4月 302017
 

春はロードバイクで走るのに最高の季節だ.RIDLEY(リドレー)FENIX SLを購入してちょうど1年が経過した.これまでは,ロングライドと言っても,自宅から行けるところしか行ったことがない.奈良天理までの往復などだ.そればかりでは藝がなさ過ぎるし,なにより飽きてきたので,このゴールデンウィークに琵琶湖一周(ビワイチ)をしようと企んでいる.もちろん,琵琶湖大橋より北側だけの150kmコースではなく,瀬田唐橋を通るフルコースだ.今回は滋賀県が整備している「ぐるっとびわ湖サイクルライン」に準拠して,反時計回りに走るつもりだ.

京都から琵琶湖まで自転車で行ってもよいのだが,琵琶湖一周(約200km)を完走することが目標なので,余計な時間と体力を使わないために,琵琶湖の近くまで輪行するつもりだ.そのための準備についてメモしておく.

grunge(グランジ)キャリーライト
grunge(グランジ)キャリーライト

まず,バスと電車を乗り継いで輪行するためには,輪行バッグが欠かせない.輪行バッグがないと公共交通機関は利用できない.輪行袋と言えば,OSTRICH(オーストリッチ)L100が一番人気のようだが,軽さと収納の簡単さを重視して私が選んだのは,grunge(グランジ)キャリーライトだ.女性向けということで,フレームサイズ520以下のロードバイク用となっているが,使い勝手がよいものを使わない手はない.RIDLEY(リドレー)FENIX SLのフレームサイズはS=545で,キャリーライトに収納できるか心配だったが,実際に試してみたところ,写真の通り,まったく問題なくロードバイクが輪行バッグに入った.

RIXEN & KAUL(リクセン・カール)マイクロSL
RIXEN & KAUL(リクセン・カール)マイクロSL

次に,サドルバッグの大型化を実施した.いつも使っているのは,小型でスタイリッシュなRIXEN & KAUL(リクセン・カール)マイクロSLだ.小さくて邪魔にならないし格好よいが,最低限のモノしか入らない.このため,普段は,サドルバッグとツールケース(ボトルケージに差せるやつ)を併用している.しかし,ロングライドではドリンクボトル2本を携行したいので,ツールケースを外したい.さらに,荷物も増えるので,どうしても大型サドルバッグが必要になる.

APIDURA(アピデュラ)compact
APIDURA(アピデュラ)compact

将来的には一泊二日以上の日程で輪行することも想定して,収納力が高く,それでも大きすぎず,高品質・高機能で,デザイン性にも優れたサドルバッグを探し,最終的に私が選んだのが,APIDURA(アピデュラ)compactだ.シリーズ内ではコンパクトという位置づけだが,輪行するには十分な大きさだ.正直,RIXEN & KAUL(リクセン・カール)マイクロSLと比べれば,四次元ポケットかよ!というくらい,いくらでもモノが入る.ロールアップ式のため,荷物の量に応じてサドルバッグ自体の大きさを調整できるのがいい.

輪行の準備は整った.ゴールデンウィークに琵琶湖一周サイクリングを実行する.

なお,APIDURAのサドルバッグは国内で購入すると非常に高額になるため,APIDURAのウェブサイトで直接購入した.一週間もかからずに届くスピード発送で,何よりメーカー直販なので安心して注文できる.

4月 262017
 

グーグルに学ぶディープラーニング
日経ビッグデータ(編),日経BP社,2017

Google

ディープラーニングに興味はあるけど知識はほとんどないという人向けの入門書.

本書「グーグルに学ぶディープラーニング」では,タイトルの通り,ディープラーニング(深層学習)を用いているGoogleの様々なサービスやTensdorFlowが紹介されている.また,ディープラーニングを用いた日本企業の事例もいくつか紹介されている.ディープラーニングについては,そのイメージを説明しているのみで,学習方法についてはほとんど触れられていない.データさえ与えれば,機械学習が勝手に自動的にモデルを学習してくれるという説明に徹している.あくまでも,ディープラーニングをビジネスに使いたいと思っているユーザ向けの入門書という位置付けだ.それでも,ディープラーニングとはどのようなもので,どのようなことができているのかを知るには役に立つだろう.

いくつか紹介しておく.

家庭用人工知能が生活の面倒を見てくれる Google Home

自分で中間層やノードの数を変化させてディープラーニングで遊べる A Neural Network Playground

お絵描きゲームでディープラーニングを感じる Quick, Draw!

