kintone Café 大阪 Vol.13 〜karuraで学ぶ、機械学習の活かし方〜

Copyright © 2017 TIS Inc. All rights reserved.
karuraで学ぶ、機械学習の活かし方
戦略技術センター
久保隆宏

Copyright © 2017 TIS Inc. All rights reserved. 2
 機械学習まつわる、用語の整理
 人工知能・機械学習・ディープラーニングの関係
 機械学習の仕組み
 機械学習を活用するための、3本の柱
 ツール・データ・データリテラシー
 ケーススタディ
 1：機械学習が考慮する情報の「種類」
 2：機械学習が行う判断の「情報源」
 3：機械学習が見ている「関係性」の真偽
 欠くことのできない、最後の柱
 karuraが目指す機能
 karuraのコンセプト
 karuraの機能
 karuraを試してみる(ハンズオン)
 おわりに
目次

久保隆宏
TIS株式会社戦略技術センター
 化学系メーカーの業務コンサルタント出身
 既存の技術では業務改善を行える範囲に限界があるとの実感から、戦
略技術センターへと異動
 現在は機械学習や自然言語処理の研究・それらを用いたシステムのプ
ロトタイピングを行う
自己紹介
OpenAI Gymを利用した、
強化学習に関する講演
(@PyConJP 2016)
kintoneアプリ内にたまった
データを簡単に学習・活用
(@Cybozu Days 2016)
機械学習のビジネスへの適用/
音楽生成で同人誌ダブル出展
(@技術書典2 2017)

所属するチームのミッション
chakki
すべての人が、ティータイムに帰れるようにする
すべての人が、ティータイム(15:00)に帰れる(茶帰)
社会の実現を目指します。
この実現には、既存の仕事を効率化するのでなく、
根本的に「仕事の仕方」を変える必要があります。
しかし、慣れた仕事の仕方というのは簡単には変わ
りません。だからこそ、実際に「体験」をし、効果
を「実感」してもらうことが重要になります。
そのため、私たちは先進的技術を用い、仕事の仕方
が変わる体験を提供していきます。

chakki
 まずは自分たち(システム開発者)が帰れるように
 自然言語処理/機械学習を活用する
Elephant Sense
「質の高い」文章を検索するための試み。ビュー数やいい
ね数だけでなく、コンテンツの品質の評価も行う。
typot
プログラムのレビューを行う際、スペルミスを検知して
修正候補の提案を行う。修正の実行もその場で可能。
arXivTimes
論文の一言サマリをGitHub上で共有する取り組み。併せ
て会社共同での論文輪講も実施中(Twitterもやってます)

機械学習まつわる、用語の整理

人工知能・機械学習・ディープラーニングの関係(1/5)
ねこ
犬
うさぎ
動物大百科
(教師データ)
学習推論
「学習した結果をもとに、推論を行うことができるシステム」を総じて言う
人工知能
※人の数だけ定義があるといっても過言ではないので、一説として

機械学習もまた、データから学習し予測する技術。ただ、対象が限定される
数値に変換できるものしか学
習できない
(画像も言語も、数値に変換し
ている)
数値データ
基本的には数値を予測するか、
データのカテゴリを分類する
かしかできない。
予測・分類
機械学習モデル
学習推論

ディープラーニングは機械学習の数ある手法の一種
機械学習モデル
ディープラーニング

人工知能
機械学習
ニューラルネットワーク
ディープラーニング

人の顔を認識する
人工知能
音声を認識する
人工知能
指示内容を理解する
人工知能
物体を認識する
人工知能
人の感情を推定する
人工知能
適切な行動を
検索するシステム
発話を生成する
人工知能
発話を音声にする
人工知能
（他多数）・・・・
外気温等の
情報取得システム
「人工知能」自体もまた「人工知能」の要素技術となる
歩行制御する
人工知能
囲碁に勝つ
人工知能

