で費用が発生します。（http://azure.microsoft.com/ja-jp/pricing/details/storage/）

*4 ML Studio に格納されているデータをダウンロードする場合には Data Transfer の費用が別途発生します。 37

ML シート（Workspace）

ML Studio

API

Free 無償 Standard ¥1,018.98/ シート/月 ¥102 / 実行時間 ¥204 / 時間 ¥51/ 1,000回 プロダクションAPI Compute 時間 プロダクションAPI 実行回数 http://azure.microsoft.com/en-us/pricing/details/machine-learning/

Free Standard 認証用アカウント Microsoft アカウント （ Azure Subscription / クレジットカー ドの登録は不要 ) Azure アカウント 一つの Experiment で利用出来る モジュール数 100 制限なし Experiment の最大実行時間 1 時間 制限なし 最大ストレージ容量 10 GB 制限なし 実行パフォーマンス シングルノード マルチノード ステージング Web API 利用可能_{( パフォーマンス制限あり )} 利用可能_{( 選択可能なパフォーマンス )} プロダクション Web API 利用不可 利用可能 SLA なし あり

月額料金 課金およびサブスクリプ ションの管理 コミュニティ フォーラム サービス ダッシュボード Web ベースの インシデント提出 無制限のプラットフォーム の障害ソリューション*2 無償 開発者 標準 プロフェッショナル_{ダイレクト}*1 Premier 最初の応答時間*2 電話サポート （コールバック） 優先的な対応 エスカレーション 電話回線 アドバイザリ サポート オンサイト サービス ¥0 ¥2,958 ¥30,600 ¥102,000 個別見積り 8 時間未満 2 時間未満 1 時間未満 15 分未満*3 3 回/月 無制限 無制限 限定 フル *1 プロフェッショナル ダイレクト サポートに関連したアドバイ ザリ サポート サービスは、各リージョンの営業時間内に英語 および日本語でのみご利用いただけます。 *2 現地言語でのお問い合わせには営業時間内に、英語でのお問い 合わせには深刻度を問わず 24 時間 365 日体制で、日本語での お問い合わせには深刻度 A のみ 24 時間 365 日体制で、それぞ れご対応いたします。

*3 15 分の応答時間は、Microsoft Rapid Response および Azure の Premier サポートを購入されたお客様にのみ適用されます。



Microsoft Azure では無料でトライアルが可能

http://azure.microsoft.com/ja-jp/

•

Microsoft Azure Machine Learning Center

http://azure.microsoft.com/ja-jp/documentation/services/machine-learning/

•

Azure Machine Learning Support Forum

http://social.msdn.microsoft.com/forums/azure/en-US/home?forum=MachineLearning

•

Machine Learning Blog

http://blogs.technet.com/b/machinelearning/

 本書に記載した情報は、本書各項目に関する発行日現在の Microsoft の見解を表明するものです。Microsoftは絶えず変化する市場に対応しなければならないため、 ここに記載した情報に対していかなる責務を負うものではなく、提示された情報の信憑性については保証できません。  本書は情報提供のみを目的としています。 Microsoft は、明示的または暗示的を問わず、本書にいかなる保証も与えるものではありません。  すべての当該著作権法を遵守することはお客様の責務です。Microsoftの書面による明確な許可なく、本書の如何なる部分についても、転載や検索システムへの格納または挿入を行うことは、どのような形式または手段（電子的、 機械的、複写、レコーディング、その他）、および目的であっても禁じられています。 これらは著作権保護された権利を制限するものではありません。  Microsoftは、本書の内容を保護する特許、特許出願書、商標、著作権、またはその他の知的財産権を保有する場合があります。Microsoftから書面によるライセンス契約が明確に供給される場合を除いて、本書の提供はこれらの 特許、商標、著作権、またはその他の知的財産へのライセンスを与えるものではありません。