kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理

Copyright © 2016 TIS Inc. All rights reserved.
kintone Café Japan 2016
kintone x 機械学習で実現する簡単名刺管理
戦略技術センター
AI技術推進室
久保隆宏

Copyright © 2016 TIS Inc. All rights reserved. 2
 自己紹介
 はじめに、キーワードの整理
 「人工知能」とはそもそも何か
 「機械学習」とはそもそも何か
 「ディープラーニング」とはそもそも何か
 「ディープラーニング」登場による変化
 「人工知能」技術のビジネスへの波及
 ビジネスへの波及の背景
 「人工知能」をビジネスに活用するには
 おわりに
 ハンズオン
 想定課題
 システム構成
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
人とロボットを連携させた接客シ
ステムmaicoの発表
(@対話システムシンポジウム)
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)

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)
社会を実現します。
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。

はじめに、キーワードの整理

「人工知能」とはそもそも何か
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

「機械学習」とはそもそも何か
学習予測・分類
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

 ディープ・ラーニングの登場 (2012~)
 ディープ・ラーニングはニューラルネットワークというモデルを、
多層にしたもの
 今までは、多層にすると学習が進まなくなるという弱点があった
「ディープラーニング」とはそもそも何か(1/3)
これはうさぎやで！
耳が長いのがうさぎや！
耳があれば？うさぎや
みんなうさぎや
層が深いと、学習がうまくいかなかった
ねこかな？
(推論)
ちゃう、うさぎや
推論とは逆向きに学習
(逆誤差伝搬法)
ニューラルネットワークの仕組み
・・（たくさんの層）・・
入力信号を前の層へと
バケツリレーしていく
糸電話のように、糸を長くするほど(=層を深くす
るほど)教えた内容が弱まり伝わりづらくなる

 ディープ・ラーニングの登場 (2012~)
 事前学習という仕組みを導入することで、弱点を克服
 弱点を克服するだけでなく、人の手を介さずに「特徴の抽出」がで
きるようになった
限られた表現で元の画像を復元で
きるよう、学習する。
（イメージ的には、もとは10色の
クレヨンでかかれたものを、3本で
再現しようとするという感じ）
事前学習の方法(AutoEncoder) 事前学習したものを組み合わせて、多層に
限られた表現で元の画像を復元できるよう学習
＝画像の特徴を抽出している！はず
＋人による教示は不要 (元の画像を与えるだけ)
元の画像を返せるように
学習する(入力=出力)
・・（たくさんの層）・・
二層目の事前学習には
一層目を事前学習した
ものを使って・・・と
どんどん重ねていく
教えた内容が弱まっても、事前学習済みだか
ら大丈夫！（ただ、最近は層の工夫などによ
り事前学習もいらなくなってきた）
数々のコンペで他を
圧倒する精度を出す

※学習が自動化されるわけではありません！
例：ディープラーニングを用い、会話
を学習する実際に使用したコードの一
部の抜粋。
モデルの定義、また学習のために様々
なパラメーターが必要で、それは人が
「こんな感じかな」という風にチュー
ニングしている(職人芸ともいわれる)。
また、データも人が用意する。
この辺りの自動化の研究は進んでいま
すが、「人の手助け無しに勝手に学ん
で賢くなる」というのは、少なくとも
現時点では完全な誤りです。

 ディープ・ラーニングの登場により変わったもの
「ディープラーニング」登場による変化(1/2)
ねこ
犬
うさぎ
学習
より生に近いデータから学習でき、推論の精度も格段と向上した
事前学習により、よ
り生に近いデータか
らでも特徴を抽出し
て学習できるように
なってきた
精度が格段と向上
予測・分類

 ディープ・ラーニングが登場しても変わっていないもの
「ディープラーニング」登場による変化(2/2)
「教えたことがきっちりできるようになった」以上のことは起こっていない
学習
学習のためのデータ
や環境は依然人が用
意する必要がある。
勝手に賢くなること
はない
？
人には同じように見
えても、教えていな
いことはわからない。
予測・分類
ねこ
犬
うさぎ

