Tokyo Azure Meetup #6 - Azure Machine Learning with Microsoft Dynamics
- 2. Taiki Yoshida 吉田 大貴 Engineer at Microsoft Dynamics NAV Microsoft Azure Microsoft Dynamics CRM Office 365 VMware vSphere @TaikiYoshidaJP bit.ly/1UQyXTq Experiences in… Windows Server
- 3. Recent Trend in Business スマートデバイスの使用数…24億 SNSのアカウント数…20億 IoTデバイスの接続数…80億 より良い体験のためにお金を惜しまない人…86％ Of customers will pay more for a better customer experience 86% 3B 2.4B 2B 80B インターネットユーザー数…30億 Active Internet users Connected IoT devices by 2025 Smart devices by 2018 Active social media accounts
- 4. 2020年までには、金額でも製品でもなく、 すばらしい経験を求めて、ブランドを選ぶようになるだろう Customer Experience will take over price and product as the key brand differentiator
- 5. Digital winners are already taking over the market デジタル化を進めている企業が市場を拡大 Digital Leaders, 69.80% Digital Leaders, 77.10% Everyone else, 30.20% Everyone else, 22.90% OVERALL MARKET SHARE PERCENTAGE OF PROFITS 利益の割合 マーケットシェア率 Source: Constellation Research, Inc.
- 6. Disney + IoT = Magic Band • Used for • Entering the park • Pay Goods • Unlock your hotel room • Queue for Attractions • Cloud Services for Photos Source: Walt Disney World Resort • 使用例 • テーマパークへの入園 • 商品の支払い • ホテルのルームキー • アトラクションの予約 • 写真のクラウドサービス MAGICBAND is a trademark of Disney Enterprises, Inc.
- 7. Transform the business ビジネスを改革 Source: Microsoft Envision 2016
- 8. Transform the business ビジネスを改革 Azure Machine Learning Microsoft Dynamics with
- 9. Harnessing terabytes of data from over 13,000 engines to help airlines save up to $1 million a day in unscheduled downtime 13000台のエンジンを監視し、 故障を未然に防ぎ、1日あたり1億ドルを削減 Azure IoT Suite Cortana Intelligence Suite Power BI Dynamics CRM Source: Microsoft Envision 2016 Rolls Royce + Microsoft
- 10. Source: Microsoft “Customer Driven”
- 11. Source: Microsoft “Customer Driven”
- 12. Topics Covered Today • Before you start… • Introduction to Microsoft Dynamics • Introduction to Azure Machine Learning • Microsoft Dynamics + Azure Machine Learning • Technical Session • C# • Dynamics CRM Setup • Azure ML Web API Setup
- 13. From data to decisions and actions Interactive dashboards Predictions What will happen? Recommendations Decision automation Decision support Value Static reports Source: Microsoft Envision 2016
- 15. システム導入のゴールは、 機械学習システムを導入して終わりではなく、 人々がシステムには判断できないことを判断し、 行動を起こせるようになることでは…？ Isn’t the goal of a system implementation to empower people to make decisions that only human can make? And not to just implement a Machine Learning system?
