ローカル AI を利用した Windows アプリケーションの開発

Summary

このビデオスクリプトでは、日本マイクロソフトのパートナーソリューションアーキテクトが、ローカル環境のWindows上でAIモデルを活用し、アプリケーションに実装可能な機能を紹介しています。AIの進化により、言語生成モデルやマルチモーダル化された技術が日常的に利用できるようになり、コンピューティングパワーが必要なAIモデルのローカル動作が可能になりました。スライドとデモを交え、テキスト認識、音声認識、翻訳、要約などの機能を実演し、AIがユーザーエクスペリエンスや業務効率化に与える影響を示しました。

Takeaways

• 🌐 このセッションでは、Windows上のローカル環境でAIモデルを使用してアプリケーションに実装できる機能について紹介しています。
• 🚀 AIの進化は目まぐるしく、かつては想像もできなかった機能が日常的に使えるようになっています。
• 🔍 言語生成モデルやマルチモーダル化されたAIは、画像や音声認識など、さまざまな機能を備えています。
• 💻 AIモデルを動作させるには大きなコンピューティングパワーが必要なため、一般的にはクラウド上で動作させています。
• 🌱 しかし最近、SLM（Small Language Model）と呼ばれるコンパクトでローカルで動作できる言語モデルが登場しています。
• 🛠️ Windowsローカルで動作するAIは珍しくなく、多くのパートナーやMicrosoft製品で活用されています。
• 📈 AIの利用用途は多岐にわたり、チャットボットやユーザーエクスペリエンスの向上、データ入力の自動化などがあります。
• 📱 特定のアプリケーション例として、Be My Eyesは視力に問題がある人を支援するアクセシビリティアプリケーションです。
• 🎨 Davinci Resolve StudioのMagic Maskやdjay proなどのアプリケーションでは、AIを活用してパフォーマンスや機能を向上させています。
• 🔧 Windows Copilot Libraryを介して、モデルを追加することなくAI機能をアプリケーションに統合できるようになりました。
• 🔄 言語モデルは、テキストの要約やオートコンプリート、RAG（Retrieval Argumented Generation）など、高度な機能を提供しています。

Q & A

物江さんはどのような職業をしていますか？

物江さんは日本マイクロソフトでパートナーソリューションアーキテクトをしています。

セッションの目的は何ですか？

セッションの目的は、ローカル環境のWindows上でAIのモデルを使用してアプリケーションに実装できる機能を紹介することです。

AIの進化が日常的にツールとして使える状態に達したと言及しましたが、その具体的な例は何ですか？

言語生成モデルやマルチモーダル化されたAIモデルが挙げられます。これらは画像や音声認識を可能にし、一般的な使用に耐えるようになりました。

AIモデルを動作させるために必要なものは何ですか？

AIモデルを動作させるには、大きなコンピューティングパワーが必要です。

SLMとは何を指し、どのような特徴がありますか？

SLMとはSmall Language Modelの略で、サイズが小さくても動作させるのに十分な性能を持ち、強力なマシンパワーを必要としない言語モデルを指します。

Windowsローカルで動作するAIの利用用途には何がありますか？

チャットボットを使用したアシスタントやデータ入力などの日常的なタスクの自動化が挙げられます。

Be My Eyesアプリケーションはどのような機能を提供していますか？

Be My Eyesアプリケーションはアクセシビリティを提供し、LLMAを使用して視覚に障害のある人々がグラフや写真、スクリーンショットなどを実際に見るのを助けています。

ローカルでAIモデルを実行する利点は何ですか？

ローカルでAIモデルを実行する利点として、遅延が少なくリアルタイムで応答が得られることや、ネットワークに接続する必要がないためプライバシーが守られることが挙げられます。

Windows Copilot Libraryとは何ですか？

Windows Copilot Libraryは、アプリケーションにAIの機能を追加するためにモデルを入手する必要がないAPIのセットです。製品と一部として出荷されるAIモデルをアプリケーションの実行中にAPIを呼び出して使用できます。

デモで使用されたメモアプリは何で作られていますか？

デモで使用されたメモアプリは.NET 8のC#とWinUI 3で作られており、Phi-3 Whisper Embeddingsを使用してローカルで動作するように作られています。

テキスト認識のAPIがリリースされていない状況ですが、デモでどのように対応していますか？

テキスト認識のAPIがリリースされていないため、デモではコメントアウトされているコードを参考に、開発者が作ったデモ動画を利用して実行の様子を示しました。

機械学習のモデルとはどのようなものですか？

機械学習のモデルはデータから学習する数学的なプログラムであり、履歴データに基づいて何かが起こりそうな時期を予測したり、オブジェクトやビデオ、オーディオ認識、書き起こしなどを行うことができます。

RAGはどのような仕組みを持っていますか？

RAGはRetrieval Argumented Generationの略で、AIに問い合わせをした際に、モデルが持っている汎用的なデータではなく、あらかじめ用意しておいた独自のデータの内容を検索して回答させる方法です。

ファインチューニングとは何を意味していますか？

ファインチューニングは、SLMやLLMなどの言語モデルを特定のタスクに合わせてさらに学習させ、モデルに学習させられたデータを追加することで、そのタスクに対してモデルの性能を向上させるプロセスを指します。

AIの利用にはどのような責任があるとマイクロソフトは考えていますか？

マイクロソフトではAIの利用には大きな責任があると考えており、モデルを構築または変更する際には徹底的なレビューを行い、利用者に害を及ばないように複数の原則に従順であることが求められています。

Windows上のAIサンプルギャラリーとは何ですか？

Windows上のAIサンプルギャラリーは、GitHub上のサンプルアプリケーションのリンクが集められた場所で、オーディオエディターやメモアプリなど、多種多様な有益なサンプルコードが公開されています。

Outlines

00:00

🤖 AIモデルとWindowsアプリケーションの融合

物江さんが日本マイクロソフトのパートナーソリューションアーキテクトとして、ローカル環境のWindows上のAIモデルをアプリケーションに実装し、その機能を紹介します。近年のAIの進化により、言語生成モデルやマルチモーダル化されたAIが日常的に使用できるようになりました。しかし、AIモデルを動作させるには大きなコンピューティングパワーが必要なため、一般的な使用はクラウド上で行われています。最近では、SLM（サイズが小さくても動作可能な言語モデル）が登場し、ローカルでAIを活用することが可能になりました。多くのパートナーがWindowsローカルで動作するAIを利用しており、Microsoft製品もその利用をしています。AIの利用用途は多岐にわたり、特にチャットボットを用いたユーザーエクスペリエンスの向上やデータ入力の自動化が中心となっています。