何を学習させ、何を推論させるのか、それは人間が決める必要があります。
教えたもの以外から学ぶことはなく、教えたこと以外は答えられません。
？？

「人工知能」技術のビジネスへの波及

機械学習に代表される人工知能関連技術は、さまざまな領域で応用されて
います。その利点は、以下3つに分けられます。
 サービスの付加価値の向上
 コスト削減
 新規サービスの創出
「人工知能」技術のビジネスへの波及(1/2)

「人工知能」技術のビジネスへの波及(2/2)

from The current state of machine intelligence 3.0

なぜ近年、こうした「人工知能」関連技術の普及が進んでいるのか？
その背景として、以下のような要因があります。
 機械学習技術を利用したサービスの普及
 研究開発のオープン化
ビジネスへの波及の背景

機械学習技術を利用したサービスの普及(1/3)
~2014年 2015年
Azure Machine Learning
Watson on Bluemix
日本マイクロソフトと竹中工務店
が IoT を活用した次世代建物管理
システムで連携(MS 14/10/15)
IBMのWatsonが実戦デビュー、
三井住友銀行とみずほ銀行で年
明けにも(ITPro 14/12/15)
7月 10月 12月 4月
Amazon
Machine Learning
大手のクラウドプラットフォームベンダーか
ら、続々とサービスがリリース
事例が出るまでのスピードが速い

 すぐに使い始められて、費用は使った分だけ
 ERP、BIツール、ワークフローシステム・・・今までのいわゆる
「ソリューション」は、導入にかかる時間も費用も長く大きかった
 これに対し、Azure Machine LearningもWatsonも、使おうと思っ
たら数分で使い始めることができる(個人でも利用可能)。費用は
使った分だけ(試す分程度は無料)。
クラウド化の延長線上に生まれた、機械学習関連サービスの台頭

 時間がかかるカスタマイズ＜すぐに試せるテンプレート
 Azure Machine Learning、Watson共に用途が決められたテンプ
レート(API)が存在し、すぐに試せる。
 逆に(2016/6現在)これがないAmazon Machine Learning、
Google Prediction APIはそれほど流行ってない(特にGoogleの方は
2010年リリースにもかかわらず)。
クラウド化の延長線上に生まれた、機械学習関連サービスの台頭
文書分類、翻訳、音
声合成など、ありあ
わせの機能を選んで
組み合わせてつける
=バイキング方式

教育リソース 2015年から、約一年の間に何
個もの深層学習用フレームワー
クがリリースされる(それまで
は数個しかない状態がずっと続
いていた)。
Coursera、UDACITYといった
オンラインの講座で機械学習の
講座が続々と開講する。
研究開発のオープン化
2015/6
2015/6
2015/11
2016/1
DSSTNE
amazon
2016/5
誰でも学べて、試すことができるようになった
実装フレームワーク

ビジネスへの活用は、最近起こったのか？

活用しているところは昔からやっている。
 Amazonのレコメンド
 特許の出願は1998年
 コマツの位置情報を利用したサポートサービス(KOMTRAX)
 2001年から標準装備
 お掃除ロボットルンバ
 初号機は2002年
現在の状況は、「ディープラーニングなどの最新技術により解決できる課
題が増えてきた」というよりも、「最新の技術が扱いやすくなり、問題解
決の一手段として選択可能になってきた」方が実態に近い。
今まで解決を見送ってきた課題に、再チャレンジする良い機会
ビジネスへの波及の背景

「人工知能」をビジネスに活用するには

ユーザーのデータ活用は
85％が失敗している
@Hitachi Platform Solutions World 2012

 機械学習は、データ活用の一貫です
 データ活用プロジェクトの85%は失敗しています
 つまり、機械学習の活用プロジェクトも同程度で失敗します
失敗の原因はさまざまなものがありますが、本質的には次の教訓に集約さ
れます。
「人工知能」をビジネスに活用するには(1/3)

