Discover how AI is used today and how it will augment human experience in the future
Find out what SAS Global Forum 2019 conference chair MaryAnne DePesquo says about the upcoming conference in Dallas.
PythonからSAS Viyaの機能を利用するための基本パッケージであるSWATと、よりハイレベルなPython向けAPIパッケージであるDLPyを使用して、Jupyter NotebookからPythonでSAS Viyaの機能を使用して一般物体検出（Object Detection）を試してみました。 今回は、弊社で用意した数枚の画像データを使用して、処理の流れを確認するだけなので、精度に関しては度外視です。 大まかな処理の流れは以下の通りです。 １．必要なパッケージ（ライブラリ）のインポートとセッションの作成 ２．一般物体検出向け学習用データの作成 ３．モデル構造の定義 ４．モデル生成（学習） ５．物体検出（スコアリング） １．必要なパッケージ（ライブラリ）のインポートとセッションの作成 swatやdlpyなど、必要なパッケージをインポートします。 from swat import * import sys sys.path.append(dlpy_path) from dlpy.model import * from dlpy.layers import * from dlpy.applications import * from dlpy.utils import * from dlpy.images import ImageTable from dlpy.splitting import two_way_split from dlpy.blocks import *
Burger and fries, wine and cheese, peanut butter and jelly … some things just go better together. For organizations embarking on digital transformation, AI and IoT just go better together. These two distinct technologies; AI and IoT (or AIoT) are a natural fit. To take an analogy from the human
What is object detection? Object detection, a subset of computer vision, is an automated method for locating interesting objects in an image with respect to the background. For example, Figure 1 shows two images with objects in the foreground. There is a bird in the left image, while there is a dog
인공지능(AI)의 성장은 과연 디스토피아를 초래할까요? 인공지능은 굉장히 빠른 속도로 발전하고 있지만, 동시에 인공지능의 잠재적 위험성을 우려하는 목소리도 커지고 있는데요. 하지만 반대로 생각해보면 인공지능은 인간의 능력을 대체하는 것이 아니라, 인간의 능력을 향상시키기 위해 설계되었습니다. 인공지능은 이미 헬스케어, 보험, 금융, 농업 등 대부분의 산업 분야에서 인간을 돕는 중추적인 역할을 하고 있는데요. 마찬가지로 SAS는 인공지능을
When describing their business model, our customer, Epipoli (one of the leading gift card companies in Europe), tells the story of the ancient Limoncello makers of Italy. Limoncello is an intensely lemon-flavored liqueur famously produced in Sorrento, the Amalfi coast, and the island of Capri. The drink started as a local tradition, but quickly
인공지능(AI)이 우리에게 미치는 영향이 나날이 커지면서 일자리를 대체할 것이라는 우려도 높아지고 있습니다. 이를 위해서 인공지능의 윤리 방안과 규제에 대한 논의가 이루어지고, 기업이 알고리즘으로 인해 일자리를 빼앗긴 직원에게 재교육을 제공해야 한다는 목소리가 나오고 있는데요. 하지만 이러한 모든 내용은 인공지능이 미치는 부정적인 면에만 치우쳐 있습니다. 그렇다면 인공지능이 우리의 삶에 주는 혜택으로는 무엇이 있을까요? 인공지능,
인공지능(AI)은 1950년대부터 머신러닝, 링크 걸기 시작 딥러닝(deep learning), 인지 컴퓨팅(cognitive computing)이 점차 발전하면서 우리와 꽤 오랜 시간을 함께 해왔습니다. 최근 달라진 점이 있다면 아마 활용할 수 있는 데이터의 양이 어마어마하게 늘었다는 것인데요. 방대한 양의 데이터 덕분에 오늘날 과거에는 불가능했던 방식으로 인공지능 기반의 모델을 학습시킬 수 있게 되었습니다. 이러한 인공지능은 지금의 세상과 거대한 데이터를 이해하는
Health care is facing an unprecedented need to reform, drive quality and cut costs. Growth in targeted, specific treatments and diagnostic technology, coupled with a rise in people with long-term and multiple chronic conditions, is creating unsustainable demand on the system. To thrive – or even merely survive – health
SASでは、従来からオープン・AIプラットフォームであるSAS Viyaの機能をPythonから効率的に活用いただくためのハイレベルなPython向けAPIパッケージであるDLPyを提供してきました。 従来のDLPyは、Viya3.3以降のディープラーニング（CNN）と画像処理（image action set）のために作成された、Python API向けハイレベルパッケージです。 DLPyではKerasに似たAPIを提供し、より簡潔なコーディングで高度な画像処理やCNNモデリングが可能でした。 そして、この度、このDLPyが大幅に機能拡張されました。 最新版DLPy1.0では、以下の機能が拡張されています。 ■ 従来からの画像データに加え、テキスト、オーディオ、そして時系列データを解析可能 ■ 新たなAPIの提供: ・ RNN に基づくタスク: テキスト分類、テキスト生成、そして 系列ラベリング（sequence labeling） ・ 一般物体検出（Object Detection） ・ 時系列処理とモデリング ・ オーディオファイルの処理と音声認識モデル生成 ■ 事前定義ネットワーク（DenseNet, DarkNet, Inception, and Yolo）の追加 ■ データビジュアライゼーションとメタデータハンドリングの拡張 今回はこれらの拡張機能の中から「一般物体検出（Object Detection）」機能を覗いてみましょう。 SAS Viyaでは従来から画像分類（資料画像1.の左から２番目：Classification）は可能でした。例えば、画像に映っている物体が「猫」なのか「犬」なのかを認識・分類するものです。 これに加えて、DLPy1.0では、一般物体検出（資料画像1.の左から３番目：Object Detection）が可能になりました。 資料画像１. (引用：Fei-Fei Li & Justin Johnson & Serena Yeung’s Lecture
We have updated our software for improved interpretability since this post was written. For the latest on this topic, read our new series on model-agnostic interpretability. While some machine learning models – like decision trees – are transparent, the majority of models used today – like deep neural networks, random forests, gradient boosting
Artificial intelligence often seems misunderstood, especially in fraud. The same is true of machine learning. One of the amazing things about them is they ask the unasked questions. This occurs as artificial intelligence (AI) and machine learning (ML) go about their daily work. So, what is the unasked question? Too
Jim Harris says people still play a pivotal role in data-driven decision making.