不思議な(気持ち悪い?)世界へ Deep Dream – Online Generator

DeepMind社の自動作曲 WaveNet: A Generative Model for Raw Audio

Googleのディープラーニングを使うことができる TensorFlow

本書を読むと,強化学習と転移学習の重要性が確認できる.

本書の一番最後に,グーグルクラウド・マシンラーニング・グループ研究責任者ジア・リー氏の言葉がある.

AIの技術ありきではなく,現実世界で解決すべき課題の内容そのものが,私たちにとっては最も大切な興味の対象なのです.

まさにこれが重要な点だろう.現実世界で解決すべき課題を考えることもなく,中身を理解することもなく,人工知能(AI)で何かしようとか,ビッグデータで何かしようとか,機械学習で何かしようとかいう態度でいいのか.本当に意味ある何かを設定できるかどうかが問われる.

目次

 
序 章 ディープラーニングがすべてのビジネスを変える 
第1章 < 超入門>人工知能と機械学習とディープラーニングはどう違う? 
第2章 < 入門>ディープラーニングの仕組み 
第3章 < グーグル事例編>グーグルのディープラーニング活用事例 
第4章 < 企業事例編>ディープラーニングで業務効率化、国内で続々始まる 
第5章 < 活用フレームワーク編>データ×目的で整理し、活用の展開図を描こう  
第6章 < 将来展望編>ディープラーニングが課題を解決する未来へ 
グーグルクラウド・マシンラーニング・グループ研究責任者のジア・リーさんに聞く

4月 252017
 

ビッグデータの正体 情報の産業革命が世界のすべてを変える
ビクター・マイヤー=ショーンベルガー(著),ケネス・クキエ(著),斎藤栄一郎(訳),講談社,2013

ビッグデータの正体

随分と前に読んだのだが,ブログにメモを残していないことに気付いたので,少し書いておくことにする.

流行の(ピークアウトしつつある)ビッグデータについて書かれた本で,書名にある通り,ビッグデータが人類社会に与える影響について書かれている.原題は「Big Data: A Revolution That Will Transform How We Live, Work, and Think」で,評判が良さそうなので読むことにした.

まず,ビッグデータとは何であるかという点について,よくある3Vsや4Vsを持ち出さずに,次のようにまとめられている.

Big data refers to things one can do at a large scale that cannot be done at a smaller one, to extract new insights or create new forms of value, in ways that change markets, organizations, the relationship between citizens and governments, and more.

日本語訳では次のように書かれている.

現時点でビッグデータの捉え方は,次のようにまとめることができる.「小規模ではなしえないことを大きな規模で実行し,新たな知の抽出や価値の創出によって,市場,組織,さらには市民と政府の関係などを変えること」.

それがビッグデータである.

ただし,これは始まりにすぎない.ビッグデータの時代には,暮らし方から世界との付き合い方まで問われることになる.特に顕著なのは,相関関係が単純になる結果,社会が因果関係を求めなくなる点だ.「結論」さえわかれば,「理由」はいらないのである.

ここで登場する「因果関係ではなく相関関係が重要になる」という考え方が本書では強調されている.例えば,ビッグデータにおける3つの大変化として,以下の項目が挙げられている.

ビッグデータは限りなくすべてのデータを扱う.

量さえあれば精度は重要ではない.

因果関係ではなく相関関係が重要になる.

「ビッグデータは限りなくすべてのデータを扱う」はVolume,Velocity,Varietyと関連し,「量さえあれば精度は重要ではない」はVolume,Veracityと関連すると考えられる.このため,従来の4Vsでのビッグデータの説明と変わりはない.ところが,もうひとつ,「因果関係ではなく相関関係が重要になる」が付け加えられている.確かに,膨大なデータから相関関係の存在が確認されたなら,それを(因果関係を確認せずに)意思決定に活用するという態度はありうる.そして,それが成功に繋がることもあるだろう.失敗が許されるのであれば,失敗したらやり直せばいいので,迅速に意思決定を行うことを重視するなら,そのような態度も納得できる.

しかし,本書「ビッグデータの正体」では,著者はさらに突っ込んだ主張を展開している.

「データによる物事の判断は,人間の判断を補完し,ときに上回ることもある」.これがビッグデータの最大の衝撃だろう.そのような形が普通になれば,統計学者やデータアナリストはともかく,それ以外の分野のエキスパートは輝きを失うはずだ.

特定分野のエキスパートが絶滅するわけではないが,権威は低下する.今後はビッグデータの専門家と競わなければならない.これまで主役を独占してきた因果関係も,これからは新参の相関関係と並んでスポットライトを浴びなければならない.

