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 2016kintone 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

http://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle&regDataset=reg-plane&learningRate=0.03&regularizationRate=0&noise=0&networkShape=4,2&seed=0.02478&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=false&xSquared=false&ySquared=false&cosX=false&sinX=false&cosY=false&sinY=false&collectStats=false&problem=classification&initZero=false&hideText=false


※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

https://www.oreilly.com/ideas/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



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

http://news.microsoft.com/ja-jp/2014/10/15/2014-85/

http://itpro.nikkeibp.co.jp/atcl/column/14/346926/120900124/


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

DSSTNEamazon

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

https://www.udacity.com/course/self-driving-car-engineer-nanodegree--nd013

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



「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

http://japan.zdnet.com/article/35024345/


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

http://japan.cnet.com/news/business/35084301/

http://www.meti.go.jp/committee/sankoushin/shin_sangyoukouzou/pdf/005_04_02.pdf


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!

http://qiita.com/Hironsan/private/76862f268ae62af66b1c

＜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

Data & Analytics