기업의 마케팅 전략도 인공지능(AI), 사물인터넷(IoT)과 같은 혁신적인 기술이 등장하며 함께 발전하고 있습니다. 고객 중심의 IT 환경에서 많은 기업은 높은 고객 충성도를 달성하고자 고객 여정(customer journey) 최적화에 많은 노력을 기울이고 있는데요. 인공지능 역시 고객 여정을 최적화하기 위한 기술로 많은 비즈니스에 도입되고 있습니다. 인공지능 강화학습(Reinforcement learning) 모델을 적용한 대표적인 예로는 미국 게임 개발사 아타리(Atari)가 선보인
In my 15+ years working in clinical research, I've not seen significant evolution in the way we do clinical trials and apply advanced analytics to clinical trial data. A personal story demonstrates that a similar problem is at play in health care. Each year my daughter visits the children’s cardiology
올해 초 2018년과 미래를 관통할 두 가지 기술로 '인공지능(AI)’과 ‘자동화(Automation)'를 소개해 드렸는데요. 인공지능과 자동화 기술은 사물인터넷(IoT)과 어떻게 연결될 수 있을까요? IDC 퓨처스케이프(IDC FutureScape)가 발표한 ‘2017년 전 세계 IoT 전망’ 보고서에 따르면, 2019년까지 사물인터넷에서 생성된 데이터의 40% 이상이 네트워크 엣지(edge)에 저장되어 처리되고 분석될 전망입니다. 또한 효과적인 사물인터넷 기술은 스트리밍 분석과 머신러닝을 결합해 진행될
Las técnicas creadas a partir del Big Data han revelado múltiples aplicaciones que han servido para poner sobre la mesa los fraudes y las filtraciones masivas de información sobre temas relacionados con, por ejemplo, paraísos fiscales y evasión de impuestos. A Latinoamérica, según reportes divulgados por Global Financial Integrity, la
En situaciones donde la reducción de costos es un imperativo y las empresas carecen de presupuestos óptimos, los datos se vuelven aún más importantes de lo que eran antes de una recesión de datos. Priorizar libera resultados reales, y analizar la información de manera correcta se convierte en un punto clave. Determinar y definir qué clientes tienen mayor probabilidad
Krankenversicherung und neue Technologien – geht das zusammen? Auf alle Fälle! Und das User-Group-Treffen „Analytik in der Krankenversicherung“, das kürzlich in Leipzig stattfand, hat es unter Beweis gestellt. Diese von den Gesundheitsforen Leipzig ausgerichtete Veranstaltung ist ein sehr informatives Forum, auf dem sich analytische Fachexperten aus der Gesetzlichen Krankenversicherung (GKV)
En los últimos 25 años las ciudades colombianas han venido expandiendo su territorio y han aumentado su demanda de recursos naturales y servicios vitales. Esto lo sustentan las cifras del DANE que muestran que en 2017, 76% de la población colombiana se concentró en ciudades frente a un 24% que
Fest steht: Künstliche Intelligenz (KI) wird unser aller Leben verändern – und tut es schon. Weniger klar ist, in welcher Weise und in welchem Zeitrahmen diese Veränderungen passieren – und was am Ende dabei herauskommt. In vielen Bereichen gibt es wilde Spekulationen. Bei Life Sciences und im Gesundheitssektor lichtet sich
인공지능(AI)은 금융 사기 탐지, 보험 비즈니스 모델 다각화, 의료 진단 개선, 스포츠 경기 성과 향상 등 다양한 분야에서 상상을 현실화하고 성과를 도출하고 있습니다. 최근 마케팅 분야도 예측 분석, 추천 엔진 등 다양한 형태의 인공지능 알고리즘을 적극 활용하면서 혁신을 체감하고 있는데요. 대기업은 물론 중소기업에 적합한 여러 인공지능 활용 마케팅 툴이 등장하면서 변화의 속도는 더욱 빨라지고 있습니다.