05:01

🌐 ローカルAI実行の利点とWindowsでの活用

ローカルでAIモデルを実行する利点として、遅延が少なくリアルタイムの応答が可能であること、ネットワークに接続する必要がなくオフラインでも実行できること、プライバシーが守られることが挙げられます。また、クラウドでの推論に課金されることもありません。WindowsではローカルAIモデルが使用されており、Recall機能やWindows Studio Effectsなどの新しい機能が発表されています。さらに、ゲーム開発者向けにはAutomatic Super Resolutionという新機能も紹介されています。Windows Copilot LibraryのAPIを使えば、モデルを追加することなくAIをアプリケーションに活用することが可能です。

10:01

🛠️ Windows App SDK 1.6 Experimental 2のOCR API

Windows App SDK 1.6 Experimental 2に含まれるOCR APIについて説明しています。このAPIを使用すると、画像内のテキストを認識することができますが、まだAPIがリリースされていないため、デモはコメントアウトされています。しかし、開発者が作ったデモ動画を見ることで、OCR機能の実装方法を理解することができます。OCR機能はSnipping ToolなどのWindowsのツールでも使用されています。

15:03

🔍 AIと機械学習モデルの概要

機械学習モデルの基礎について説明しています。モデルはデータから学習する数学的プログラムであり、履歴データに基づいて予測や認識、書き起こしなどを行うことができます。デモでは、Whisperモデルを使用して動画の文字起こしを行う方法を紹介しています。Whisperは音声認識に特化したモデルで、GitHubから入手し、ONNXに変換して使用します。

20:08

🌐 AIモデルの入手と動作化

AIモデルを入手し、動作させる方法について説明しています。Hugging Faceのようなコミュニティがモデルを公開しており、誰でもダウンロードして推論可以尝试できます。デバイス上でAIモデルを動作させるには、フレームワーク、ハードウェア、API、ローカルアクセラレーターなどが必要です。特にDirectMLはDirectX 12対応GPUであれば動作するため、広範なデバイスで使用可能です。

25:10

🔍 セマンティック検索とエンベディングモデル

セマンティック検索とエンベディングモデルについて紹介しています。エンベディングはコンテンツを多次元空間に表現し、言葉同士の関係性を位置づけ、グループ化や分類に効果的です。デモでは、SemanticIndex.csを使用して、アプリケーション内のコンテンツをベクトル化し、検索キーワードに応じて近くのベクターデータを検索して表示する方法を紹介しています。

30:11

📝 言語モデルの応用とデモ

言語モデルの応用について説明し、デモを通じて実際の動作を紹介しています。言語モデルは私たちの言語や意味を理解しており、テキストを理解し、推論したり自動生成することが可能です。デモでは、Phi-3 Miniを使用して、テキストの要約やオートコンプリートを行う方法を紹介しています。

35:13

📚 SLMとLLMの違いとRAGの紹介

SLM（Small Language Model）とLLM（Large Language Model）の違いについて説明しています。SLMは小さなモデルであり、より学習が可能です。一方、LLMは巨大なモデルで、広い知識を持っています。RAG（Retrieval Argumented Generation）は、AIに問い合わせに対する回答で、モデルが持っている汎用的なデータだけでなく、独自のデータを検索して回答させる方法を紹介しています。

40:14

🛠️ モデルのファインチューニングと責任あるAIの開発

モデルのファインチューニングと責任あるAIの開発について語ています。ファインチューニングは、モデルを特定のタスクに合わせて微調整することを指し、Azure AI StudioやAI Toolkit for VS Codeなどのツールを使用して行うことができます。マイクロソフトでは、AIの利用には責任が伴うとされ、徹底的なレビューを行い、利用者に害を及ばないように原則を遵守しています。

📚 AIサンプルギャラリーとBuildセッションのリンク

最後に、Windows上のAIサンプルギャラリーと、Buildのセッションのリンクを紹介しています。AIサンプルギャラリーには、オーディオエディターやメモアプリなど、GitHub上の様々なサンプルアプリケーションのリンクが公開されており、誰でもビルドしてAIの機能を体験できます。また、Buildのセッションのリンクでは、Phiシリーズや.NET関連の深い内容について学ぶことができます。

Keywords

💡マイクロソフト

マイクロソフトは、このビデオの制作元である世界有数のソフトウェア開発会社です。ビデオでは、マイクロソフトの技術者がAI技術の進歩とその応用について語っています。例えば、「日本マイクロソフトでパートナーソリューションアーキテクトをしております」という文脈で使用されています。

💡AIモデル

AIモデルとは、機械学習や深層学習を用いて訓練されたアルゴリズムのことであり、ビデオではAIの進化とそれに伴う多様なモデルの開発が語されています。例えば、「昨今のAIの進化は非常に目まぐるしいものがありまして」という文脈でAIモデルの進化について触れられています。

💡マルチモーダル

マルチモーダルとは、複数の感覚やデータタイプを扱う能力を持つAIモデルのことを指します。ビデオでは、「言語生成モデルも当然として、これがマルチモーダル化されておりまして」として、AIが音声や画像など、さまざまなデータを処理できるようになったことを示しています。

💡コンピューティングパワー

コンピューティングパワーは、コンピュータの処理能力を指し、ビデオではAIモデルを動作させるために必要とされる高性能な計算資源について説明しています。例えば、「AIモデルを動作させるには、非常に大きなコンピューティングパワーが必要です」という文脈でその重要性が強調されています。

💡クラウド

クラウドは、インターネットを通じて提供されるコンピューティングサービスのことを指し、ビデオではAIを利用するために一般的にクラウド上でサービスが行われることについて触れています。例えば、「一般の方々が生成AIを利用するには、ネットワークを介してクラウド上で動作させるというのが一般的な使われ方になっています」という文でその活用形態が説明されています。

💡SLM

SLMとは、Small Language Modelの略で、ビデオではコンピューティングパワーを必要としない小さな言語モデルについて説明しています。例えば、「しかし最近はSLMと呼ばれますサイズが小さくて」という文脈で、ローカル環境で動作可能なAIモデルの登場が語られています。

💡Windowsアプリケーション

Windowsアプリケーションは、マイクロソフトのWindowsオペレーティングシステム上で動作するソフトウェアアプリケーションを指します。ビデオでは、「Windowsアプリケーションにどのような機能を実装できるか」という形で、AI技術がWindowsアプリケーションにどのように取り入れられるかが説明されています。

