DLLAB Engineer Days Day2: Conference Room3-5 リテールAI研究会　今村 修一郎 氏 株式会社キカガク　西沢 衛 氏

2. 自己紹介
一般社団法人リテールAI研究会 テクニカルアドバイザー
今村修一郎
高校在学中の16歳に、マイクロソフト認定システムエン
ジニアの資格を、日本最年少で取得。高校に通いなが
ら個人事業主としてIT業界でのキャリアをスタート。
慶應義塾大学環境情報学部へソースコードを提出して、
AO入試に合格。1年生秋学期より清木研にてメタデー
タベースの研究に参加。
卒業後、P&Gジャパンに入社し、ビックデータ分析や機
械学習関連の開発に従事。分析チームでは日本人初
の管理職に昇進。
2017年に一般社団法人リテールAI研究会に参加し、
テクニカルアドバイザーとして、IT技術を駆使した小売流
通業の改革に取り組んでいる。

3. 自己紹介
株式会社キカガク 執行役員 西沢衛
幅広い機械学習研修・案件に従事
・ディープラーニングハンズオン
・機械学習徹底演習
・リテールAI ハンズオン
・法人研修・コンサルティング
DLLABとの関わり
・2019年全国6都市でハンズオン
・Azure ML Serviceハンズオン

4. どちらの事業に対して、AIは向いてい
るでしょうか？
AIが活躍する事業とは？

5. パターンA：既存事業
AIなしでも売り上げを確保している
切片が0でなく、精度が向上するに連
れて、売り上げも伸びていく
例）棚割の最適化
既存事業のためのAIプロジェクト

6. 既存事業のためのAIプロジェクト
パターンB：新規事業
精度がまったく出ないときは売り上
げも全くない
事業としての売上が確保できるの
は、かなりの良い精度が出てから
例）自動運転

7. データ アルゴリズム ビジネス
・POSデータ
・レジカートデータ
・映像データ
・ALS（協調フィルタリング）
・LSTM（時系列解析）
・YOLO（物体検出）
・売上向上
・業務効率化
AIプロジェクトの核となる3つの要素

8. これまではどうやってビジネスが動いていたのか？
経験・勘・度胸！

9. POS
商品Aが2点、商品Bが1点
購入された
小売業界で活用できるデータ ID-POS
ID-POS
顧客ID 32（20代女性）が
商品Aを2点、商品Bを1点購入
ID-POSでは、「誰が」何を購入したかわかる

10. 小売業界で活用できるデータ ID-POS
店名 購入日 時間 顧客ID 年齢 性別 商品ID カテゴリ 商品名 単価 個数
A店
2019/10/1
0
15:00 0021 32 女性 041
アルコー
ル
ビールA 300 10
A店
2019/10/1
0
16:00 0010 51 女性 033
アルコー
ル
ビールB 200 5
B店
2019/10/1
0
17:00 00141 33 男性 041
アルコー
ル
ビールA 300 2
A店
2019/10/1
0
18:00 0209 46 女性 098 ワイン ワインA 2000 1
B店
2019/10/1
0
19:00 1200 20 男性 004 ワイン ワインB 4000 3

11. どの顧客が、何を、「どの順番」で
購入したかがわかる
小売業界で活用できるデータ レジカート

12. 小売業界で活用できるデータ 店内カメラ映像
カメラ映像から店内の状況を把握することができる
（顧客、商品）

13. これらのデータを用いて何ができるのか？

14. 協調フィルタリング 棚割最適化
これまで経験と勘と度胸によって棚割が行われていた
普通 少ない 多い 多い配置量

15. 4 2
5 2 2
3 4
4 2
協調フィルタリング 棚割最適化

16. 4 4 2 2
4 5 2 2
3 4 2 3
4 4 2 3
協調フィルタリング 棚割最適化

17. どの商品が売れるポテンシャルが高いのかが、
過去の購買行動を元にわかる

18. 協調フィルタリング 棚割最適化
普通 少ない 多い 多い
多い 多い 少ない 普通配置量(後)
配置量(前)
高い 高い 低い 普通
AIによる需
要予測

