CDLEハッカソン2022参加報告.pdf

1. CDLE HACKATHON 2022への参加報告 CDLE DAY in AI EXPO 2023春 2023.05.12 1

2. 自己紹介株式会社地層科学研究所地質・計測チーム／ソフトウェアエンジニア／AIエンジニア岩永昇二 Shoji Iwanaga ■ 開発ソフト＆実績 • 「Fautap」断層シール能力評価システム(2000～2003)：石油公団出向時 • 「Geo-Graphia」地下情報の３次元統合可視化ソフトウェア(2006～2023) • グラフィクスアワード最優秀賞受賞（25回計算工学講演会） • 2020年度技術賞受賞（日本計算工学会） • 「エルコン」特別賞受賞 ■ ドメイン知識 • 逆問題（逆解析）、地球統計学、3次元可視化、AI／データサイエンスなど ■ 資格等 • AI-100,DP-100, AI-900, AZ-900, DP-900, SC-900, etc..(Microsoft Certified) • Cloud Practitioner(AWS Certified ) • ジェネラリスト(G)検定/エンジニア(E)資格(⽇本ディープラーニング協会 ) • データサイエンティスト検定リテラシーレベル 2022 • etc.. ◼ その他 • DCON2023テクニカルアドバイザー 2

3. アジェンダ 1. CDLE HACKATHON 2. 参加者情報 3. ハッカソンの進め方 4. 所属チームの発表内容 5. まとめ 3

4. 1. CDLE HACKATHON 4

5. 概要 ◼ G検定/E資格合格者（CDLEメンバー）のみが参加できるハッカソンイベント ◼ 資格保有者のスキルアップ・実践の場、資格保有者同士または企業・研究機関とのコミュニケーションの場の提供により、さらなる技術向上及び活躍に貢献することを目的に開催 ◼ 応募者から30名選出されたその中から5～6名を１チームを選定し、チーム対抗にてハッカソンを開催 ◼ キックオフ、最終審査会はリアルイベントを予定 ◼ 2019年から過去４回開催 5

6. CDLEハッカソンの特長 ◼ 一般公募によるデータ提供会社の参画を受け、その事業データを活用 ◼ JDLA会員企業によるAI技術指導などのメンタリング（1チームにつき1名以上のメンター） ◼ JDLA有識者（大学教授など）、会員企業による技術審査 6

7. THEME（テーマ）「デジタル・データを活用してウェルビーイングな都市を実現するサービスソリューションの開発」 ◼ 目指す街の姿例 • 安全・安心なまちづくり • ワーカーのサステナブルな働き方 • 健康・快適・便利を実現する街 • オープンイノベーションで情報交流できる街 • 多様なコミュニケーションが生まれる街 7

8. 大会審査基準 ① 産業・社会的なインパクト誰の何の問題を解いているのかが明確で、その影響度が十分に大きいこと ② 独自性アイデアや実装方法、データへのアプローチがユニークであること ③ 技術力提示されたデータに対して適切な分析手法が選択および実装が行われていること ④ シナジー創出データを組み合わせてシナジーが創出されていること 8

9. 2. 参加者情報 9

10. 参加者情報 ◼ 地域: 関東エリアを中心に ◼ 年齢層: 20代から50代まで ◼ 性別比率: 男性9、女性1（おおよそ） ◼ 職業比率: 社会人8、学生2 （おおよそ） 10

11. 3.ハッカソンの進め方 11

12. ハッカソンの進め方 ◼ キックオフから最終審査会までおおよそ2か月 • キックオフ当日（第1週目） • キックオフ～1か月（第2週目～第4週目） • 1か月～1か月半（第5週目～第6週目） • 1か月半～最終報告会（第7週目～第８週目） 12

13. キックオフ当日（第1週目） ◼ チームメンバとの自己紹介と役割分担 ◼ アイデア出しとブレーンストーミングセッション ◼ プロジェクトのコンセプトの決定 ◼ タスク分解とプロジェクト管理ツールの設定 13 役割人数ストーリー作成 2 サービス設計 2 モデル構築 2

14. キックオフ～1か月（第2週目～第4週目） ◼ 週次ミーティングで進捗報告と課題共有 • 毎週月曜18時から2時間ぐらい ◼ 開発環境の構築 ◼ プロジェクトの機能の開発開始 ◼ 必要に応じて仕様の見直し 14