💡チャットボット

チャットボットとは、人間と会話をすることができるAIアプリケーションです。ビデオでは、「多くはチャットボットを使用したアシスタントのようなユーザーエクスペリエンスの向上であるます」と触れ、AIが提供するインタラクションの向上に役立つことについて説明しています。

💡データ入力

データ入力とは、情報やデータをシステムに入力するプロセスを指し、ビデオではAIが日常的なデータ入力タスクを自動化する可能性について説明しています。例えば、「データ入力などの日常的なタスクを人間から引き継ぐことに使われている」と、AIの潜在的な用途が語られています。

💡プライバシー

プライバシーは、個人が自分の私的な情報を保護する権利を指します。ビデオでは、ローカルAIの利点としてプライバシーの重要性が強調されています。例えば、「データをクラウドサービスに送信する必要がないため、プライバシーが守られます」と、ローカルAIモデルの利点が説明されています。

Highlights

マイクロソフトのパートナーソリューションアーキテクト物江が、Windows上のローカルAIモデルを利用したアプリケーション機能の実装を紹介。

AIの進化により、言語生成モデルやマルチモーダル化が進み、画像や音声認識が可能に。

AIモデルを動作させるには大きなコンピューティングパワーが必要とされてきた。

SLM（Small Language Model）の登場により、小型でローカル動作可能な言語モデルが実現。

WindowsローカルAIの活用事例として、チャットボットやデータ入力支援が挙げられる。

Be My Eyesアプリケーションが視力制限のある人々にグラフや写真の閲覧支援を提供。

Davinci Resolve StudioのMagic Mask機能がNPU環境で3倍の速さで実行可能。

djay proアプリケーションがNPUを活用して音楽ミキシングの機能を向上。

ローカルAIモデルの利点として、遅延が少なくリアルタイムでの応答が可能であることが挙げられる。

ローカルAIモデルはオフラインで動作し、プライバシーが守られる利点がある。

Windows Copilot Libraryが提供するAPIセットでモデルを追加不要にAI機能を活用可能。

テキスト認識APIとPhi Silica言語モデルAPIが近日中に提供予定。

Windows Studio EffectsがNPUアクセラレーションを利用してカメラやマイクの機能を向上。

Automatic Super Resolution機能がゲームの解像度を自動的に向上させる。

メモアプリがPhi-3 Whisper Embeddingsを利用してローカルで動作し、メディアファイルの音声認識も可能に。

デモで使用したPCスペックがSurface Laptop5、i7 2.7GHz、32GBメモリ。

OCR機能のデモンストレーションが行われ、Windows App SDKの1.6 Experimental2で実現予定。

機械学習モデルの説明と、AIが履歴データからパターンを学習するプロセスが解説される。

Whisperモデルを使用した動画の文字起こしと翻訳のデモンストレーション。

Hugging FaceコミュニティでAIモデルの共有と試用が可能に。

DirectMLが提供する幅広いGPU対応とONNXモデルの動作化が解説される。

エンベディングモデルがコンテンツを多次元空間に表現し、検索やグループ化に効果的な方法であることが紹介。

言語モデルの機能として、テキストの要約やオートコンプリートがデモンストレーションされる。

SLMとLLMの比較と、RAG（Retrieval Argumented Generation）手法の紹介。

ファインチューニング手法がモデルの特定のタスクへの適応を可能に。

AI Toolkit for VS Codeがローカルでのモデルファインチューニングをサポート。

マイクロソフトがAIの責任ある利用を重視し、徹底的なレビューを行っていることの強調。

Windows上のAIサンプルギャラリーが公開され、サンプルアプリケーションが提供されている。

Buildセッションのリンクが提供され、深い内容については参照が可能に。

Transcripts

皆さん こんにちは 日本マイクロソフトで

パートナーソリューションアーキテクトをしております 物江と申します

このセッションでは ローカル環境のWindows上の

AIのモデルを使用して

どのような機能をアプリケーションに実装できるか

というのを紹介していきたいと思います

昨今のAIの進化は非常に目まぐるしいものがありまして

数年前には想像の域を出なかったようなものが

今では日常的にツールとして使える状態になっています

言語生成モデルも当然として

これがマルチモーダル化されておりまして

画像でありますとか音声認識も可能になっています

とはいえ こういったAIモデルを動作させるには

非常に大きなコンピューティングパワーが必要です

そうした状況もあって

一般の方々が生成AIを利用するには

ネットワークを介してクラウド上で動作させるというのが

一般的な使われ方になっています

しかし最近はSLMと呼ばれますサイズが小さくて

それほど強力なマシンパワーを必要としなくても

動作させることのできる言語モデルが出てきています

このセッションでは

それらローカルで動作するAIモデルを使用して

Windowsアプリケーションにどのような機能を

実装できるか紹介していきたいと思います

Windowsローカルで動作するAI自体は

そう珍しいものではないんですね

実は多くのパートナー様が

Windowsローカルで動作するAIを利用しておりまして

もちろんMicrosoft製品自体も利用しております

AIの利用用途は様々なんですけども

多くはチャットボットを使用したアシスタントのような

ユーザーエクスペリエンスの向上でありますとか

あとはデータ入力などの日常的なタスクを

人間から引き継ぐことに使われていることが多いようですね

例えばこのBe My Eyesというアプリケーションなんですけども

このアプリケーションはアクセシビリティを提供するもので

LLMAを使用して目が見えない人や視力の弱い人が

グラフ 写真 スクリーンショットなどを

実際に見るのを助けてくれるものになっています

またTeamsの通話などの照明環境を設定する手助けも

してくれるということですね

そして今セッションをご覧になっている方々の中にも

使われている方がいるかと思うんですけども

ビデオ編集ソフトのDavinci Resolveですね

その有償版のDavinci Resolve Studioの方の

Magic Maskという機能があるんですけども

これはNPUのある環境で動作させると

3倍の速さで実行することができるようになっているそうです

そしてもう一つですね

こちらも使っている方がいらっしゃるかもしれませんが

djay proという名前のアプリケーションですね

これは音楽をミキシングするための非常に人気のある

アプリケーションなんですけども

こちらは最新のCopilot+PCでNPUを使って

ニューラルミックスなどオーディオの さまざまな部分を分離して