業務への貢献が明確でない
 「機械学習を使っているか」は現場の人間には関係ありません
 効果が出る、という証明を最初に行うべきです。これなくして、忙
しい現場の方を巻き込むことはできません
導入＝解決という希望的観測
 新しい技術(もしくはパッケージ)を導入したら、現場が勝手に良く
なるということはありません
 導入後の普及・活用を推進する体制を用意すべきです。機械学習の
場合、特にデータをだれが用意・整備するのか、だれが定期的に学
習させるのかなどを決めておく必要があります。
利用するパッケージ・サービスありきになっている
 新しい家具を買う際は、家の大きさに合うか調べると思います。シ
ステムも同様で、「あなたの会社に合うか」が重要です。

改善点の、定期的な収集を推奨します。
現場の方は、毎回毎回繰り返される「課題の調査」に概ねへきえきしてい
ますし、急に「課題はないか」と聞かれてもなかなか出てきません。
気軽に不満点・改善点を投稿する仕組みがあれば、新しい手法が登場した
際に「あの課題の解決に使える」と思いつきやすくなります。

データ活用・機械学習は、日々の積み重ねから

将来的に、人間だけでは仕事が回らなくなる時代の到来が予測されます
 1970年代に年間5000件程度だった企業への電話やメールの問い合わ
せは、現在は50000件(10倍)にもなり、今後も増え続けていくことが
予想されます。
 その一方で、生産年齢人口は減少傾向です
ビジネスモデル自身には問題がなくとも、それを担う人的資源が枯渇する
可能性があります(2013年~)。
 働き方の改革は急務であり、よって「実際に働いている人」の持って
いる課題にフォーカスした改善を行っていく必要があります
 これまでのシステムより「人間的」な判断ができる「人工知能」技術
は、そのためにこそ有用な技術といえます
おわりに

ハンズオン

 営業業務の最適化を行うため、各営業員が持つ人脈の
情報を、まずは一つに集約したいと考えています。
 このために販売管理システム(CRM)を導入したのです
が、ぜんぜん登録されません・・・
想定課題(1/2)
 営業員たちに聞いてみたところ、忙しくて入力する
暇がない、わざわざ社内に戻らないといけないなど、
いろんな声が寄せられました。
 その一方で、営業員同士のコミュニケーションのた
めに導入したチャットシステムは、手軽に使えるこ
ともあり活発に使われているようです。

そこで・・・
想定課題(2/2)
 営業員が簡単に、しかもどこでも築いた人脈を入力できるシステムを
作りたい
 具体的には、普段コミュニケーションツールとして利用している
チャットシステムから、簡単に情報を登録できるようにしたい！！

ハンズオンで作るシステム
Let's Make it!

＜免責事項＞
本資料は、作成時点の法規制等に基づき、細心の注意を払い作成しておりますが、
その正確性、適用性、完全性、網羅性、有用性、最新性、知的財産権の非侵害などに
対して弊社は一切保証いたしません。また当該情報に起因するいかなる損害についても
弊社は責任を負いません。本資料より得られるいかなる情報も利用者ご自身の判断と
責任において利用していただくものとします。なお、本資料は特定の事項に関する
一般的な情報提供を目的としています。提供されている情報は、専門的アドバイザリー、
コンサルティング等のサービス提供を意図したものではありません。
＜本資料の取り扱いに関して＞
本資料は、著作権法及び不正競争防止法上の保護を受けております。資料の一部或いは
全てについて、TIS株式会社から許諾を得ずに、いかなる方法においても無断で複写、
複製、転記、転載、ノウハウの使用、企業秘密の開示等を行うことは禁じられて
おります。本文記載の社名・製品名・ロゴは各社の商標または登録商標です。

kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Andere mochten auch

Andere mochten auch (20)

Ähnlich wie kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理

Ähnlich wie kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理 (20)

Mehr von Takahiro Kubo

Mehr von Takahiro Kubo (20)

kintone Cafe Japan 2016: kintone x 機械学習で実現する簡単名刺管理