Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

機械学習エンジニア以外が機械学習以前にやるべきこと 20170930

3,605 views

Published on

機械学習エンジニア以外が機械学習以前にやるべきこと 20170930
第16回MachineLearning15minutesの発表資料

Published in: Business
  • Be the first to comment

機械学習エンジニア以外が機械学習以前にやるべきこと 20170930

  1. 1. 機械学習エンジニア以外が 機械学習以前にやるべきこと 1 アディッシュ株式会社 池谷昌大 2017.9.30 第16回 MachineLearning15minutes 機械学習も、開発以外のアジャイル化も、 人材育成もいっぺんに進める!欲張り大作戦!
  2. 2. 自己紹介 2 2000年 横浜国大経営学部 卒 半導体の営業 半導体商社、外資系半導体メーカー 家電メーカーへの営業5年 2.5年 8.5年 現在 音楽制作 CD3枚リリース ■ビジネスサイドのキャリアです。技術系キャリアは無いです。 技術の応用方法など理解すべき領域は積極的に勉強。 2009年~ ガイアックス 2014年10月~分社化 アディッシュ ・SNSモニタリング カスタマーサポートの営業 ↓ ・チャットボットサービスの プロダクトオーナー ■ざっくり経歴 趣味: スティールパン、 コンガ、 ボサノバギター アディッシュ株式会社 取締役 池谷 昌大 (いけや まさお) 環境変化への自社の適応力向上…が個人的なテーマ 陳腐化する成功法則や、縦割り組織の弊害を許容しきれないタイプです。
  3. 3. 前置き 機械学習の技術そのものではなく、 企業内で機械学習を 活用するための組織の土台作りや、 組織課題の解決のための話です。 3
  4. 4. 4 モニタリング カスタマーサポート スクールガーディアン フロントサポート 24時間365日 SNS目視チェック アプリユーザ問合せ メール、電話対応 ネットいじめ対策 リテラシー教育 オンライン集客・接客 チャットボット・サポート アディッシュの事業 企業ミッション: つながりを常によろこびに
  5. 5. 全拠点24時間365日運用 国内:仙台・東京・福岡・沖縄 海外:フィリピン マニラ 従業員数:国内430名程 男 女 比 : 4 : 6 平均年齢:29.2歳 拠点、従業員数
  6. 6. 人間の注意リソースは有限。大事な判断に力を注ぐ為に 判断の瞬間以外の業務を徹底的に効率化 アディッシュの事業の特徴 解決 人が判断 システム化 解決すべき 問題 分解 判断要 それ以外 例:・報告の自動送信 ・判断しやすいUI 大抵の課題で、教師データの準備が必要な 今の機械学習との相性も良い形態
  7. 7. ビジネスモデル: 機械学習は技術的に重要分野 サービス提供をしながら、システム含めた効率化を進める データ活用により業務改善がしやすいビジネスモデル(①~③) 企業 学校 アプリ 運営者 人が判断 システム化 テキスト・画像 データ SNS 投稿 問合せ 内容 adish ログ データ 学習済 モデル 判断 結果 サービス提供 サービス提供先 自 動 化 ・ 効 率 化 ① ② ③
  8. 8. アディッシュの機械学習のモチベーション ①「人間の判断を売りにする」ために 効率化や自動化を進めたい。 ②「人間ができないこと」は技術に乗っかり サービス全体で高い価値を出す。 (できないことの例:大量のデータを一瞬で判断など) 8
  9. 9. 9 では本題・・・ 機械学習を活用するにも エンジニアが足りない!
  10. 10. 10 本当に?
  11. 11. 11 足りない 本当に! 確かに
  12. 12. 12 問題はそれだけ? では 本当に?
  13. 13. 13 大抵の場合、 問題のほとんどは エンジニア以前にある
  14. 14. 14 大抵の場合、 問題のほとんどは エンジニア以前にある ・・・と、自分がエンジニアじゃない おかげでちょっと言いやすい