クールなものを作ったりBPMのようなものを見つけて

トラックを簡単にミックスできるようになっています

こういったアプリケーションというのは

AIを利用するためのさまざまな技術要素を

利用しているわけなんですけども

本日このセッションで紹介する技術要素は

こちらのスライドにあるものになります

もちろんこれら以外でもAIを利用するための

技術要素はたくさんあるんですけれども

このセッションではこのスライドにある要素に

焦点を当てて紹介していきます

とはいえ時間の関係上これら個々について

深く詳しく説明することはできないんですけれども

それがどういったものでどのように動作するかは

ご理解いただけるかと思います

まず最初にアプリケーションにAIの機能を

追加する方法についてです

現在アプリケーションにAIの機能を追加する

方法というのはたくさんあります

クラウド上にはOpenAIでありますとか

Azure OpenAI ServiceといったAIサービスが

ホストされておりまして

これらの機能をAPIとして

呼び出すことはもちろんクラウドサービス

例えばAzureにはモデルを作成したり

モデルを微調整するためのさまざまな ツールも用意されています

このようにLLMでありますとか高度な サービスを利用するには

現在もまだオンライン上のAIサービスを 選択する必要があります

しかし近年ではAIモデルの効率化が 著しくなってきておりまして

以前であれば大きなコンピューティングパワーが

なければできなかった処理が

一般的な使用されるPCのスペックでも

実行できるようになっています

例えば先ほどお話したSLMとか文書での 会話のもちろん

Buildで発表になりました

Phi-3 Visionというものがあるんですけども

これはSLMなんですけども

マルチモーダルで画像も認識できます

こういった高機能なものが手元で動かせる

時代になりつつあるんですね

ということでこのセッションのデモは全て

私が今プレゼンテーションしている

PCのローカルで動作するもので行って いきたいと思います

ではローカルでモデルを実行する メリットについて

紹介しておきましょう

まず大きな特徴として遅延が少ない というのがありますよね

問い合わせして応答を受け取るまで 何度もネットワークを介して

クラウドとやり取りする必要はありません

モデルとのやり取りは基本的にはメモリを介して

瞬時に行われますので

遅延のないほぼリアルタイムの体験を 提供することができます

ネットワークに接続する必要がないので

完全にオフラインで実行することができます

ネットワークケーブルはもちろん

Wi-Fiの電波通信量を一切気にする 必要はありません

当然ネットワークインターフェースが ない機器でも

使用することができます

データをクラウドサービスに送信する 必要がないため

プライバシーが守られますし

そもそもネットワークに接続しなければ

通信による情報漏洩リスクなんかも なくすことができます

クラウド上での推論を行わないので

その推論に対して課金されることもないんですね

また逆に簡単な処理はフロント側のAIで処理して

重い処理をクラウド上で動かすといった

そんな柔軟な使い方もできるようになっています

WindowsでもローカルAIのモデルは 使用されておりまして

Buildで発表されて話題になった

Recall という機能もその一つですね

これはPCがユーザーがそのデバイスで行った

全てのものを覚えていて

元の作業に戻ることができる機能なんですけども

これがまさにそれですね

この機能は新しいCopilot+PCでしか

使用できませんけども

条件を満たしていれば開発者の方は

UserActivity APIを使用して

自分のアプリケーションとリコール機能を

連携させることができるようになっています

そしてNPUが搭載されたマシンで利用できる

その他のエクスペリエンスとしては

Windows Studio Effects というのがあります

Windows Studio Effects では内蔵カメラとマイクに

NPUアクセラレーション機能を適用して

背景ぼかしやアイコンタクト

自動フレーミング 音声フォーカス

ポートレート ライト クリエイティブ フィルターなどなど

さまざまなエフェクトをデバイスのGPUとCPUに

負担をかけずに行えるようになっています

開発者はアプリケーションにコントロールを追加して

Windowsの設定でありますとか

あとクリック設定ですか

そちらでアプリケーションから直接これからの操作を

制御することもできるようになっております

もちろんAPIが提供されておりまして

すでにWhatsAppというアプリケーションでは

こういったものが使用されているということです

またこれも新しいCopilot+PCの話に なってしまうんですけども

ゲーム開発者向けには自動超解像ですね

Automatic Super Resolution と呼ばれる 新機能がありまして

これはゲームの解像度を自動的に上げてくれるもので

ゲーム側では遥かに低い解像度でレンタリング できるようになるわけですね

そうすれば解像度を維持しながら

もしくは同じフレームレートか

遥かに優れたフレームレートで

ゲームを進めることができるんですね

Windows AI関連の開発者向けの

トピックとして非常に印象的だったのは

Windows Copilot Libraryですね

これはアプリケーションにモデルを 追加する必要がない

APIのセットです

アプリケーションでAIを利用する場合は

一般的に目的の機能を持ったAIモデルを入手して

それを使用するんですけれども

そのモデルをわざわざ入手する必要がないんですね

このWindows Copilot Libraryは

アプリケーションの実行中にAPIを呼び出すだけで

オンデバイスMLモデルですね

要するに製品と一部として出荷される

AIモデルがあるんですけれども

それを呼び出すことができます

近々リリースが予定されているAPIが

テキスト認識とPhi Silicaというものですね

テキスト認識はテキストデータを 認識するものではなくて

OCR機能ですね 画像内のテキストを認識して

認識されたテキストの境界と

信頼度スコアを取得したりということができます

もう一つが Phi Silicaのほうですね

これはローカルのPhi Silica言語モデルを使用して

ユーザープロンプトに対して

テキスト応答を生成可能にしてくれるものです

この2つのAPIですね

スライドには近日中に提供予定と書いてますが

まだちょっと提供されていないようです

これはWindows App SDKの1.6 Experimental 2に

含まれているんですけれども

今日現在はまだ Experimental 1しか 出ていない状況です

ただですね USのBuildの最中にですね

開発者が7月ぐらいと言っていたので

そろそろ利用可能になるのではないかな と思っています

その他にもですね ベクトルのエンベディングで ありますとか

あとRAGとかですね テキスト要約の機能 というのがですね