- 16. Transform data into intelligent action DATA Business apps Custom apps Sensors and devices INTELLIGENCE ACTION People Automated Systems Source: Microsoft Envision 2016
- 17. データを活用できる行動へと変化させる データ 業務アプリ カスタム アプリ 端末や センサー 知的資産 行動 人々 自動化 システム Source: Microsoft Envision 2016
- 19. 製品について
- 20. Some Examples of Microsoft Dynamics Products Microsoft Dynamics CRM Microsoft Dynamics NAV Microsoft Dynamics Marketing Microsoft Dynamics AX Customer Relations, Service Management 顧客管理 サービス管理 ERP for SMBs 中小企業向けERP Marketing Management マーケティング管理 Enterprise Resource Planning 統合基幹システム Microsoft Dynamics GP Microsoft Dynamics SL Microsoft Dynamics製品例
- 21. Microsoft Dynamics CRM Microsoft Dynamics CRM Microsoft Dynamics NAV Microsoft Dynamics Marketing Microsoft Dynamics AX Customer Relations, Service Management 顧客管理 サービス管理 ERP for SMBs 中小企業向けERP Marketing Management マーケティング管理 Enterprise Resource Planning 統合基幹システム Microsoft Dynamics GP Microsoft Dynamics SL
- 22. Dynamics CRM – Sales 22 Evaluate 評価 Create Proposal 提案作成 Proposal 提案 Deal Closed クローズ Source: Microsoft Japan
- 23. Dynamics CRM – Services 23 Identify 特定 Research リサーチ Solve 解決 Source: Microsoft Japan
- 24. Dynamics CRM – Marketing 24 Potential Customers 潜在的な 顧客 Existing Customers 既存顧客 Source: Microsoft Japan
- 25. Dynamics CRM Marketing Customer Salesperson SocialConnections Activities Sales Customer Service Marketing List Campaigns Sales Opportunity Quotes, Orders, Invoices Support Tickets Services Source: Microsoft Japan
- 26. Dynamics CRM マーケティング 取引先企業 担当者 ソーシャルつながり 活動 営業 顧客サービス マーケティング リスト キャンペーン 営業案件 見積 受注 請求書 サポート 案件 サービス Source: Microsoft Japan
- 27. Azure Machine Learning について
- 28. What is Machine Learning ? Big Archive Past data Missing, Unseen Not existing Known data + Algorithms Known Data Unknown DataModel Source: Github – “Azure Readiness”
- 29. 機械学習とは？ 過去の ビッグデータ 存在しない 未来のデータ 既知のデータ ＋ アルゴリズム 既知のデータ 未知のデータモデル Source: Github – “Azure Readiness”
- 30. • Blobs and Tables • Hadoop (HDInsight) • Relational DB (Azure SQL DB) Data Clients Model is now a web service that is callable API from marketplace API Integrated development environment for Machine Learning ML STUDIO Source: Github – “Azure Readiness”
- 31. • Blobs や テーブル • Hadoop (HDInsight) • リレーショナル DB (Azure SQL DB) データ クライアント Webサービスとして 利用できるモデル マーケットプレース から入手できるAPI API 機械学習を するための 統合された開発環境 ML STUDIO Source: Github – “Azure Readiness”
- 32. 1 Problem Framing 2 Get/Prepare Data 3 Develop Model 4 Deploy Model 5 Evaluate / Track Performance Steps to Build a Machine Learning Solution 3.1 Analysis/ Metric definition 3.2 Feature Engineering 3.3 Model Training 3.4 Parameter Tuning 3.5 Evaluation Source: Github – “Azure Readiness”
- 33. 1 問題定義 2 データの 準備 3 構築 4 展開 5 評価 機械学習ソリューション構築の手順 分析範囲 の定義 機能工学 モデルの 学習 パラメータ の調整 評価 Source: Github – “Azure Readiness”
- 34. Weather forecast sample 天気予報サンプル Source: Github – “Azure Readiness”
- 35. 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 Known data 既知のデータ Spring Summer Autumn Winter Source: Github – “Azure Readiness”
- 36. 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 Known data 既知のデータ Model Spring Summer Autumn Winter Source: Github – “Azure Readiness”
- 37. 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 ? ? ? ?2020 Known data 既知のデータ Model Unknown data 未知のデータ Spring Summer Autumn Winter Source: Github – “Azure Readiness”