 機械
 モデルともいう
 実体は、要するに「数式」
 学習
 機械(=数式)のパラメーターを、「データに合うよう調整する」
機械学習の仕組み(1/2)
機械学習は、「機械」を「学習」させる手法
y=ax + bなど
「機械」=数式「学習」=パラメーター調整
数式のパラメーターを、
データに合うように調整
データ

機械学習の仕組み(2/2)
数値データ予測・分類
「機械」の「学習」

機械学習の仕組み(デモ)
数値データ「機械」予測・分類
「学習」開始

機械学習を活用するための、3本の柱

機械学習を活用するための、3本の柱
機械学習を活用するには、以下三つの要素が欠かせない。
 ツール：機械学習を実装するためのツール
 データ：機械学習に学習させるためのデータ
 データリテラシー：機械学習による予測を解釈・検証するための知識

ツールについて(1/3)
Amazon
Machine Learning
導入のスピード
拡張性
ライブラリ型
パッケージ型
サービス型
scikit-learn(Python)
MLlib (Scala等)
mahout (Java)
Jubatus
Azure
Machine Learning
Cloud Machine Learning
Prediction I/O
サーバーを立て、API
で機能を利用
プログラムに組み込む
カタログ化された機能
を、APIで利用
TensorFlow(C++/Python)
クラウド上でモデル
を構築する
プラットフォーム型
IBM Watson
Cognitive Service
※プラットフォーム型、サービス型がいわゆ
るクラウド経由で提供されるサービスになる

業務で扱う際は、これら多くの選択肢からツールを選ぶ必要がある。その
時、以下のような観点が判断基準として有用になる。
 「自社用」のモデルを作る必要があるか
 音声認識や一般的な物体の認識は、自社用である必要は特段ない。
 この場合、学習済みの機能を提供するサービス型が候補になる。
 「独自」のモデルを作る必要があるか
 レコメンドや異常検知、文書分類などの代表的な活用方法に使用さ
れるモデルは、あらかじめ構築されたものが利用できる場合がある。
 パッケージ型はこうした代表的なモデルを提供しており、提供され
ているモデルと用途が合えば良い選択肢となる。サービス型も、一
部学習に対応しているものがある。
非常に多くのツールが登場しており、選択肢が多い

「自社用」かつ「独自」のモデルを構築する必要がある場合は、ライブラ
リ型やクラウド型を利用し、自前で機械学習モデルを構築することになる。
構築に当たっては機械学習に関する一定の知識が求められる。そのため、
そうしたスキルを持つ人材、講習の計画とセットで検討を行う必要がある。
機械学習に関する学習教材は既に多くあり、習得はそれほどハードルが高
いわけではない。変に忌避するほうが、高い勉強料(それほど知識のない
コンサルに対する高額な費用など)を払うことになる。
非常に多くのツールが登場しており、選択肢が多い
CourseraのMachine Learning
のコースはお勧め

データについて(1/2)
報道されるような機械学習の成果は、データの整備に支えられている
ImageNet
画像に対して「答え」を付けたデータセット(この画像は
猫、など)。1000万ほど画像があり、すべて人手で答えが
付けられている。データは公開されており、これにより
画像認識のモデルが発展していった。
OpenAI Gym
強化学習で学習を行わせるためのプラットフォーム。コ
ンピューターゲームからロボットシミュレーターなど幅
広い環境が用意されており、これにより強化学習の研究
がとても行いやすくなった。
The Ubuntu Dialogue Corpus
UbuntuというコンピューターのOSの、テクニカルサポー
トに寄せられた質問とその回答のデータセット。100万の
対話が収録されており、質問/回答を合わせた発話数は
700万にも及ぶ。

データについて(2/2)
報道されるような機械学習の成果は、データの整備に支えられている
KITTI
自動運転車のためのデータセット。ドイツの中規模都市
であるカールスルーエ周辺～高速道路での運転から得ら
れた画像が提供されている。画像は、最大15台の車と30
人の歩行者が映っている。
データの収集に使用した車、そこに搭載したセンサーの
情報なども公開されている。
このように、地道にデータを整備することで「機械学習でできるこ
と」と「機械学習の性能」は向上していっている。
逆に言えば、データが整備されていない分野で十分な力を発揮するこ
とはない。まずデータを整備し、それを公開することでエンジニアに
分析を促す(分析精度に対し賞金を払う)活動も行われている。