今年後半にリリースが予定されているというものです

つまりモデルの追加をしなくてもですね

こういった機能が手軽に使えるように なるということで

非常に待ち遠しいという感じですね

今回のデモは

アプリでデモを行うんですけれども

それらの機能もですね お見せします

今回のデモではですね

当然そのCopilotライブラリはまだ使えませんので

Phi-3 Miniを使ったチャットボットだとかですね

あとテキスト要約

あとそのエンベディングの別のモデルですね

それを使った そうですね 検索でありますとか

あとそうですね そういったものをですね

お見せしていきたいと思います

こちらがですね 今日様々な技術の 紹介にですね

使用するアプリケーションになっています

どんなアプリケーションかといいますと

メモアプリなんですけれども

当然ただのですね メモアプリじゃないんですね

メモした文章を

セマンティック検索するのはもちろん

メディアファイルの音声認識なんかも 行ってくれます

これは .NET 8のC#と

WinUI 3で作られておりまして

使用しているAIモデルは

Phi-3 Whisper Embeddingsで

完全に ローカルでオフラインで 動作するように 作っております

これは既に

GitHub上で公開されているものなので

後ほど URLをシェアしますので

ぜひ 手元でビルドして

お試しいただければと思います

はい でまず一番最初

すいません あとこちらがですね

今日のデモで使用するPCのスペックなんですけども

まさに今 使っているものです

こちらは 一昨年の年末ぐらいですかね

リリースされたと思うんですけども

Surfaceの Laptop5ですね

使っておりまして

プロセッサーはi7の

2.7GHzでメモリは32GBですね

おそらくまあ

皆様がよく使われているPCと似てるかなと思っています

まあ平均的なものですね 使っています

はい でまずですね

最初デモはテキスト認識なんですけども

こちらは先ほどお話した通り

Windows App SDKの1.6 Experimental2が

まだリリースされていないので

動作しないんですね

でサンプルコードにはですね 記述され…

サンプルにですね コードは記述されているんですけど

コメントアウトされています しかしですね

開発者が作ったデモ動画がありますので

それで 実行の様子をですね

それをご覧いただきたいと思います

はいこんな感じですね

これどういうデモかと言いますと

WhatsAppというですね

アプリケーションにこういう風に

写真で撮ったその用紙が届くんですけども

それを貼り付けるとこのようにですね

オープンしただけでですね

文字が取得できるという

そういった機能が実装されるということですね

はいすいません 画面の切り替えをお願いします

でこれがですね

そのサンプルのコードのとこなんですけども

ご覧いただいて分かる通りですね

こんな風に はい コメントアウト

Until API are availableって書いてあります

ただコードは書いてありますので

どういう処理をしているかというのを

紹介したいと思います

コメントアウト外しますので

Ctrl KのUで外します

はい でまずなんですけども

ご覧の通り モデルを

どこから持ってくるという必要はありません

APIを呼ぶだけなんですね

はじめに何をするかというと

こちらの

textrecognizerのところですね

makeavailableasync() というのを使って

これでインスタンスが作れるかどうか見てるんですね

作れる場合には

このtextrecognizerのところの

createasync() を使ってインスタンスを作ります

そして引数ですね

image というのがあるかと思うんですけども

これを imagebuffer に入れてあげまして

あとは こちらの

textrecognizerのところの

textrecognizerの

recognizertextfromimageasync() というところで

imagebuffer の

image を入れてあげる

そうすると もうここで

変換されたデータが返ってくる感じですね

このコードでは テキストを取り出して いますけれども

中には 先ほどお話したように

テキストの境界でありますとか

あと傾きなんかがですね

取れるようになるということです

これも もう少し待ってますと

実際に使えるようになりますので

ぜひ こちらお試しいただければと思います

スライドに戻してください

すいません はい で こちらの

こういったですね ご覧いただいたような

OCR機能は

Windowsのツールである

Snipping Toolでも

使用されています

Snipping Toolには

テキストアクションという

ボタンがありまして これをクリックしますと

画像内のテキスト認識をして

コピーすることができます

はい あとですね

これまでモデルモデルという話を してきましたので

モデルについての話をしたいと思います

機械学習のモデルとは何かといいますと

基本的には

データから学習する

数学的プログラムですね

この学習がどのように行われるかといいますと

ざっくり言いますと

それは子どもに

たくさんの例を見せて

その中から問題解決に適応できるパターンを

見つけ出すというか

それが認識できるように

認識できるようになるまで

学習させるようなものなんですね

つまり履歴データに基づいて 何がですね

何かが起こりそうな時期を予測したりとかですね

オブジェクトやビデオや

オーディオ認識したり

また逆にそれを

書き起こしたりするなど

非常に高度なことができるようになっています

デモで

実際にアプリケーション内で

どのようなことができるかという方法を

ちょっとお見せしたいと思います

はい これで この機能では

Whisperを使って

動画からの文字起こしを

ちょっとしてみたいと思います

すいません スライドの画面の切り替えをお願いします

はい Whisperなんですけども

文字起こしですね こちらのコードは

Whisper.cs となっていまして

ここを見ていただきたいんですけども

ここでですね ONNXモデルをロードしています

で ONNXモデルをロードしているので

使っているライブラリはですね

こちらの フレームワークですね

ごめんなさい 依存関係ですね

依存関係のパッケージでですね

この中にちょっと狭いですね

はい ここの Microsoft.ML

OnnxRuntime.Extensions というのを使っています

その前にですね これ

モデルをどのように入手したかというと

こちら これは実際にこのアプリケーションの

GitHubで公開されているページなんですけども

セットアップ方法があるんですが

ここですね まずHugging Faceから

Whisperのモデルを入手してきまして

その次にですね この

olive というツールを使って

ONNXに変換しています 変換した際に