ここでいう「それ以外の分野」や「特定分野」が具体的に何であるか何でないかは必ずしも明確でないが,この主張のようにはならない分野もあるだろう.それに,統計学者やデータアナリストが別格扱いされているが,彼らの多くもいずれ人工知能(AI)で代替されるという説もある.いずれにせよ,どのような知識や技能を身に付けていくかというのは,個人レベルでよく考える必要がある.

私の立場は,対象についての専門知識(domain knowledge)とデータ解析の統合利用が成功の鍵を握るというもので,実際に研究もこの方針で実施してきた.

本書で強調されていることが他にもある.それは,データそのものの価値だ.いくつか引用しておこう.

言葉をデータ化すると,数え切れないほどの用途が生まれる.人間が読めるだけでなく,コンピュータによる分析も可能になるからだ.ビッグデータ関連企業の典型であるグーグルは,情報が多彩な目的に利用できる点を心得ている.だから,収集とデータ化に伴うコストや手間を惜しまない.

同じ目的での使い回しだけでなく,いろいろな目的に何度でも利用できる.これはビッグデータ時代の情報の価値を考えるうえで,非常に重要なポイントだ.(中略)データに秘められた本当の価値は,最初の目的に照らしたときの価値をはるかに上回る.

データの価値を考えるときには,単に現在の用途だけに着目するのではなく,将来的に利用可能な用途をすべて吟味する必要があるのだ.(中略)かつては,あるデータを本来の用途に使ったら目的を達成したものと考え,いつ捨ててもよかった.本来の価値が発揮されたように思われたからだ.ビッグデータ時代はデータがダイヤモンド鉱山になる.本来の価値を発揮した後でも,その魅力は簡単には色褪せない.

米国では1980年代半ばに上場企業全体の時価総額の40%ほどが無形固定資産だったが,2000年代の幕開けごろには4分の3を占めるまでに比重が大きくなった.無形固定資産には,ブランドや人材,戦略など,有形ではないが,得意識的に財務会計の対象となる資産がすべて含まれる.最近では企業が保有・活用しているデータも徐々に無形資産と考える傾向が強まっている.

統計学者のようなスキルばかりが注目されて,データ自体が軽視される風潮はそう長く続かない.業界の発展に伴って,バリアンが絶賛する統計学者的なスキルが一般人にも広く浸透すれば,人材不足の問題は解決する.

それに比べて,データの重要性は変わらない.データが大量にあるからといって,勝手に無料で使ってもいいわけがない.統計学者のような処理技能を持つ専門家も,斬新な利用法を思い付くアイデアマンも,時代とともに浮き沈みする可能性があるが,データ自体の重要性は変わらない.それだけデータ保有者は大切な存在なのだ.

ビッグデータの揺籃期にある現在は,アイデア型とスキル型に一番大きな価値がありそうだ.だが,最終的にはデータ型企業の価値が最大になるはずだ.その理由として,データを使ってできることがもっと増える点,ならびに,データの保有者がその潜在的な資産価値を的確に評価できるようになる点が挙げられる.その結果,データ保有者がデータを内部に囲い込む可能性が高い.外部に提供するにしても,利用料をつり上げるはずだ.金鉱のたとえで言えば,やはり金自体が一番重要なのである.

本書を含め,ビッグデータ関連の本やニュースでは,データ解析屋あるいはデータサイエンティストの重要性がこれでもかというほど強調されている.目を疑うような数字を添えて,人材不足も叫ばれている.そのような状況において思うのは,最終的に報われるのは誰か?ということだ.データサイエンティストだろうか.

かつて,The Economist誌の記事「Data, data everywhere」(2010/2/25)において,データサイエンティストは次のように紹介された.

a new kind of professional has emerged, the data scientist, who combines the skills of software programmer, statistician and storyteller/artist to extract the nuggets of gold hidden under mountains of data.

データの山に隠された金塊を掘り出すのがデータサイエンティストだというわけだが,これはつまり,データのゴールドラッシュ時代が到来したということだ.実際,多くの経営者が(理解しているかどうかは別にして),我が社もビッグデータをビジネスに活かそうとか,人工知能を活用しようとか,号令をかけている.実行部隊は道具を手にデータの山を掘るが,彼らは報われるだろうか.

1850年前後にカリフォルニアで起こったゴールドラッシュを振り返ってみよう.多くの人々がカリフォルニアを目指し,実際に金を探しまくった.そのゴールドラッシュで巨財をなしたのは誰だろうか.