  15. 15. 機械学習は 「優秀なエンジニアがいれば何とかし てくれること」・・・割とそう思われがち。 ディープラーニングブームのせいで、 技術革新により、「なんかいい感じに」 解決してくれるもの・・・と、 経営層レベルでもその水準の理解なことは多い。 15
  16. 16. 優秀なエンジニアがいれば解決する? 機械学習活用時のおなじみの問題・・・ • 技術以前に課題設定が間違っている - 機械学習を使うことを目的化している。 例)我が社もAIを活用してると言いたい・・・だけ。 ‐ 「解決可能そうな」課題設定にできてない、無茶な希望。 例)データで勝手に学習して自動応答で顧客サポートしてほしい。 • データが利用できる状態でないと手も足も出ない - 必要なデータが溜められている - 活用可能な状態にデータが整理されている 16
  17. 17. 機械学習活用を進めようとすると・・・ ①エンジニア起点の場合 17 現場ほど深い理解が追いつかない業務について、 技術適用できる課題の探索の時間がたくさん必要。 詳しいエンジニア が現場をヒアリン グし、技術が適用 できそうな課題を 一から探す。 エンジニアがこの 課題には適用で きそう!と提案 実はその課題の重 要度は現場では低 かった。インパクト大 きいテーマ探索の為 の時間が必要。
  18. 18. 機械学習活用を進めようとすると・・・ ②業務現場スタッフ起点の場合 18 業務現場は技術で何ができて、どういうデータ準備があったら 活用できそうか分からずに相談。相談対応が追いつかない。 現場スタッフが機械 学習を使いたいと 積極的に相談。 エンジニアが個々 に対応。 エンジニアが、その 課題は、この手法 で解決できそうだ! と提案 ・データが集まってな いからできない。 ・「データ集める為の 業務の変更などは できません」
  19. 19. 機械学習の業務活用時の難しさ 19 ・ タスクによって適切な技術手法が異なる ・ 機械学習を使わない方がよい場合もある 業務現場 エンジニア どんな技術があって、 使えそうかは よく分からない 現場の業務課題を全 てタイムリーに理解 するのは困難 間をつなぐスキル 持つ人も大抵いない
  20. 20. 共通言語として基本知識を修得すべき! 20 業務現場 エンジニア どんな技術があって、 使えそうかは よく分からない 現場の業務課題を全 てタイムリーに理解 するのは困難 共通言語となる 知識を修得 技術力を深めることに 有効に時間を使える 解決しそうな課題に 当たりを付け うまく相談できる 組織全体の能力向上への影響が大きい
  21. 21. 理想の姿は・・・ ディスカッションのレベルが高い状態 21 共通言語のレベルが上がることで、 それぞれの持ち場におけるスキルも高めやすくなる。 業務現場でこうやっ たら劇的に改善す るのでは?と当たり をつけて相談できる。 エンジニアがそれなら こういう方法あるよと 紹介。現場担当も 知識が増える。 どうデータを集めれ ばよいか、トレード オフの判断含め緻 密に相談できる。
  22. 22. 22 そう簡単ではない 理想。 と、それはあくまで
  23. 23. 23 変えてみる・・・ でも、ここで 視点を
  24. 24. 24 機械 学習 を組織の 学習 機会 に 利用してみる
  25. 25. ある一定の規模の組織のあるある課題 25 • 目の前にある仕事がすべてで、それが同じよう にずっと続くものだ・・・と思ってしまう人が増え ていく。 そもそも事業とは存在しなかった仕事を作ってきた ものだ・・・という過程を知らない人が増える。 • 部署や役割を横断して巻き込む難易度が上 がり、トライする人が減る。
  26. 26. 課題の難しさの粒感ちょうどよいのでは? 機械学習はテーマとして・・・ ・ある意味、やらなくてもすぐ目先は問題ない。 ・うまくいくか分からないことが多い。 ・・・近視眼的KPIしか持ち合わせない人だと 太刀打ちできない。 ・理解を得ながら、組織横断的に進める必要。 ・バズワード要素と、インパクトある要素が同居 してて、ちゃんと向き合わないとできない。 ⇒組織と個人のレベルの高さが試される格好 の題材。 26