大きいのと小さいのを作っているんですね

ちょっとお待ちくださいね

これをちょっと開けますね

tinyとsmallというのがあります

tinyというのがですね

小さくてスピードが速いんですけども

それほど精度が高くないですね

smallはちょっと遅いんですけども

サイズもでかいんですけども

そこそこ認識がしっかりしているというものですね

これをですね ここの ここですね

この onnx-models というフォルダを作って

入れてあるんですね

ちょっと中に見てみましょう

tinyの方を ダブルクリックします

Visual Studioではこれを開けられないので

一緒に入っているですね

別途インストールしてある

このNETRONというので開けてみます

そうしますとこのようにですね

フローチャートっぽいものが出てくるんですけども

これ処理の流れが出てるんですね

audio_stream ですね

AudioDecoder とかですね

あとTranspose とかですね

Slice とかいろいろあるかと思うんですけども

まずaudio_stream 見てみましょう

そうしますとこういうふうにですね

説明とかあるんですけど

INPUTS としてまずですね

長さが指定されていない

audio_stream があることが分かりますよね

あとは max_length min_length

あとはですね num_beams とかってのがあります

これが INPUTS のパラメーターで

OUTPUTS の方がですね

string で出しますというのは

このように分かるかと思います

通常こういった情報というのは

モデルを提供している側から受け取るか

あとは

Hugging Faceなんかで見るわけですね

ですがこういったところで

情報を持ってくる必要があるとかですね

実際の処理どのようになっているか

というのをですね 見てみたいと思います

まずですね ここでONNXモデルですね

パスが分かったらここですね

下の方で InferenceSession() ということで

推論セッションを作っています

推論セッションができたら

その下ですね ここを見ていただきたいんですが

ここですね audio_stream min_length

max_length という形で

先ほどのアプリで見たようなですね

インプットのパラメーターが

設定されているのが分かるかと思います

そしてこれを下でですね 先ほど生成した

推論セッションに与えてあげると

これ見ていただきたいんですけども

ここで string として

文字起こしの結果が返ってくるという形ですね

もう一つですね

これはもう一つモデルを使ってまして ここですね

ここに silero というのがあるかと思うんですけども

これ何に使っているかというと

この文字認識がですね 30秒間隔で

行っているんですね 30秒間隔でやるときに

単語の間とかですね

話しているおかしなところで切らないように

これを使って分割しているような形になります

そしてもう一つ ここにですね

inputLanguage とありますけども

Whisperはこの 文字起こしの他に翻訳とかですね

あとはそのタイムスタンプの

抜き出しなんかも使えるんですね なのでこれは

もともとは英語向けのものなんですけども

日本語が分かるように

今 Japanese になっていますね

これをですね en にしてみましょう

en にして日本語のものをちょっと読み込ませたら

どうなるかというのを見てみたいと思います

これ保存しまして 実行ですね

今ビルドが始まっています

すべてですね このPCでですね

手前にあるPCで動かしています

はいアプリケーションが 今起動してきまして

これはもう事前に 貼り付けといたやつですね

日本語で 日本語でですね

このように文字起こしがされていまして

これをクリックすると

クリックしたときにビデオが飛びますし

逆にこれをクリックすると

その箇所にこの文字の方ですね

が動くようになっています

これ今日本語なんですけども

ここに 同じ動画を

ちょっと貼り付けてみましょう

今度は コードが en になっているんですけども

それを貼り付けるとどうなるか

これ見ていただきたいんですが

インジケーターが 出てきましたね

これ今処理をしている状況ですね

はい完了です

もうすごいあっという間ですね

日本語で

この2分程度の動画だったらこんなもんですね

クリックしますと はい見てください

これですね 英語に翻訳されているんですね

こういうふうにですね AIを使用すると

Whisperですね AIというかWhisperを使用すると

文字起こしはもちろんなんですけども

このようにきちんと翻訳とかですね

もちろんタイムラインもこれ 同期しますし

こういったことができるというのが

お分かりになったと思います

こういったものが

皆さんのローカルのマシンで

作れる状況になってきています

すみません また切り替えをお願いします

はい そして デモでは

アプリケーションが

Whisperモデルをどのように使用しているか

という話をしたんですけども

Whisperモデルに限らずですね

現在ではさまざまな機能を持った

さまざまなAIモデルがですね

さまざまな場所で公開されています

その一つが Hugging Faceですね

これはAIモデル用のGitHubのようなものでして

コミュニティの研究者が モデルを置いて

誰もが使えるようにするような場所ですね

もちろん 作成したモデルを 公開することもできます

さらに Hugging Faceでは

モデルをダウンロードするだけではなく

実際に推論させて試すことも

できるようになっています

さてモデルを 入手したらそれぞれを

動作させる必要があります

現在デバイス上で

AIモデルを動作させるには

さまざまなフレームワーク

ハードウェア

あとAPI

さらには

ローカルの アクセラレーターがありまして

これらの組み合わせは

環境や目的や用途によって

変わってくることがありますよね

特に

特にですね

ハードウェアAPIの選択は

これはまあ

各々のハードウェアが提供する機能であるために

性質上 致し方ないことではあるんですけども

動作対象となる

デバイスの構成を狭めることになります

ただしですね マイクロソフトが提供する

今その ハードウェアAPIの一番左側に書いてあります

そのDirectMLですね DirectMLは

DirectX 12対応GPUであればですね

動くように作られていますので

これを選択することでですね

動作対象をある程度広げることができます

実際のところ

今回のデモで使用しているアプリケーションの

いくつかの機能も DirectMLを使用して

ONNXモデルを動作させています

今度は セマンティック検索ですね

セマンティック検索何かといいますと

これは エンベディングモデルを使用して

アプリケーションの中の全てのコンテンツを

取得してそれを使用するものですね

エンベディングはですね 多次元ベクトルなので

多次元でですね 表現できます

