Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

パーソナル人工知能 SENSY と機械学習技術

1 474 vues

Publié le

「第14回 Machine Learning 15minutes!」での講演資料です。

Publié dans : Ingénierie
  • Soyez le premier à commenter

パーソナル人工知能 SENSY と機械学習技術

  1. 1. カラフル・ボード株式会社 2017. 07.29 パーソナル人工知能 SENSYと機械学習技術
  2. 2. © Copyright COLORFUL BOARD 20171 自己紹介  氏名:岡本 卓  所属:千葉大学 大学院工学研究院 電気電子工学コース 准教授 カラフル・ボード株式会社 人工知能技術アドバイザー  2017年10月から カラフル・ボード株式会社 CRO(Chief Research Officer)兼 SENSY 人工知能研究所 代表 としてJoin予定。  専門:システム工学,最適化理論,ソフトコンピューティング,計算知能,複雑系
  3. 3. © Copyright COLORFUL BOARD 20172 AIとCI (今の)人工知能(Artificial Intelligence: AI) 計算知能(Computational Intelligence: CI)  (強い)人工知能  数理論理学に基づいて人間と同じ「知性」をアルゴリズムによって構築しよう とするアプローチ  計算知能  機械学習や最適化技術を用いて, 人間が行うような情報処理をコンピュータの(大規模な)計算によって 代替させるアプローチ  データや問題設定は人間が(結構噛み砕いて)与える  人間が行う情報処理を「学習」する  最適な解を計算によって見つけ出す
  4. 4. © Copyright COLORFUL BOARD 20173 「感性」を学習するパーソナル人工知能:SENSY SENSYは、ユーザーの自由な時間を生み出すために、「2人目の自分」として24時間働い てくれる自分の分身のような人工知能ロボットである。 感性を覚えさせる コンテンツを届ける 感性 パーソナル人工知能ユーザー 私の好きな ファッション 私の好きな デザート 仕事中に聞く ミュージック 夏休みに行きたい 観光地 生活データ
  5. 5. © Copyright COLORFUL BOARD 20174 クラウド上にパーソナル人工知能のプラットフォームを構築 Fashion Cosmetics Gourmet Movie HairHealthcare Travel Book App Advertisement News Music
  6. 6. © Copyright COLORFUL BOARD 20175 あらゆるビジネスの変革も通じて、ライフスタイルを変えていく SENSYはコンシューマー向けにサービス開発するのみならず、あらゆるビジネスパート ナーの変革も通じて人のライフスタイルを変えていく。 ビジネス コンシューマー サービス提供 サービス提供パートナリング
  7. 7. © Copyright COLORFUL BOARD 20176 既に9つのプロダクトをリリース、さらに3つを開発中 ビジネス向け、コンシューマー向けを含めて、既に8つのプロダクトをリリース、さらに 3つを開発しており、今後も企画開発を加速していく。 ビジネス コンシューマー R&D MD Marketing Sales CS SENSY BOT SENSY CLOSET SENSY (Fashion) SENSY Sommelier SENSY CLOSET @shop SENSY Sommelier @shop SENSY POS SENSY BOT for Biz SENSY Chat-Desk SENSY Marketing Brain SENSY MDSENSY COOK Life DevelopingReleased Planning その他企画中の案件多数
  8. 8. © Copyright COLORFUL BOARD 20177 SENSYで使われているCI技術  Neural Networks  Convolutional Neural Networks (CNN) / Auto-encoder — 特徴量抽出器(Encoder)としての利用がメイン  Multi-Layered Perceptron (MLP) / Radial Basis Function Networks (RBFN) — メインの予測器,識別器 — Marketing Brain, CLOSET, Sommelierなど  Recurrent Neural Networks (LSTM, GRU) — 時系列データの予測(需要予測,言語処理) — MD, BOTなど  (他の)機械学習技術  クラスタリング法(k-means, Neural Gas) — ユーザセグメンテーション,代表色抽出など  決定木型アンサンブル学習器(Random Forest, Gradient Boosting Decision Tree) — 規模が大きくない学習,需要予測など  最適化・進化計算  予測器の出力を最適化・制約を満たす組み合わせを探索 — CLOSETなど
  9. 9. © Copyright COLORFUL BOARD 20178 SENSY CLOSET(β版)