15. 1か月～1か月半（第5週目～第6週目） ◼ 週次ミーティングで進捗報告と課題共有 ◼ ビジネスモデルのモックアップの作成 ◼ パフォーマンスチューニング ◼ ドキュメントの作成 15

16. 1か月半～最終審査会（第7週目～第8週目） ◼ 週次ミーティングで進捗報告と課題共有 ◼ ドキュメントの作成 • プレゼンテーション資料の作成 • 想定FAQの作成 • サービス動画の作成 ◼ プレゼンテーションのリハーサル • 4～5回行いフィードバックにより修正 ◼ 最終プレゼンテーション ◼ チームとの振り返りと感想共有 16

17. 4. 所属チームの発表内容 17

18. 出場チームと成果物一覧 18 チーム名成果物メンター説明ワクワクシティ創造隊 TRANS HOME ABEJA GEOTRAの人流データと、オープンデータの駅周辺の幸福度・事故発生率・犯罪発生率を活かし、ユーザーに最適な物件をレコメンド三原組大工娘（だいくむすめ） GAUSS 動画から人物判別まで行い建設現場のヒヤリハットレポートを自動記録と、ヒヤリハットを現場に浸透させるアイデアとしてゲーム化丸の家TRIP 丸の家TRIP HEROZ ユーザーを身体的・精神的・社会的に良好な状態にするため、ユーザの「関心、目的、属性、時間帯」に対応した行先をレコメンドコクーンチーム HiraHira モルフォユーザーに対しておすすめのスポットをアプリがレコメンドする機能と、他のユーザのおすすめスポットを共有する機能を持つアプリ Slam-Dunkers!! ソロブレイカー調和技研ユーザが生命の危機的状況となった際に画像認識で判別し、他のユーザに救助を依頼する機能と、ユーザの能力に合わせた副業をレコメンドする機能で、ユーザの孤独・孤立を防ぐアプリ

19. 19 TRANS HOME ワクワク住み替え提案ワクワクシティ創造隊

20. 0. はじめに 20 「持ち家」だと、ライフステージに合わせた住み替えが大変子育て子供独立後高齢世代ライフイベントやライフステージによって住みやすい都市・家は変わる転勤/転職持ち家を住み替えるのは大変 1 時間 2 お金 3 新居の不安

21. 0. はじめに 21 「持ち家」と「賃貸」の2択に、第3の選択肢を提供します持ち家賃貸持ち家の住み替え

22. 22 解決すべき課題今後の展開目次モデル・利用データの概要ソリューションサービスの概要 Appendix 1 2 3 4 Ex

23. 23 解決すべき課題 1

24. 1. 解決すべき課題価値観やライフステージに合わせて都市・家を住み替える選択肢を持てることが個人のウェルビーイングを向上させる 24 現状認識多様化した価値観やライフステージに応じた住み心地のよい都市・家を住民全体に提供するのは困難 ⚫ 個人の価値観やライフスタイルが多様化 ⚫ 個人・家族のライフステージに応じて住み心地のよい都市・家は変化する ⚫ 人口減少社会で住民全体に心地よい都市を全国的に開発するのは難しい目指す姿個人・家族が価値観やライフステージに合わせて住む都市・家を選択する ⚫ 個人・家族は、自分のニーズに合わせて手軽に住み替えできる選択肢を持てる ⚫ 都市は、個人・家族から選ばれる特色のある街づくりを行う

25. 持ち家のデメリット例：通勤 1. 解決すべき課題個人のウェルビーイングを向上させる「賃貸の気軽な住み替え」と「持ち家の安心感」の両方のメリットを取れる選択肢がない 25 選択肢メリットデメリット ✓ 住み替えが気軽にできる ✓ 初期費用が少ない ✓ 自分の資産にならない ✓ 老後は賃貸契約を断られることも ✓ 自分の資産になる安心感 ✓ 老後の住居負担が少ない ✓ 簡単に住み替えできない ✓ ライフステージに柔軟に対応できないミスマッチ 1,906万戸* (36%) 3,280万戸* (61%) *平成30年住宅土地統計調査（総務省統計局）賃貸持ち家都内に家を買ったが転勤で郊外に出勤しないといけない郊外に家を買ったが本社勤務で都内に出勤しないといけない子供がいて郊外で広い家に住みたい子供が巣立って狭くても便利な都内に住みたい