データリテラシーについて
昨今の報道から推察するに、一般的には機械学習の活用に重要な要素は以
下のような形と思われている。
ツールデータ
機械学習の活用
すごい人工知能
があれば、どんなデー
タでも上手くいく！

ただ、実際は以下のようになる。
このようになる理由を、ケーススタディをもとに解説していく。
ツールデータ
データ
リテラシー

突然ですが、あなたは不動産会社の社員になりました。
そして、そこではすでに「AI」が導入されています。そのAIは、物件の価
格を予測をしてくれるという優れものです。
物件の査定なら
お任せください！
予測精度は高く、大半の査定業務は自動化され多くの社員は16時が定時で
す(給料は変わらないどころか、AIの働きにより若干のベースアップ) 。
ただ、AIの精度が100%でない以上やはり問題もあります。

ケーススタディ1：機械学習が考慮する情報の「種類」
とある物件について、このAIに査定を行ってもらいました。
その金額で家賃を設定したところ、該当の物件には入居者が殺到しました。
さすがAI！と思いきや、どうやら周辺の
物件に比べてかなり割安な価格が設定さ
れていたということがわかりました。
しかし、AIが設定した価格は担当者とし
てもそれほどおかしいと感じません。
そこで現地に行ってみると・・・
X円

ケーススタディ1：機械学習が考慮する情報の「種類」
周辺では再開発が始められ、大型スーパーやおしゃれなカフェがどんどん
できていたのです！
AIはこの情報を見逃していたのでした。いくらAIでも、教えられていない
情報は考慮できない、ということがわかりました。

ケーススタディ2：機械学習が行う判断の「情報源」
AIによる査定の精度は非常に高いものでしたが、担当者の間ではとあるう
わさが出回っていました。
それは、方角が「北向き」の物件だけは、
予測精度が低いというものでした。
AIに北向きという不吉なキーワードが何
か影響を及ぼしているのでしょうか？ま
さかそんな・・・？

ケーススタディ2：機械学習が行う判断の「情報源」
調べてみると、過去に他社から譲り受けた物件について、向きの情報がな
かったため全て初期値の「北向き」で登録されていたことがわかりました。
実際の向きとは異なる物件が登録されていたため、AIはうまく判断できな
かったのです。データの乱れは、そのままAIによる判断の乱れにつながる
ということがわかりました。
実は東向き
実は南向き
実は西向き
北向き

ケーススタディ3：機械学習が見ている「関係性」の真偽
重要な物件についてはAIの予測値そのままでなく、その判断を参考にして
価格を設定することもあります。
そこで、AIに家賃に影響がある項目を聞いたところ、「山田さんが担当者
の場合家賃は低めになる」と奇妙なことを言いました。
これはどういうことでしょうか？担当者
によって物件の家賃が変わってしまうの
はおかしいことです。
そこで山田さんに聞いてみると・・・

ケーススタディ3：機械学習が見ている「関係性」の真偽
山田さんは入居がなかなか進まない物件について、キャンペーンなどを行
い入居を促す活動をしていました。
価格の低さは、実際には担当が山田さんかどうかではなくキャンペーン中
かどうかに関係しているのでした。これに気づかなければ、山田さんが
キャンペーン担当から外れた場合、山田さんの担当案件はほかの人より家
賃が低めになってしまうところでした。
AIが見ている関係性は、本当の関係性とは限らないんだなということがわ
かりました。

欠くことのできない、最後の柱
ケーススタディで見てきた通り、賢いAIがオフィスに現れても、データを
もとに学習している以上必ず落とし穴が存在する。それに気づくために必
要なのが、「データリテラシー」となる。
データリテラシーは、機械学習の活用に欠くことのできないピース
ツール
データ
データ
リテラシー