  27. 27. 27 ということで、
  28. 28. 28 機械学習リテラシー向上も、 開発プロジェクト以外の アジャイル化も、人材育成も いっぺんに進める! 欲張り大作戦!!
  29. 29. 現在トライしているアプローチ 機械学習にこだわりすぎるとよくないので、 「データ活用ワーキンググループ」 として発足。 • 基本的に手を挙げた人のみ • 普段の職種は営業、運用、事務などバラバラ (エンジニアではない) 7名ほど。 • 事前の知識は問わない (結果的には得意そうな人が集まっている) 29
  30. 30. 手厚いレクチャーとワークショップ 1.レクチャー • アジャイル研修 3時間×2回 • AI、機械学習に関するレクチャー 2時間×4回 2.その後、実プロジェクトとして回す • トライしていく課題自体をディスカッション <狙い> ①機械学習リテラシー向上 ②開発プロジェクト以外のアジャイル化 ③人材育成 30
  31. 31. ①機械学習リテラシー向上 <ゴールとして求めるレベル感> • 機械学習で何ができるかの初歩知識 • 機械学習を使わなくても改善できる業務の方がずっと多いことが 分かる • 「これ、機械学習以前の話じゃない?」何となく事前にわかる • 機械学習エンジニアに何を相談すればいいか大体分かる • データ収集の設計と分析の初歩知識 • どういうデータを用意すれば、使いやすいかのあたりがつけられる • 元々集まっているデータはなぜそのままじゃ活用できないか? • 元々集まっているデータでも使える可能性があること • どうやれば業務とともにデータが集まるか?考えられる • データが無くとも一から集めたり、創り出してしまうサービス設計を 作るには?の視点を持てる 31
  32. 32. ②開発プロジェクト以外のアジャイル化 • 知識が増えると、あれもこれもやりたくなってくるはずだ が、それは無理なことが多い。 • エッセンスとしてスクラムっぽく進める - 小さく試す - インパクト大きいものから - なるべく開発しないで試す - 想定違ってたら軌道修正できるプロジェクト管理 普段の業務にも考え方を応用できるように。 32
  33. 33. ③人材育成 • 各部署で参加者が人に教えられる存在になる • 人を一番育てるのは新規事業を丸々任せるだが、 失敗率も高く、何個も抱えられない。 ・・・参加者の工数とレクチャー準備の投資だけで、 プライスレスな経験。 「今まで無かった技術的視点」 「周りの人を巻き込む苦労」 「初めてアジャイル周りの知恵に触れる」 33
  34. 34. 共通言語を修得した人を徐々に増やす 34 共通言語を 修得せし者たち いくらエンジニアが いても足りることない状況 どんな技術的手法が あるか全く知らない 技術に専念し 深められる 現場のリテラシー を上げられる人 ツボを得た相談が できる人 業務現場 エンジニア
  35. 35. 組織のリテラシーが高いってどんな状態? 全体のジャンルを指すときと、具体的な話をするときに 誤解のないように、言葉を使い分けられる。 35 具体的に話すときは具体的なワードで話せる 色々な意味でとらえられる言葉 業務で使うために はっきりした言葉を 使う AI アジャイル UX 機械学習 深層学習 強化学習 スクラム カンバン ユーザーストーリー マッピング UIデザイン ユーザー体験 ユーザビリティテ スト CNN Word2Vec プロトタイピング
  36. 36. 「機械学習」を「学習機会」に。 機械学習 を組織の 学習機会 に 利用しましょう! 36
  37. 37. 結果でなかった場合も 含めて学習機会に! 一過性の研修よりも、 参加メンバーのスキルは上がるはず。 37
  38. 38. <ALL募集中> ・機械学習エンジニア ・Webエンジニア ・UI/UXデザイナー ・営業&ビジネス構築担当 ・インサイドセールス、顧客サポート ~各専門家から役割横断人材まで募集中~ 38

×