26. 26 ソリューションサービスの概要 2

27. 27 2. ソリューションサービスの概要 TRANS HOMEは、家の住み替えのマッチングアプリですターゲット持ち家に不満を持っている個人・家族ターゲットの課題持ち家があることで生活環境の変化に対応できないソリューション生活環境の変化に対応できていない人同士の住み替え希望をマッチングさせるソリューション概要 ✓ お互いの希望条件に合う家に住み替える ✓ 持ち家の所有権は移転せず期間限定で住み替え ✓ お互いの希望が合えば住み替え後に交換（売買）することも可能 64万戸～ 652万戸* *：算定過程はAPPENDIX参照

28. 28 2. ソリューションサービスの概要

29. 29 モデル・利用データの概要 3

30. 30 ユーザーID 比較ユーザーID 通勤時間比率物件平米数比率最寄り駅幸福度比率安全安心度比率比較ユーザー希望条件マッチ A B 0.5 1.5 0.75 1.2 True A C 1.2 1.2 1.2 1.2 False B A 0.3 0.66 1.33 0.83 True マッチングテーブル 3. モデル・利用データの概要「最寄り駅幸福度比率」と「安全安心度比率」に人流データとオープンデータを活用したAIモデルを採用した Marunouchi(移動データ) 1910_weekday_trips.csv 1910_weekend_trips.csv 2110_weekday_trips.csv 2110_weekend_trips.csv GEOTRA オープンデータ交通事故発生数口総数 A÷B 935% 2009年(A) 2010年(B) 1 千代田区（東京都） 2.90% 100% 1,367 47,115 2 飛島村（愛知県） 2.21% 100% 100 4,525 3 名古屋市中区（愛知県） 2.14% 99% 1,676 78,353 4 大阪市中央区（大阪府） 2.12% 99% 1,670 78,687 5 久御山町（京都府） 2.12% 99% 337 15,914 6 檜原村（東京都） 1.92% 99% 49 2,558 7 昭和町（山梨県） 1.73% 99% 305 17,653 8 嘉島町（熊本県） 1.65% 98% 143 8,676 9 宇多津町（香川県） 1.58% 98% 292 18,434 10 福岡市博多区（福岡県） 1.50% 98% 3,188 212,527 11 上北山村（奈良県） 1.46% 98% 10 683 12 坂出市（香川県） 1.41% 98% 782 55,621 13 浜松市中区（静岡県） 1.37% 98% 3,273 238,477 14 浜松市東区（静岡県） 1.37% 97% 1,730 126,609 15 丸亀市（香川県） 1.35% 97% 1,493 110,473 16 粕屋町（福岡県） 1.34% 97% 563 41,997 17 高松市（香川県） 1.30% 97% 5,462 419,429 18 佐賀市（佐賀県） 1.30% 97% 3,088 237,506 19 大町町（佐賀県） 1.29% 97% 95 7,369 20 福岡市中央区（福岡県） 1.26% 97% 2,255 178,429 交通事故発生率順位自治体名刑法犯認知数人口総数 A÷B 1884% 2009年(A) 2010年(B) 1 大阪市中央区（大阪府） 10.76% 100% 8,467 78,687 2 千代田区（東京都） 9.08% 99% 4,277 47,115 3 名古屋市中区（愛知県） 7.80% 99% 6,108 78,353 4 大阪市北区（大阪府） 6.76% 99% 7,468 110,392 5 大阪市浪速区（大阪府） 5.65% 98% 3,490 61,745 6 飛島村（愛知県） 4.84% 98% 219 4,525 7 福生市（東京都） 4.60% 98% 2,750 59,796 8 神戸市中央区（兵庫県） 4.51% 97% 5,703 126,393 9 栄村（長野県） 4.15% 97% 92 2,215 10 名古屋市中村区（愛知県） 3.82% 97% 5,203 136,164 11 渋谷区（東京都） 3.56% 97% 7,279 204,492 12 京都市下京区（京都府） 3.55% 97% 2,818 79,287 13 大阪市天王寺区（大阪府） 3.41% 96% 2,379 69,775 14 名古屋市東区（愛知県） 3.37% 96% 2,472 73,272 15 新宿区（東京都） 3.32% 96% 10,830 326,309 16 日吉津村（鳥取県） 3.29% 96% 110 3,339 17 大阪市西成区（大阪府） 3.15% 96% 3,842 121,972 18 台東区（東京都） 3.04% 95% 5,356 175,928 19 久御山町（京都府） 3.03% 95% 482 15,914 20 名古屋市港区（愛知県） 2.98% 95% 4,445 149,215 犯罪発生率順位自治体名