先のケーススタディにおいて、AIはそれほど人の実感とはずれた予測をし
ているわけではない(そもそも精度が高い設定なので)。しかし、以下のよ
うな注意点があることがわかる。
 教えられていないことは考慮できない
 機械学習において、学習に使用したデータに含まれていない項目が
考慮されることはない。
 教えられたことからしか判断しない
 機械学習は与えられたデータから予測を行うため、与えたデータに
存在する傾向はそのまま反映される(それが入力者のミスなどによ
るものであっても)。
 判断根拠にする関係性は、真の関係とは限らない
 機械学習が判断根拠にしている関係性は、真の関係とは限らない。
あくまで「データ上相関がある」だけで、実際の因果関係は異なる
可能性がある(疑似相関などと呼ばれる)。

時間がたつにつれ考慮すべき項目は変わり(再開発が行われたり)、データ
の傾向は変遷し(新しいデータが増え)、判断根拠にしていた関係性も変
わってくる(山田さんが異動したり)。
精度を維持していくには、こうした時間に伴う変化をキャッチし、都度修
正を加えてく必要がある。

具体的には以下のようなチェックを行う必要があり、そのために求められ
るスキルが「データリテラシー」となる。
 学習に使用しているデータのチェック
 精度が落ちている判断とその原因を特定し、必要な項目やデータを
追加して再学習を行う。
 例：新たに周囲1km内の小売店数を考慮に入れるようにするなど
 例：特定の年のデータに依存しないよう複数年のデータを使うなど
 機械学習モデルのチェック
 疑似的な相関関係への依存を見抜き、より真の関係に近いと思われ
るほうを特徴として利用する。
 例：担当者ではなく、キャンペーン対象フラグを導入するなど

AIにもメンテナンスが必要

機械学習モデルの構築は専門的な知識が
必要になるため、これを外部委託などで
賄うことはありうる。
しかし、データリテラシーは「活用する
ために最低限必要な知識」であり、利用
者側にも求められる知識となる。
※iPhoneアプリを作れる必要はなくても、
iPhoneの使い方を知っていなければアプ
リを使いこなせないのと同様。
データリテラシーは、社内で保持しておくべき
機械学習に関する知識
データ
リテラシー

ディープラーニングは、活用者にとっても上級者向け
ディープラーニングは一般的にその判断根拠を解釈するのが難しいため、
どんなにリテラシーがあってもその調整を行うことが難しい。
※判断根拠が不要なタスクでは問題ない(例えば、音声認識でいちいち
「なぜこの音が「あ」と思ったのか」と究明するのは不要)
精度が高い場合は疑似的な相関関係に依存していないか、精度が低い場合
はどんな項目を入れればいいのか、こうしたヒントをモデルから得ること
が難しい。加えてモデルに多くのパラメーターがあるため、それらの調整
も困難を極める。
判断根拠が不要な場合を除き「初手ディープラーニング」は良い手でない

karuraが目指す機能

karuraのコンセプト(1/2)
karuraの目指すところは、以下3点
 (ライブラリ型/クラウド型を使わなければならないような)「自社用」
かつ「独自」のモデルを簡単に作れるようにする
 機械学習の活用に欠くことのできない、データリテラシーの習得を後
押しする
ツールデータ
データ
リテラシー

karuraのコンセプト(2/2)
 便利という実感をユーザーにもたらす
karuraは元々kintoneに組み込む形で開発されているため、kintoneの良
い所である「簡単かつ便利で、誰かに教えたくなる」はそのまま引き継ぐ
よう意識している。
(ただ、機械学習でこれを実現するのはなかなか大変)

kintoneとは(1/2)
kintoneは業務アプリが誰でも簡単に作れてしまうプラットフォーム。
項目をドラッグ＆ドロップして作成するほか、手元のExcel表をもとに作
成することも可能。これだけでどこからでも、モバイルアプリからでもア
クセス可能なWebアプリケーションが作れてしまう。