例えば犬と猫をですね 埋め込みますと

犬と猫の意味的な距離を測れるようになるんですね

ベクトルの中ですね

つまりコンテンツの意味を

多次元空間に表現する方法です

これもですね このデモで使用しているモデルはですね

384次元を使ってですね これを表しています

これもちょっとデモで

お見せしたいと思います

切り替えをお願いします

では検索なんですが その前に

ちょっとこれをお伝えしなければいけないことがありまして

これですね データを

ベクトル化するときに使っているAIが

この all-MiniMLというのを使っているんですけども

これがですね 残念ながら日本語に対応していませんで

英語とラテンしかダメなんですね

なので検索は今回英語で行います

何やってくれるものかといいますと

皆さんそのベクトル検索とかするときに

インデクサーを使って

情報をベクトル化しますよね

それをやってくれるものをですね

ちょっとコードを動かしてですね

その状況をお見せしたいと思います

アプリケーションですね 検索のキーワード

これで検索キーワードをしてみましょう

ごめんなさい オートコレクト これですね

How to use function callingというのをですね

検索してみましょう

function callingどう使いますか

そうすると ただこれもう

function callingってキーワードが入っちゃっているので

あんまりいい質問ではないんですけども

こんな形で ここにありますよというのを

検索してくれるんですけども

これがどういうふうに動いているか というのを

見たいと思います

ソースコードがこちらですね

検索コードがですね

SemanticIndex.cs ですね

ぶっちゃけ言うとですね

ベクトル化したものを比較しています

ちょっと動かしてみましょう

ここでですね ブレークポイントを設定しまして

まだ同じようにですね 検索をします

こちらですね 閉じてからですね

これ見ていただきたいんですが

まずですね こちら storeVectors ってあります

これ何が入っているかというと

このアプリケーションに

いろんなノートありますよね

これがベクトル化して入っています

これ92個あるんですけども この1個1個ね

ベクトルストアですね ごめんなさい

ちょっとね これですね

この1個の配列につきですね

開けてみると分かるんですけど

先ほど384次元という話をしましたけども

float の384個のデータが入っています

これが こっち側がですね

アプリケーションが持っているデータですね

この searchVectors

ここの searchTerm って見ると

ここに表示しましょう ですね

How to use function callingということで

先ほどですね 私が 書いた質問が入ってきます

で同じようにですね この処理結果が

ここに入ってベクトル化されてるんですね

これは配列1個しかありませんけども

384個あります

この2つのベクターデータ

これも間は端折るんですけども

ここ結局のところですね ここですね

えっとですね はい ここで比較します

コサイン比較 コサイン類似関数ですね

これでループしながら そのベクター

先ほど距離って話しましたけども

質問に対して近いものを

ここで調べていて ここに近かったら

追加するような形になってですね

なので 続行すると こういった候補が出てくると

こういう仕組みになっているんですね

先ほどお話したように ここで使っている

エンベディングモデルというのは

ベクトル化するために

使われているという形になります

以上デモでした

まずスライド戻してください

はい ということでですね デモのコードで

説明してしまったんですけども

つまりベクターベディングモデルはですね

言葉同士の関係性を位置づけるですね

空間地図のようなものなんですね

なので検索グループ化 分類に非常に

効果的に使用することができるようになっています

今度は 言語モデルのデモを行うんですけども

言語モデルか何か

ご存じない方のために 簡単に説明すると

一言で言ってしまうと

ChatGPTみたいなものですよね

言語モデルは 私たちの言語と

私たちがどのように話すか

またはその言語の背後にあるですね

意味を一般的に理解しているモデルになります

実際ですね セマンティック検索と

エンベディングモデルは

ある意味で それと関係しているわけですね

それらのモデルを 使用して

テキストを理解したり 言語を理解したりですね

テキストを推論したりですね

追加のテキストを自動生成したり

アプリケーション内で

非常に優れたことを行うことができます

ChatGPTなんですけども あれは LLM

Large Language Modelと呼ばれるとおり

非常に巨大なものなんですけども

このデモでは SLM

Small Language Modelであります

Phi-3 Miniをローカルで使用します

このアプリケーションでは テキストを選択して

このテキストを要約するように 依頼できます

実際デモを お見せしましょう

これはウェブアプリケーションの種類について

説明する文章なんですけども これを

選択しまして 画面で

サマライズというメニューをクリックしますと

元に内容を解釈してですね 要約をしてくれます

これなんで ビデオで今ご覧いただいているかというと

Phi-3日本語を理解するんですけど

処理がちょっといまいち早くないんですね

実際その回答が出てくるまで

だいたい私のマシンだと

40秒ぐらいかかってしまってますので

ビデオにしています ここからですね

実際にデモでお見せしたいと思います

スライドを切り替えてください

そのほかですね できるものとして

今要約しましたけども

オートコンプリートなんかもできるんですね

ちょっとやってみましょう 例えば

例えば えーとですね

このドキュメントの中にはですね 一応

この ちょっとね えーと

Learn about Copilot prompts とか

入ってますから

Copilotの情報もですね 入ってるんですね

ここで まず情報を ここに書きます

えーとここですね まあ

皆さんが途中まで文章を書いたと思ってください

Copilot for Microsoft is

っていう風に書きます そうしますと

ちょっとGPUの様子を見ましょう これはですね

DirectML使ってるんで GPUが動いてるが分かりますよね

でそうするとこんな形で えー

Assistant for Microsoft is みたいな形で

ここで学習してきたものを使って出してるんですね

日本語もちょっとやって

ちょっと日本語遅くなると思うんですけども

ちょっとやってみましょう はい

Microsoft Azure で Web アプリをホストするには

というところですね 入れます そして ちょっと

えーごめんなさい GPUですね

動いてますね アプリ側で見ると

来ましたね

必要なサービスを選択し設定します

例えばバックエンドサービス...