- 38. Model (Regression) 回帰モデル 30°C 0°C 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 Spring Summer Autumn WinterWinterAutumn Source: Github – “Azure Readiness”
- 39. Model (Regression) 回帰モデル 30°C 0°C 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 Spring Summer Autumn WinterWinterAutumn Source: Github – “Azure Readiness”
- 40. Model (Regression) 回帰モデル 30°C 0°C 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 Spring Summer Autumn WinterWinterAutumn Source: Github – “Azure Readiness”
- 41. Model (Regression) 回帰モデル 30°C 0°C 12°C 25°C 10°C 2°C1990 16°C 31°C 12°C 4°C2000 15°C 29°C 13°C 1°C2010 Predict 2020 Winter Spring Summer Autumn WinterWinterAutumn Source: Github – “Azure Readiness”
- 42. bit.ly/28V1olU
- 43. Model (Decision Tree) 決定木モデル Temp>30 気温 Weather = Sunny 天気 = 晴れ Beer ビール Coffee ホットコーヒー Season = Summer 季節 = 夏 Weather = Sunny 天気 = 晴れ Beer ビール Coffee ホットコーヒー Coffee ホットコーヒー Predicted Result 予測結果 Source: Github – “Azure Readiness”
- 44. Model (Decision Tree) 決定木モデル Temp>30 気温 Weather = Sunny 天気 = 晴れ Beer ビール Coffee ホットコーヒー Season = Summer 季節 = 夏 Weather = Sunny 天気 = 晴れ Beer ビール Coffee ホットコーヒー Coffee ホットコーヒー Temp 30 Summer 夏 Sunny 晴れ Unknown Data 未知のデータ Predicted Result 予測結果 Source: Github – “Azure Readiness”
- 45. Classify a news article as (politics, sports, technology, health, …) Politics? 政治 Sports? スポーツ Tech? テクノロジー Health? ヘルスケア Model (Classification) 分類モデル Source: Github – “Azure Readiness”
- 46. Adjust Parameters パラメータの調整 Developing a Model モデルの構築 Documents Labels Tech Health Politics Politics Sports Training data 学習データ Train the Model モデルを学習 Feature Vector 特徴ベクトル Base Model ベースモデル Source: Github – “Azure Readiness”
- 47. Model’s Performance Known data with true labels Tech Health Politics Politics Sports Tech Health Politics Politics Sports Tech Health Politics Politics Sports Model’s Performance Difference between “True Labels” and “Predicted Labels” True Labels Tech Health Politics Politics Sports Predicted Labels Train the Model Split Detach +/- +/- +/- Source: Github – “Azure Readiness”
- 48. モデルのパフォーマンス 正解が含まれた実データ Tech Health Politics Politics Sports Tech Health Politics Politics Sports Tech Health Politics Politics Sports Model’s Performance Difference between “True Labels” and “Predicted Labels” 正解値 Tech Health Politics Politics Sports 予測値 モデルを学習 分解 分離 +/- +/- +/- Source: Github – “Azure Readiness”
- 53. Example use cases Source: Github – “Azure Readiness”
- 54. Example use cases Source: Github – “Azure Readiness”
- 57. Dynamics CRM Data Data データ Clients クライアント Web API Call via Dynamics CRM Recommendation API Azure Machine Learning JSON
- 60. Disclaimer: The contents of this document are provided “AS IS”. This information could contain technical inaccuracies, typographical errors and out-of-date information. This document may be updated or changed without notice at any time. Use of the information is therefore at your own risk. In no event shall the author be liable for special, indirect, incidental or consequential damages resulting from or related to the use of this document. Contents expressed in this document are not the official announcement, strategy, or opinion of the company that the author belongs to. 免責事項 本資料への情報・資料の掲載には注意を払っておりますが、掲載された情報の内容の正確性については一切保証しません。また、本資料に掲載された情報・ 資料を利用、使用、ダウンロードするなどの行為に関連して生じたあらゆる損害等についても、理由の如何に関わらず、作成者は一切責任を負いません。 また、本資料に掲載している情報には、第三者が提供している情報が含まれていますが、これらは皆さまの便宜のために提供しているものであり、その内容 の正確性について、作成者は一切責任を負いかねますのでご了承ください。 本資料の掲載内容は、個人の見解であり、所属団体及び組織の立場、戦略、意見を代表するものではありません。