事例から見る人工知能の現在と、企業における活用方法

Copyright © 2017 TIS Inc. All rights reserved.
戦略技術センター
嘉村準弥
千葉エリア日本大学新技術説明会 
 
事例から見る人工知能の現在と、
企業における活用方法

自己紹介
2
嘉村準弥
TIS株式会社  
戦略技術センター主任 
chakkiチーム(機械学習/自然言語処理)
旅行会社の基幹、Webシステムの開発において 
要件定義から設計と開発、保守運用に従事。 
現在は研究開発部門の戦略技術センターに異動し 
生産性向上に向けて機械学習と自然言語処理の 
応用研究とプロトタイピングに取り組む。

chakki
所属するチームのミッション
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」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。
3
すべての人が、ティータイムに帰れるようにする

目次
■ キーワードの整理
• 人工知能・機械学習・深層学習
• 事例紹介
■ 地域企業が機械学習を利用するために
• 機械学習の活用にあたり
• 機械学習活用のためのCheck Point
• Point0. 問題設定と既存解決手法
• Point1. 機械学習の活用
• Point2. Deep Learningの活用
4

キーワードの整理
5

人工知能・機械学習・深層学習
6
https://blogs.nvidia.co.jp/2016/08/09/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

深層学習について
機械学習は一般的には人が抽出した判断材料(特徴)を基に学習を行なう。 
Deep Learningは扱う特徴も含めて学習を行なう点が注目される。ただし、
学習におけるパラメータの設定は依然として人が行なう必要がある。
Google 猫画像の認識
7
https://googleblog.blogspot.jp/2012/06/using-large-scale-brain-simulations-for.htmlhttps://flic.kr/p/5fXW5i
耳が尖っている？
目が大きい？
このパターンにマッチするのが猫
既存の機械学習深層学習
髭の長さはどれくらい？

キユーピーの事例
ベビーフードの原料となるダイスポテトの原料検査装置にDeep Learning
を活用。概念実証から2ヶ月でプロトタイプ開発を実施、実証実験にて 
性能が確認された。
原料検査
8
https://www.businessinsider.jp/post-108027
https://cloudplatform-jp.googleblog.com/2017/06/google-cloud-platform-kewpie.html

機械学習　学習と推論デモ
9
https://teachablemachine.withgoogle.com/

まとめ
■ 人工知能、機械学習、深層学習は包含関係にある
■ 機械学習で行っていることは「学習」と「推論」 
→今後この資料では機械学習について言及致します
10

地域企業が機械学習を活用するために
11

機械学習の活用にあたり
多くはシステム会社などベンダーと協力して機械学習の導入を進めるが、
問題解決のためには地域企業としても出来ること・出来ないこと、 
導入に際しての留意点を理解しておく事が大切である。
機械学習に関する事前知識を身につける
12

事前知識を身につける必要性
「いきなり深層学習」は 
ハイリスク
深層学習は既存の機械学習よりコストがか
かる場合が多いものの、これまで達成でき
なかった性能を出せる可能性がある。ただ
し、取り組む問題によっては既存手法のほ
うが優れている場合もある。
以降から機械学習活用のための事前知識を
仮想問題を交えつつチェックポイントとし
て紹介する。
13
Baselines and Bigrams: Simple, Good Sentiment and Topic Classification 
[Sida Wang and Christopher D. Manning, 2012]

仮想問題
営業から顧客に対するメールマーケティングが瀕雑であり困っている。
顧客からの資料請求や購買行動をもとに新商品や展示会イベントなどの
紹介メールを送付しているが、顧客数に対してや営業人員が不足してい
ると感じている。また、営業によって紹介メール送付頻度や内容にばら
つきがあり、顧客に対して効果的に訴求できていないと考えている。
営業から顧客へのメールマーケティング
14

機械学習活用のためのCheck Point
■ Point0. 問題設定と既存解決手法
■ Point1. 機械学習の活用
■ Point2. 深層学習の活用
15

Point0. 問題設定と既存解決手法
16

■ 解決したい問題は何か
• 事業に対してインパクトがあるか
• KPIの設定
■ 既存解決手法の検討
• 求める製品、ツール、機能が既に存在しないか
■ ルールベースの活用
• 人が判断基準を設定し、判定出来ないか
17

解決したい問題は何か
始めから実現可能性を検討するのでなく、取り組むべき価値があるか
判断する必要がある。問題解決によって得られる効果が、費用より 
上回ることができるか検証を行う。
事業に対してインパクトがあるか
18
実は困っている営業は多くないのではないか？
メールマーケティングに本当に効果はあるのか？ 
送付数を減らせばいいのでは？
顧客数が増えたのだから 
営業人員を増加させることが先なのでは？

解決したい問題は何か
取り組む課題について、達成すべき目標地点を定める必要がある。 
KPIで定量的な評価を行い効果を測定する。
KPI (Key Performance Indicator)の設定
19
一年以内に商品を購買した顧客に対して
一ヶ月に一回メールを送付
メールの開封率20%
送付したメールのクリック率5%

既に存在する解決手段はないか
問題解決の手段が存在しないか確認するところから始める。なぜなら 
新たに機械学習を導入するよりコストが安く、成果も保証されている
場合が多いため。可能な限り小さい所から取組み始める。
求める製品、ツール、機能が既に存在しないか
20
メールマーケティングのアウトソーシング
メールマーケティングツールの利用
メーリングリストで一斉配信