例えば,リーヴァイ・ストラウス(Levi Strauss)は,一攫千金を狙う人達を見て「丈夫な作業着が必要だ」と気付き,キャンバス地で丈夫な作業ズボンを作った.リーバイスのジーンズの誕生だ.「多くの人が金を掘るなら大量の道具が必要だ」と気付いたサミュエル・ブラナン(Samuel Brannan)は,シャベルや鶴嘴,篩を売りまくった.そして,ヘンリー・ウェルズ(Henry Wells)とウィリアム・ファーゴ(William Fargo)は,採掘者が掘り当てた金を換金し,手紙や荷物の輸送,預金・送金サービスを提供した.その会社こそがウェルズ・ファーゴ銀行だ.

本書「ビッグデータの正体」にはこう書かれている.

ビッグデータというダイヤモンド鉱山でコツコツと採掘に励み,報酬を手にする.しかし,掘り出したダイヤモンドはデータの持ち主のものなのだ.

皆さんのビッグデータ時代における成功を祈ります.(自戒を込めて)

目次

 
第1章 世界を変えるビッグデータ
When Data Speaks データが語り始めるとき
 
第2章 第1の変化「すべてのデータを扱う」
「N=全部」の世界
 
第3章 第2の変化「精度は重要ではない」
量は質を凌駕する
 
第4章 第3の変化「因果から相関の世界へ」
答えが分かれば、理由は要らない
 
第5章 データフィケーション
「すべてのもの」がデータ化され、ビジネスになる時代
 
第6章 ただのデータに新たな価値が宿る
ビジネスモデルの大変化 その1
 
第7章 データを上手に利用する企業
ビジネスモデルの大変化 その2
 
第8章 リスク ビッグデータのマイナス面
『1984』の悪夢は実現するか
 
第9章 情報洪水時代のルール
ビッグデータ時代のガバナンスとは
 
第10章 ビッグデータの未来
ここまで述べてきたことの「まとめ」

4月 172017
 

例年より遅く桜が咲き出した京都だが,春とは思えないほど寒かったり雨が降ったりと,天候はいまいちだった.この日曜日にようやく晴れたので,朝からサイクリングに出掛けてきた.

暖かな春の陽気に包まれ,山では桜も綺麗に咲いており,最高に気持ち良かった.春のサイクリングは最高だ!

今回は約60kmを走った.通過したチェックポイントは,金閣寺,貴船神社,鞍馬寺,寂光院,三千院,銀閣寺,南禅寺,平安神宮,御所,北野天満宮,平野神社,わら天神など.桜の咲くベストシーズンに,渋滞や人混みに悩まされることもなく,これだけの観光スポットを最高に気持ちよく回れるのだから,みんなロードバイクに乗ればいいのにと思う.

以下,サイクリング中に撮った写真を用いて,上記観光スポットの紹介をしておこう.

水神である高龗神(たかおかみのかみ)を祭神とする貴船神社(きふねじんじゃ).貴船(きぶね)は川床でも有名.
水神である高龗神(たかおかみのかみ)を祭神とする貴船神社(きふねじんじゃ).貴船(きぶね)は川床でも有名.

この世に存在するすべてを生み出している宇宙生命・宇宙エネルギーである尊天を信仰する鞍馬寺.尊天は,毘沙門天王,千手観世音菩薩,護法魔王尊の三身一体とされる.護法魔王尊は650万年前に金星から地球に降り立ったとされる.鞍馬は鞍馬天狗でも有名.
この世に存在するすべてを生み出している宇宙生命・宇宙エネルギーである尊天を信仰する鞍馬寺.尊天は,毘沙門天王,千手観世音菩薩,護法魔王尊の三身一体とされる.護法魔王尊は650万年前に金星から地球に降り立ったとされる.鞍馬は鞍馬天狗でも有名.

鞍馬・二ノ瀬にある白龍園.春と秋に特別公開しているが,なんと1日100人限定のため,知る人ぞ知る日本庭園.
鞍馬・二ノ瀬にある白龍園.春と秋に特別公開しているが,なんと1日100人限定のため,知る人ぞ知る日本庭園.

貴船・鞍馬から大原へと向かう道(1).観光客は来ないので,満開の桜を独り占め.
貴船・鞍馬から大原へと向かう道(1).観光客は来ないので,満開の桜を独り占め.

貴船・鞍馬から大原へと向かう道(2).観光客は来ないので,満開の桜を独り占め.
貴船・鞍馬から大原へと向かう道(2).観光客は来ないので,満開の桜を独り占め.

“船・鞍馬から大原へと向かう道(3).静原の桜並木を貸切状態で疾走."
船・鞍馬から大原へと向かう道(3).静原の桜並木を貸切状態で疾走.

大原.のどかな田園風景に癒される.
大原.のどかな田園風景に癒される.