31. 幸福度ランキングに掲載の駅（484駅）周辺を出発地とする移動データの個数をヒートマップで可視化駅ごとのヒートマップ画像（4枚）を入力として、幸福度を予測するモデルを構築 31 3. モデル・利用データの概要～最寄り駅幸福度予測モデル（全体概要）駅周辺を出発地とする移動のヒートマップ画像をもとに幸福度を予測 Marunouchi(移動データ) 1910_weekday_trips.csv 1910_weekend_trips.csv 2110_weekday_trips.csv 2110_weekend_trips.csv GEOTRA Y 幸福度： 68.3 街の幸福度駅ランキング Marunouchi(agentデータ) 1910_weekday_agents.csv 1910_weekend_agents.csv 2110_weekday_agents.csv 2110_weekend_agents.csv 移動データ駅データ幸福度データ南船橋駅南船橋駅南船橋駅南船橋駅南浦和駅 21週末 21平日 19平日 19平日 484駅 X 学習 VGG16改 agentごとに最寄り駅周辺ヒートマップ画像作成ランキングに無い駅についても駅周辺の移動データのヒートマップ画像から幸福度を予測 agentデータ駅の緯度・経度駅データ agent id:756476 最寄り駅ヒートマップ 756476 駅データ学習済みモデル予測幸福度：70.8 31

32. 3. モデル・利用データの概要～安全・安心予測モデル（全体概要）ヒートマップ画像をもとに交通事故発生数or犯罪発生数を予測 agentごとに自宅周辺ヒートマップ画像作成ランキングと地理情報交通事故発生数口総数 A÷B 935% 2009年(A) 2010年(B) 1 千代田区（東京都） 2.90% 100% 1,367 47,115 2 飛島村（愛知県） 2.21% 100% 100 4,525 3 名古屋市中区（愛知県） 2.14% 99% 1,676 78,353 4 大阪市中央区（大阪府） 2.12% 99% 1,670 78,687 5 久御山町（京都府） 2.12% 99% 337 15,914 6 檜原村（東京都） 1.92% 99% 49 2,558 7 昭和町（山梨県） 1.73% 99% 305 17,653 8 嘉島町（熊本県） 1.65% 98% 143 8,676 9 宇多津町（香川県） 1.58% 98% 292 18,434 10 福岡市博多区（福岡県） 1.50% 98% 3,188 212,527 11 上北山村（奈良県） 1.46% 98% 10 683 12 坂出市（香川県） 1.41% 98% 782 55,621 13 浜松市中区（静岡県） 1.37% 98% 3,273 238,477 14 浜松市東区（静岡県） 1.37% 97% 1,730 126,609 15 丸亀市（香川県） 1.35% 97% 1,493 110,473 16 粕屋町（福岡県） 1.34% 97% 563 41,997 17 高松市（香川県） 1.30% 97% 5,462 419,429 18 佐賀市（佐賀県） 1.30% 97% 3,088 237,506 19 大町町（佐賀県） 1.29% 97% 95 7,369 20 福岡市中央区（福岡県） 1.26% 97% 2,255 178,429 交通事故発生率順位自治体名刑法犯認知数人口総数 A÷B 1884% 2009年(A) 2010年(B) 1 大阪市中央区（大阪府） 10.76% 100% 8,467 78,687 2 千代田区（東京都） 9.08% 99% 4,277 47,115 3 名古屋市中区（愛知県） 7.80% 99% 6,108 78,353 4 大阪市北区（大阪府） 6.76% 99% 7,468 110,392 5 大阪市浪速区（大阪府） 5.65% 98% 3,490 61,745 6 飛島村（愛知県） 4.84% 98% 219 4,525 7 福生市（東京都） 4.60% 98% 2,750 59,796 8 神戸市中央区（兵庫県） 4.51% 97% 5,703 126,393 9 栄村（長野県） 4.15% 97% 92 2,215 10 名古屋市中村区（愛知県） 3.82% 97% 5,203 136,164 11 渋谷区（東京都） 3.56% 97% 7,279 204,492 12 京都市下京区（京都府） 3.55% 97% 2,818 79,287 13 大阪市天王寺区（大阪府） 3.41% 96% 2,379 69,775 14 名古屋市東区（愛知県） 3.37% 96% 2,472 73,272 15 新宿区（東京都） 3.32% 96% 10,830 326,309 16 日吉津村（鳥取県） 3.29% 96% 110 3,339 17 大阪市西成区（大阪府） 3.15% 96% 3,842 121,972 18 台東区（東京都） 3.04% 95% 5,356 175,928 19 久御山町（京都府） 3.03% 95% 482 15,914 20 名古屋市港区（愛知県） 2.98% 95% 4,445 149,215 犯罪発生率順位自治体名 • エージェント (agents) • 路線データ (Links) • OD情報 (trips) • 移動履歴 (routes) GEOTRA 位置データ緯度・経度 agent id:756476 自宅周辺のヒートマップを作成学習 CNNモデル予測学習済みモデル Y X 756476 行動履歴データランキングデータ他 agentsデータ全体マップから画像切り出し発生数市区町村の領域を面積から青枠を指定し、その内部の行動履歴の密度分布を作成４期のデータを入力するモデルを作成 32