ルールベースの活用
閾値やキーワードなどのルールを人が設定して運用出来ないか検討す
る。ルールベースでも十分に解決できる問題は多く、この後の機械学
習の活用の際にも参考になる。
人がルールを設定できるか
21
一年以内に特定商品を購入した顧客を 
送付対象としてリストアップ
新商品発売の際は展示会アンケートで
関心があると答えた人をリストアップ

ルールベースのメリット・デメリット
■ メリット
• 従来の準備で取組み始める
ことができ、コストも安い。
• 自ら設定するので判断基準は
人が理解できる。
■ デメリット
• ルールに厳密に沿うことしか
できない。
• 継続的に人手による 
ルールメンテナンスが必要
22
デメリットが許容出来なければ 
次のポイントへ

Point1. 機械学習の活用
23

■ 解決状態を設定できているか
• KPI
• 推定失敗時のリカバリ
■ 準備は整えられるか
• 有意義なデータはあるか
• コストを許容出来るか
24

解決状態を設定できているか
既存解決手法においてKPIを設定したが、機械学習においてもKPIを設
定する。留意点として、人が達成できない性能を機械学習で実現する
ことは困難であるケースが多い。
KPIの設定について
25
過去のメールの内容と購買行動を基に 
機械学習を行い、新商品紹介のメールに興味を 
持ってもらえる顧客を推定させよう。 
ルールベースではメール開封率が15%まで改善した
のでまずはそこを目指そう。

解決状態を設定できているか
推定結果の正解率が100%であるような完璧な機械学習を作ることは 
できない。推定が失敗した場合のケースを含めて運用方法を考えて 
おき、必要に応じてリカバリを用意しておく。
推定失敗時のリカバリ
26
お得意様にずっと情報提供できていなかったため、 
他社に乗り換えられてしまった。 
機械学習による送付先リストアップから漏れており、 
メール送信まで自動化してたので気が付かなかった。

準備は整えられるか
学習や推定のための判断材料(特徴量)が含まれているデータが必要であ
る。人間のように常識や背景知識を持たないため与えられるデータが
全てであり、有意義なデータが含まれていないと性能が出ない。
学習・推定のための有意義なデータはあるか
27
学習・推定のため価値あるデータが存在するか？ 
・顧客属性 
・過去メール文面 
・メール送付の年月日 
…

準備は整えられるか
学習や推定に適した環境を整えるため、これまで用いていなかったリ
ソースが追加で必要になる可能性がある。また、時間とともに性能が
低下していくケースも多数あり、継続的なメンテナンスが必要になる
ことを許容しなければいけない。
コストは許容できるか
28
既存商品とは全く異なる新商品につ
いての紹介や、顧客属性の増加など
外部状況の変化に対応するため 
継続的に学習を行う必要がある

機械学習のメリット・デメリット
■ メリット
• ルールベースと異なり、 
細かいメンテナンスを 
し続ける必要がない。
• どの特徴が推定に影響を 
与えているか確認可能。
■ デメリット
• 統計学や機械学習の専門的
な知識が求められる。
• ルールの設定より汎用的だが、
推定の用いる特徴の抽出や
選択を行なう必要がある。
29
デメリットが許容出来なければ 
次のポイントへ

Point2.深層学習の活用
30

■ 更なる準備
• 大量データの用意
• 計算性能
■ ブラックボックス化の許容
• 性能改善が進まない可能性
• 判断理由が分からない場合も
31

更なる準備
学習させるためのデータがより必要になる。研究の進歩により 
少ないデータでも性能が出るような手法が考案され始めてはいるもの
の、一般的にはデータが少ない場合は性能が出辛い。
大量のデータ
32
取り組む問題によって性能が出るための
データ数が異なる。前述した原料検査の
場合は約1万8千枚の画像を用意し、不良
品混入の有無をラベル付して学習させた。

更なる準備
複雑な学習を行わせる場合には学習に1日〜数日かかる可能性がある。 
必要に応じてGPU (Graphics Processing Unit)の利用など、より高性能
な計算機を利用する可能性がある。クラウドであれば必要なときに必
要な分だけ利用することができるので便利。
より高性能な計算機
33
https://www.nvidia.com/ja-jp/titan/titan-v/
並列計算が得意。深層学習の仕組みと
相まって、CPUよりも学習・推測にか
かる処理速度が早くなる。

ブラックボックス化の許容
深層学習はパラメータを少し変更して学習し直すだけで性能がガラッ
と変わる。また、学習しなおせば必ず性能が上がるものでもない。 
既存の機械学習手法のほうが優れた結果が得られる可能性があるので
ベースラインとなる手法で検証してから取り組むほうが良い。
性能改善が進まない可能性
34

ブラックボックス化の許容
推定理由は人が理解できる形式では現れないため、説明が求められる
ような問題には適用が難しい。ある意味、学習する際に学ぶべき特徴
を設定する必要が無いことない事の裏返しでもある。現在研究が進め
られており、一部の手法では説明することが可能になってきている。
推定理由が説明不可能
35
メール送信すべきリストは出てきたけど
どうのような基準で選ばれたのかは 
よくわからない

まとめ
■ Point0. 問題設定と既存解決手法
• 解決したい問題は何か
• 既存解決手法の検討
• ルールベースの活用
■ Point1. 機械学習の活用
• 解決状態を設定できているか
• 準備は整えられるか
■ Point2. 深層学習の活用
• 更なる準備
• ブラックボックス化の許容
36

事例から見る人工知能の現在と、企業における活用方法

More Related Content

What's hot (20)

Similar to 事例から見る人工知能の現在と、企業における活用方法 (20)

More from Junya Kamura (9)

Recently uploaded (10)

事例から見る人工知能の現在と、企業における活用方法