“大原の寂光院.聖徳太子が父・用明天皇の菩提のため開創したとされる.旧本尊の木造地蔵菩薩立像は2000年に火事で焼失している."
大原の寂光院.聖徳太子が父・用明天皇の菩提のため開創したとされる.旧本尊の木造地蔵菩薩立像は2000年に火事で焼失している.

“すぐき,千枚漬けと並んで京都の三大漬物とされるしば漬けは大原が発祥の地.平家滅亡後に大原に隠棲した建礼門院に,しそと漬け込んだ夏野菜を里人が差し入れたところ,その美味しさに感動した建礼門院が紫葉漬けと名付けたと伝えられている."
すぐき,千枚漬けと並んで京都の三大漬物とされるしば漬けは大原が発祥の地.平家滅亡後に大原に隠棲した建礼門院に,しそと漬け込んだ夏野菜を里人が差し入れたところ,その美味しさに感動した建礼門院が紫葉漬けと名付けたと伝えられている.

“大原の風景(1).三千院の近く.川沿いの綺麗な桜.大原の至る所にこのような景色がある."
大原の風景(1).三千院の近く.川沿いの綺麗な桜.大原の至る所にこのような景色がある.

大原の風景(2).春の京都は観光客で大混雑だが,ここには誰もいない.素晴らしい春の日を満喫.
大原の風景(2).春の京都は観光客で大混雑だが,ここには誰もいない.素晴らしい春の日を満喫.

“大原から一気に南下して銀閣寺へ.哲学の道は元々1890年(明治23年)に完成した琵琶湖疎水の管理用道路.哲学の道は桜でも有名だが,その桜は日本画家である橋本関雪とその妻よねが1921年(大正10年)に京都市に300本の桜の苗木を寄贈したのに始まるそうだ."
大原から一気に南下して銀閣寺へ.哲学の道は元々1890年(明治23年)に完成した琵琶湖疎水の管理用道路.哲学の道は桜でも有名だが,その桜は日本画家である橋本関雪とその妻よねが1921年(大正10年)に京都市に300本の桜の苗木を寄贈したのに始まるそうだ.

“哲学の道に沿って南に向かい南禅寺へ.南禅寺三門は1628年(寛永5年)に藤堂高虎が大坂夏の陣で戦死した家臣の菩提を弔うため寄進したと伝えられる.亀山法皇が創建した南禅寺は日本最初の勅願禅寺で,京都五山と鎌倉五山の上におかれ,日本のすべての禅寺のなかで最も高い格式をもつ寺院.本尊は釈迦如来."
哲学の道に沿って南に向かい南禅寺へ.南禅寺三門は1628年(寛永5年)に藤堂高虎が大坂夏の陣で戦死した家臣の菩提を弔うため寄進したと伝えられる.亀山法皇が創建した南禅寺は日本最初の勅願禅寺で,京都五山と鎌倉五山の上におかれ,日本のすべての禅寺のなかで最も高い格式をもつ寺院.本尊は釈迦如来.

“平安神宮の大鳥居.平安神宮は平安遷都1100年を記念して明治28年に創建されたので,かなり新しい.祭神は第50代桓武天皇.チョコレートようかん煉を食べてエネルギー補給."
平安神宮の大鳥居.平安神宮は平安遷都1100年を記念して明治28年に創建されたので,かなり新しい.祭神は第50代桓武天皇.チョコレートようかん煉を食べてエネルギー補給.

“鴨川.京都のど真ん中とは思えない風景.やはり鴨川はいいな."
鴨川.京都のど真ん中とは思えない風景.やはり鴨川はいいな.

“平野神社.その創建は平安京遷都頃に遡るとされる歴史ある神社.今木皇大神(いまきのすめおおかみ),久度大神(くどのおおかみ),古開大神(ふるあきのおおかみ),比売大神(ひめのおおかみ)の4柱を祭神とする.桜で有名で,シーズンになると西大路通りは観光バスの路上駐車が渋滞を招き,境内は公式宴会場となる.桜が綺麗なだけに残念."
平野神社.その創建は平安京遷都頃に遡るとされる歴史ある神社.今木皇大神(いまきのすめおおかみ),久度大神(くどのおおかみ),古開大神(ふるあきのおおかみ),比売大神(ひめのおおかみ)の4柱を祭神とする.桜で有名で,シーズンになると西大路通りは観光バスの路上駐車が渋滞を招き,境内は公式宴会場となる.桜が綺麗なだけに残念.

“走行距離は約60km."
走行距離は約60km.春のサイクリングを満喫した.

ロードバイクで駆けるのに最高の季節になった.春のサイクリングは最高だぞ!