33. 33 今後の展開 4

34. 34 4. 今後の展開 TRANS HOMEでウェルビーイングを実現するプラットフォームを目指します新生活に必要な家具車などの購入サイト住み替え先の行政サービス住み替え先の商業施設・生活情報不動産売買・賃貸サイト

35. 35 4. 今後の展開貴宅に帰宅

36. 5. まとめ 36

37. 最優秀賞を受賞 37

38. まとめ① ◼ チームワークの重要性: ハッカソンでは、チームで協力してプロジェクトを進めるため、良好なコミュニケーションと協力が重要であることがわかりました。 ◼ タイムマネジメント: 限られた時間内でプロジェクトを完成させるため、効率的なタイムマネジメントが大切であることが学びました。 ◼ 継続的な学習: ハッカソンでは、新しい技術やツールを使う機会が多く、継続的な学習が求められました。 ◼ アイデアのブレインストーミング: クリエイティブなアイデアを出すことで、プロジェクトの質が向上し、競争力が高まることがわかりました。 ◼ プレゼンテーション力: プロジェクトの成果を効果的に伝えるためには、プレゼンテーション力が重要であることが学びました。 38

39. まとめ② ◼ プロトタイピング: 短期間でアイデアを具現化し、デザインや機能を試すことが重要であることがわかりました。 ◼ フィードバックの活用: 他の参加者やメンターからのフィードバックを活用し、プロジェクトの改善に役立てることが大切であることが学びました。 ◼ ネットワーキング: ハッカソンは、同じ興味やスキルを持つ人々と出会い、人脈を広げる絶好の機会であることが感じました。 ◼ 柔軟性: 技術的な問題やスケジュールの変更など、ハッカソンでは予期せぬ状況に適応することが求められました。 ◼ 達成感と自信: ハッカソンでプロジェクトを完成させたことで、達成感を味わい、自分のスキルや能力に自信を持つことができました。 39

40. 今年の開催はまだ未定ですが、もし開催された場合、皆さんも応募してみてはどうでしょうか？多くの学びがあると思います。また、TMIP様・Geotra様、発表の内容に関して、快諾していただき感謝いたします。ご清聴ありがとうございました。 40

CDLEハッカソン2022参加報告.pdf

CDLEハッカソン2022参加報告.pdf

Recommandé

Contenu connexe

Similaire à CDLEハッカソン2022参加報告.pdf

Similaire à CDLEハッカソン2022参加報告.pdf(20)

Dernier

Dernier(12)

CDLEハッカソン2022参加報告.pdf