みたいな感じでやってくれます

これがどう動いているかというのをですね

ちょっと見てみたいと思います

そうしましたらですね

先ほどお話した通りですね

これは Phi-3使ってますので

ここで使っているのはですね

これですね DirectMLですね

なのでこれはダイレクト DirectXの12ですね

それがサポートされているGPUを積んでいれば

動くものになっています

はい こちらですね Phi-3ですね

ここで ONNXファイルを読み込んでいるのが

わかるかと思います

で この ModelDirですね ModelDirを使ってですね

下の方に行きますと ここでインスタンスを作ってですね

ニューモデルという形で作ってまして

でインスタンスを作ったらですね この後でですね

はい tokenizer を使ってその処理を与えてる感じですね

でジェネレートをしてます

こっちの方で見ていただきたいんですけども

えーとですね ありました ここですね

モデルのインスタンスを生成したらですね

new Generator() という形でやってですね

ここの generator.IsDone() だったらって

ループしてますね

これなんでループしてるかというと

言語モデルってですね

トークンという感じで

トークンという形で処理を行うんですね

文字列ですね トークン単位で

細切れに出てくるんですけども

それをジェネレートが終わった順番で出してですね

デモでちょっとお見せしましょう

そしたらですね

この辺りにブレークポイントを設定しまして

アプリケーション動いてますので

また同じ質問をですね 書いてみましょう

これでいいですね コピーして

貼ります ちょっと待ちます

はい止まりました ここですね

これ見ていただきたいんですけども

まずここにですね

trained って書いてありますね

じゃあもう一個動かしましょう

次 part って書いてますね

じゃあこれ全部動かすと

どうなるかって話なんですけども

アプリケーションの画面出してみます

ちょっと待ってましょう

そうすると 出来上がってくるのがですね

先ほど出てきた

trained to help users with a

みたいなのが入ってきますよね

こういう風にですね

トークンベースで処理がされてるというのが

分かったかと思います

このようにですね こんな感じでですね

言語モデルを使って 先ほどご覧いただいた

オートコンプリートなんかも

作れるというところですね

スライドに戻してください

この Phi-3 Miniを使ったデモを

ご覧いただいたんですけども

そこで使用されていた SLMまたは

ChatGPTのような LLM つまりは

小さな言語モデルと 大きな言語モデルの 違いは何でしょうという話ですね

違いは サイズと それらのモデルが

何のために開発されているかですね

一つの例えとして 博士課程の学生と

高校生の対比ですね 博士課程の学生は

特定の分野について

深い知識を持っていますが

高校生は 多くの異なる科目の

基本的な知識を持っていますよね

あるいは ある範囲の中の

基本的な知識です

当然博士課程の学生は

高校生の持っているような知識は

全部持っているんですね

要するに広くか浅くか

広くか深くかですね

なおですね SLMは 小規模なモデルですけれども

さらに学習させることができます

モデルに

追加データを導入するために

使用できる手法が

いくつかあるんですけども

その一つがですね RAGですね

Retrieval Argumented Generation

というのがあります

これはもうLLMを 使用している

使用した開発をされている方々であれば

ご存じかと思うんですけども

AIに 問い合わせをした際に

モデルが持っている

汎用的なデータではなくて

あらかじめ用途に応じて

用意しておいた 顧客のデータでありますとか

個人データといった

独自のデータの内容を検索して

回答させる方法ですね これもちょっと

デモでお見せしたいと思います

そうですね

デモでお見せしたいと思います

ちょっと画面の切り替えをお願いします

はい ではですね これから

RAGの検索ですね これご存じのとおりですね

これ私がセッションで話した内容とか

セッション用のこのデモのビデオとかですね

これ入っているんですね データですね

なので あと セッションの参考にした

今回のセッションの参考にしたですね

セッションデモ動画とかですね

これなんかも入っています なので

ここの中からですね

情報を検索できるようになっています

検索する 質問はですね これにしましょう

はい まずここのですね

ロボットマークのアイコンをクリックしますと

しまして

ここにですね こういう質問を書きます

先ほどまだリリースされてませんよと言った

What is the OCR API included in?

OCR APIどこにありますか?

何に含まれますか?という

何に含まれますか?

質問を投げてみましょう

ちょっとこれ いっぺん止めちゃったから

うまくいかないかもしれません

ちょっと動かしてみます

動かしてみましょう

今GPUが スパイクしているので

ちゃんと処理していると思います

ちょっと待ってみましょう

もう少しですね 数えましょうか

1 2 3 あ、来ましたね

はい 出てきました はい

なんて回答しているかですね

The OCR API is included as part of the next Windows App SDK 1.6 Experimental

次出てくるWindows App SDKの1.6 Experimentalに入ってますよ

というふうにですね ちゃんと答えています

そしてここに書いてあります

動画書いてありますとクリックします

そうするとここですね 惜しいですね

調子にいいときはですね ここを指してくれます

ここをちゃんとですね ここで書いてますよ

と言ってくれるんですけど

生成AIはですね ちょっと気まぐれなんで

こんな感じなんですけども こんな感じで

RAGがですね うまく動くということは

確認できたかと思います

またスライドの方に戻してください

はい ということで ちょっと待ってくださいね

RAGのほかにですね

独自のデータを追加する方法として

使用できる手法としてですね

ファインチューニングがあります

前述しましたようにですね

先ほど言いましたようにですね

SLMはですね ベースモデルでありまして

特定のタスクのために

訓練されていないんですね

しかしシナリオによっては

これらのモデルを使用する場合に

そのSLMには 用意されていない

ある特定のタスクの一部に

必要になることが タスクの一部がですね

必要になることがあります

その際には

ファインチューニングが役立つんですね

これはモデルの

再トレーニングではなくて

さらにモデルをトレーニングしたり

特定のタスクに対して モデルに

学習させたり 学習させるデータを

追加することですね

ここで例を挙げるとするならば

先ほど紹介した そのオートコンプリートですよね

オートコンプリートでは

基本モデルがすでに

持っている知識だけで

動作はするんですけども

そのモデルを微調整して

自分の与えた知識で話したり

組織で使用している用語を

使用したりできるようになるわけです

モデルを ファインチューニングする ツールとしては

Azure AI Studioなんかがありますけども

ローカルで モデルを微調整するために

使用できるツールもあります

それが AI Toolkit for VS Codeですね

これはWindows AI Studioですね

拡張機能の進化版でありまして

Azure AI Studioと Hugging Faceの

最先端のモデルを探索して それを

試したりファインチューニングして

アプリケーションに統合することができます

プロンプトを提供してですね

モデルがどのように応答するかを 確認できる

モデルプレイグラウンドやですね

あと結果が探しているものでない場合は

実際にデータセットを作成して モデルを

さらにトレーニングできたりもします

ぜひこういったものを

活用いただければと思います

はいということで まとめです

マイクロソフトでは

AIの利用には

責任を伴うと考えておりまして

マイクロソフトでモデルを

構築するとき あるいはモデルを

変更するときは 非常に

徹底的なレビューを行っています

利用者に 害を及ばさないように

するために マイクロソフトでは

従順すべき 複数の原則がありまして

AIを 使用してこれまでにない

全く新しいアプリケーションを

開発するときは それが

喜びをもたらす可能性があるだけでなく

逆に害をもたらす可能性があることも

考えておく必要があるかと思います

大きな力には

大きな責任を伴うという

古くからの格言がありますけれども

この言葉にあるように

世の中には 世の中に

大きな影響を与える 与えうるサービスや

機能をリリースする際には

それを正しく 責任を持って行う必要がありまして

誰にとっても 安全なもの

安全なものなのかどうか

十分に熟考する必要があるかと思います

現在では それを確認して

実行するためのツールや

リソースもたくさん出ておりますので

それらを活用して

ぜひ責任あるAIを 実現していただければと思います

次ですね こちら私がですね

このセッションで話した内容は

大体これを見れば分かるかと思います

あとスライドをちょっと切り替えて

画面切り替えてもらっていいですかね

でですね サンプルなんですけども

ここですね Windows上の

AIサンプルギャラリーというのがありまして

もちろんリンクこれ貼ってありますけども

ここにですね 様々なサンプルアプリケーション

GitHub上のサンプルアプリケーションのですね

リンクがあります

例えばオーディオエディターとかですね

先ほどのサンプルアプリケーションがありますので

先ほどのデモで私が使用しました

メモアプリでありますとか その他ですね

もろもろ非常にたくさんの有益なですね

サンプルコードが公開されております

これ動かすことができますので

ぜひお手元でですね ビルドをしていただいて

このAIの機能ですね

これを体感していただければと思います

画面を戻していただけますか

そしてこれ最後にですね

今回は 個々の技術要素に対して

細かいお話はできなかったんですけども

さらに深い内容については

このスライドの最後に

先月行われましたBuildですね

Buildのセッションのリンクが貼ってありますので

例えばもっと

Phiシリーズについて知りたいよとか

あとはその .NET関連のところは知りたいよね

という場合はですね ここら辺の

スライドですね スライドじゃないですね

公開されているセッション動画を

ご覧いただければと思います

はいということで 駆け足になってしまいましたけども

私のセッションは以上でございます

ご静聴ありがとうございました