  10. 10. © Copyright COLORFUL BOARD 20179 SENSY CLOSET店頭アプリ:導入事例
  11. 11. © Copyright COLORFUL BOARD 201710 SENSY CLOSET @shop:導入事例
  12. 12. © Copyright COLORFUL BOARD 201711 SENSY CLOSETサービス全体概要 SENSY CLOSET@STORE(店頭)  スタッフがお客様のアイテムや店舗別の在庫を把 握しながら、アイテムやコーディネートをお薦め  アイテム・作成したコーディネートお気に入り登 録が可能 SENSY CLOSET (ユーザーアプリ)  ユーザーが自分のクローゼットのア イテムや日々のコーディネートを登 録・管理  店舗・ECで作成したコーディネート をアプリに保存 My Closet呼び出し 購買アイテム・お気 に入りコーデ保存 SENSY CLOSET@shop(EC)  ECでユーザーが自分のアイテムを呼び出してECア イテムとコーディネート  アイテム・コーディネート をお気に入り登録 My Closet呼び出し 購買アイテム・お気 に入りコーデ保存 アイテムを My Closetに 登録 SENSY CLOSETサービスは、ユーザーアプリ・店頭アプリ(タブレット端末)・オンライ ンショップ(EC)の3つが連動して、店舗アイテム・ユーザーのクローゼットが連動した コーディネート・お薦めを提供できるプラットフォームです。
  13. 13. © Copyright COLORFUL BOARD 201712 あるECサイト導入事例ではコーディネート提案の導入により、コンバージョンレートが 39%、購入単価が36%向上し、結果ユーザー訪問当りのマネタイズ価値は90%向上した。 コンバージョンレート 購入単価 セッション当り期待売上 39%up 36%up 90%up SENSY CLOSET @shop:実績
  14. 14. © Copyright COLORFUL BOARD 201713 コーディネート自動生成エンジン (1)  アイテムごとに特徴量を算出  コーディネートカテゴリ (トップス, ボトムス, 靴など)  F値 (Formalness) (スーツ:10, ポロシャツ:6,スウェット:1)  A値 (Assertiveness) (自己主張の激しいアイテムは1)  W 値 (Color Weight) (明るい:0,暗い:1)  色比率 (暖色,寒色,無彩色,中性色)  季節タグ (夏物,冬物) カテゴリ:トップス F値:6 A値:1 W 値:1 色比率:0.4, 0.05, 0.5, 0.05
  15. 15. © Copyright COLORFUL BOARD 201714 コーディネート自動生成エンジン (1)  アイテムごとに特徴量を算出  コーディネートカテゴリ (トップス, ボトムス, 靴など)  F値 (Formalness) (スーツ:10, ポロシャツ:6,スウェット:1)  A値 (Assertiveness) (自己主張の激しいアイテムは1)  W 値 (Color Weight) (明るい:0,暗い:1)  色比率 (暖色,寒色,無彩色,中性色)  季節タグ (夏物,冬物) カテゴリ:トップス F値:6 A値:1 W 値:1 色比率:0.4, 0.05, 0.5, 0.05
  16. 16. © Copyright COLORFUL BOARD 201715 コーディネート自動生成エンジン (1)  コーディネート算定問題 minimize  F値平均値 F値目標値 subject to  にユーザの指定したアイテムが含まれる   max ∈ min ∈   ∈  上半身W 平均値 下半身W 平均値   に夏物と冬物が同時に含まれない   がコーディネート配色制約を違反しない   がコーディネートが成立する組み合わせである  : 番目のカテゴリに割り当てられたアイテム(0は割当なし) e.g. :ハットのアイテム, :トップスのアイテム,…  :アイテムが割当られた(0でない)カテゴリ番号集合  組合せ最適化問題 → 遺伝的アルゴリズムを用いてコーディネートを探索
  17. 17. © Copyright COLORFUL BOARD 201716 コーディネート自動生成エンジン (2)  コーディネートスコア学習器 CNNbasedencoder アイテム画像 ※ コーデが成立するように 選択 RBFN ア イ テ ム 特 徴 量 [コーデスコア] [画像] Encoder (Conv. layers, Pooling layers) [アイテム カテゴリ] Affine Sigmoid Affine Softmax MLP (Fully connected) スタイリスト / ユーザの スコアリング結果を学習
  18. 18. © Copyright COLORFUL BOARD 201717 コーディネート自動生成エンジン (2)  コーディネート探索問題 maximize コーディネートスコア subject to  にユーザの指定したアイテムが含まれる   がコーディネートが成立する組み合わせである  :コーディネートを表現するアイテムIDベクトル — アイテムID → アイテム画像 → 学習器に入力  組合せ最適化問題  遺伝的アルゴリズムを用いてコーディネートを探索
  19. 19. © Copyright COLORFUL BOARD 201718 人工知能がセンスを学習するアプリ

×