kintoneとは(2/2)
kintoneの利用方法や活用方法を共有する
kintone Caféという有志のイベントがある。
なぜか全国に34個も支部があり(サイボウ
ズ社が音頭を取ったわけでなく、すべてコ
ミュニティ主導。シリコンバレーにもある
よ)、これがkintoneの魅力を物語っている。

karuraの機能(1/4)
独自の機械学習モデルを構築する場合は、データの前処理に始まり、モデ
ルの選択、学習・・・といった様々なハードルがあり、なかなかお手軽に
とはいかない。
karuraは、それらの作業を自動で行ってくれる。
端的には、「データを入れたら自動的に予測モデルを作ってくれる」。

karuraと一般的な機械学習ソリューションの違い
 一般的なソリューション
 精度を上げるために複雑なモデルを使う
 複雑なモデル(特にディープラーニング)を使う分、説明力が犠牲に
なる場合がある
 karura
 説明力を担保するために単純なモデルを使う
 単純なモデルを使う分、精度が犠牲になる場合がある
karuraにおいて、精度は第一目標としていない。
精度が出ない場合はデータにも相応の原因があり、データに問題がある場
合は業務にも問題があることが多い(人によって入力データの傾向が違う
など)。この問題を見過ごして精度を上げるより、低い精度でアラートを
上げて議論のきっかけにする方が良いという判断をしている。

予測したいアプリを選んで
予測に使う項目を選んで
学習ボタンを押すだけ
学習結果が表示される

データ・モデルのチェックを促すよう、様々な情報やアドバイスを提供。
重要視している
特徴などを図示
対話形式の場合、ア
ドバイスや確認を提
供(Slackに組み込ん
で使うこともできる)

Try karura!
実際に試してみよう！
準備するもの
 kintone開発者アカウント
手順
 karuraハンズオン手順

 現在はα版となっている
 登録しているアカウントやデータは保持されない
 予告なしに挙動が変わることがある
 検討に加わっていただいているお客様と、実際の業務で使われている
kintoneアプリに適用しながら開発を行っている。
 2017年のCybozu Days(11月)までには事例として報告したい！という
意気込みで開発中
karuraの今後(1/3)
ちなみにkaruraはオープンソー
スで公開している
(Apache License 2.0)

 モデル構築プロセスのサポート
 実際は項目の出し入れだけではうまくいかないので、予測結果を見
ながら編集して、一括アップロードするような機能が必要となる。
現在はこちらの機能を優先して開発中。
初回実行
モデルによる予測結
果一括ダウンロード
項目/データ編集後ファ
イルアップロード

 テキスト項目のサポート
 現在、日報のような長文テキストは項目として使用していない。
 こうしたテキスト項目のサポートを検討中。
 説明力の強化
 精度の低下やその原因について、より具体的な返答を行うように改
修を行う予定。
 Wiki的な解説用コンテンツを作成し、それを利用した回答を行うな
ども考えている。

機械学習を活用するには、人間側も「データリテラシー」を身に着ける必
要がある。現在仕事をするのにパソコンが必要不可欠なように、データリ
テラシーはいわゆるAI時代に必要不可欠な知識の一つとなる可能性がある。
karuraは、それを使いながら身に着けられるアプリケーションを目指して
います。それが「簡単かつ便利で、誰かに教えたくなる」機械学習に必要
不可欠な要素であると考えているためです。
karuraの今後にご期待ください！
おわりに

kintone Café 大阪 Vol.13 〜karuraで学ぶ、機械学習の活かし方〜

More Related Content

What's hot (20)

Similar to kintone Café 大阪 Vol.13 〜karuraで学ぶ、機械学習の活かし方〜 (20)

More from Takahiro Kubo (20)

Recently uploaded (9)

kintone Café 大阪 Vol.13 〜karuraで学ぶ、機械学習の活かし方〜