Nach dem diesjährigen SAS Global Forum in Denver bin ich weiter nach San Francisco gereist. Und wie viele Touristen bin ich auch zur Golden Gate Bridge gefahren und habe sie Fuß überquert. In der Mitte der Brücke, bemerkte ich einen Windsurfer in der Bucht von San Francisco, der sich der
Deep learning (DL) is a subset of neural networks, which have been around since the 1960’s. Computing resources and the need for a lot of data during training were the crippling factor for neural networks. But with the growing availability of computing resources such as multi-core machines, graphics processing units
Schaut man auf die Digitalisierungsprojekte der Versicherer, dann fällt auf, dass ein Großteil im Wesentlichen Prozessverbesserungen und Kosteneinsparungen sind. Prozesse und Kosten – das sind nicht gerade „moderne“ Begriffe und sie sind gefühlt das Gegenteil dessen, was an Buzzwords und Statements im Kontext Digitalisierung und Innovation genannt wird. Dass solch
The solar farm at SAS world headquarters is a treasure trove of data. Jessica Peter, Senior User Experience Designer at SAS, had an idea about using that treasure in an art installation to show how data can tell a story. Her idea became a reality when she and others at SAS
En un mundo que a diario se transforma con los datos y los avances tecnológicos, cada vez son más las organizaciones que están adoptando la Analítica y la Inteligencia Artificial para fortalecer sus procesos y entregar mejores resultados a sus clientes. Este escenario no es ajeno al sector gobierno, que
En la actualidad, se ha masificado el uso de la Inteligencia Artificial (IA) en diferentes aplicaciones de negocio como: los servicios de atención al cliente y la toma de decisiones operativas en diferentes áreas de las empresas, consiguiendo optimizar múltiples procesos, al hacerlos más eficientes y logrando una mayor rentabilidad.
The Grand Buddha at Ling Shan, located on the northern bank of Taihu Lake near Wuxi, China is a fitting metaphor for smart city initiatives in China, specifically Wuxi in the Jiangsu Province in Eastern China. One of the largest Buddha statues in the world, the bronze monument reaches 88
AIプラットフォームSAS Viyaでは、「AI実用化」や「AI民主化」を促進するために、従来から自動予測モデル生成や、機械学習やディープラーニングの判断根拠情報の提供などを可能としていましたが、SAS Visual Analytics on SAS Viyaの最新版8.3では、新たに「自動分析」機能が実装されました。 「自動分析」機能を使用すると、予測（ターゲット）に影響を与えている変数の特定や、変数ごとにどのような条件の組み合わせがターゲットに依存しているのかを「文章（条件文）」で表現して教えてくれます。 この例で使用するデータ「HMEQJ」は、ローンの審査を題材にしたもので、顧客ごとに１行の横持ちのデータです。このデータ内にある「延滞フラグ」が予測対象の項目（ターゲット変数）で、０（延滞なし）、１（延滞あり）の値が含まれています。 データリスト内の「延滞フラグ」を右クリックし、「分析」＞「現在のページで分析」を選ぶだけで、「延滞フラグ」をターゲット変数に、その他の変数を説明変数とした分析が自動的に行われ、 以下のような結果が表示されます。 分析結果画面内説明： ① ドロップダウンリストで、予測対象値（０：延滞なし、１：延滞あり）の切り替えが可能です。この例では、「１：延滞あり」を選択し、「延滞する」顧客に関して分析しています。 ② 全体サマリーとして、すべての顧客の内、延滞実績のある顧客は19.95%であり、「延滞する」ことに関して影響度の高い変数が順に表記されています。 ③ 「延滞する」ことに関して影響を与えている変数の度合い（スコア）を視覚的に確認することができます。 ④ 「延滞する」可能性が最も高くなるグループ（条件の組み合わせ）が文章で示されています。この例では、③で「資産に対する負債の割合」が選択され、これに応じて文章内の該当箇所がハイライトしています。 ⑤ この例では、③で「資産に対する負債の割合」が選択され、これに応じて「０：延滞なし、１：延滞あり」別の顧客の分布状況がヒストグラムで表示されています。選択された変数が数値属性の場合は、ヒストグラムで、カテゴリ属性の場合は積み上げ棒グラフで表示されます。 分析に使用する説明変数（要因）に関しては、右側の「データ役割」画面内で選択することができます。 以上のように、分析スキルレベルの高くないビジネスユーザーでも、簡単かつ容易に、そして分かり易くデータから有効な知見を得ることができます。 ※AIプラットフォーム「SAS Viya」を分かり易く学べる「特設サイト」へGO！