19. 協調フィルタリングのアルゴリズム

20. 協調フィルタリングのアルゴリズムの流れ
1. 特徴量空間のkの値を決める
2. 評価行列 R （m*n）から顧客の特徴、商品の特徴を表す2つの特徴
量空間 P，Q をランダムな初期値をとり作成
3. Pの値を固定し、Qについて最小二乗法を用い、Qの値を更新する
4. Qの値を固定し、Pについて最小二乗法を用い、Pの値を更新する
3，4を指定した回数回繰り返す
損失関数
学習の流れ

21. 時系列解析 商品のレコメンド
買い物中の顧客に直接商品のレコメンドが可能

22. 時系列解析 商品のレコメンド
どの顧客が何を「どの順番」で
購入したかがわかる
1. 牛肉
2. 卵
3. 白菜
4. ネギ
5. すき焼きの素
→糸こんにゃくをレコメンド
次に買いそうな商品をレコメンド
すれば購入の確率が高くなる！

23. 時系列解析 Seq2Seq
私 は キカガク です 。 EOS
EOS . Kikagaku am I
LSTM LSTM LSTM LSTM LSTM LSTM
LSTMLSTMLSTMLSTMLSTM
Encoder
Decoder

24. 時系列解析 Seq2Seq
牛肉 卵 白菜 ネギ
EOS しめじ すき焼きの素 糸こんにゃく
LSTM LSTM LSTM LSTM
LSTMLSTMLSTMLSTM
Encoder
Decoder

25. 物体検出

26. 事例紹介 協調フィルタリング

27. AIが活躍する場面とは？
AIプロジェクトを成功させるために重要な事とは？

28. オペレーションへの組み込みが容易である事
棚割最適化の例
協調フィルタリングを用いると、どの商品がより売れそうかを予測
します。
しかし、その結果を実行に移し、検証することができなければ全く
意味はありません。実際に売上UPに繋がるところまでを実現できる
という点が重要です。

29. 100%の精度を求めない問題設定である事
棚割最適化の例
機械学習のモデルに100%の精度を求めることは困難です。
AIは100%の精度が出なくても支障のない問題設定に適しています。
棚割最適化の例では少し歪な棚割になったとしても、大きな損害が
発生するわけでもないため、AIを用いる良い問題設定と言えます。
人間がカバー可能

30. 既にあるデータを活用できる事
データ収集は大きなコストと時間を要します。
手持ちのデータを活用するところから始めることが望ましいです。
ID-POSデータ
棚割最適化の例

31. 「活用」の時代のエンジニアに求められるスキル
前処理・構造化を行うスキル
・Python、SQLなどのプログラミング言語
・NumPy、Pandas、Matplotlibなどの機械学習によく用いられるパッケージ
機械学習の手法への理解と実装スキル
・各アルゴリズムの特徴
・機械学習・ディープラーニングのフレームワーク
モデルをデプロイするスキル
・デプロイに必要となるDocker、Linux
・エッジデバイスへデプロイ方法
・モデルの軽量化技術
前処理、学習、推論、運用を効率よく行えるサービスの理解
・Azure Databricksなどの分散処理が行える環境・フレームワーク
・Custom Visionなどの学習済みモデルを活用できるサービス
・Azure ML Services、Automated ML、DevOpsなどの自動化ツール

32. 「活用」の時代にさらに求められるスキルとは？

33. 「活用」の時代のエンジニアに求められるスキル
ビジネス課題を解決するためにAIを活用できるスキル
・AIを活用できる問題設定を発見するスキル
・実際にAIを用いたプロジェクトの検証まで、企画・実行できるスキ
ル
・課題解決のために、幅広い技術の引き出しを持ち、様々な試行錯誤
が行えるスキル

34. 各種ハンズオン
リテールAI検定 シルバー
・協調フィルタリングの概要から実装、活用まで一
気通貫で学ぶことができる研修です。
・法人様向けに個社データを用いた研修も可能で
す。
ディープラーニングハンズオンセミナー（E資格認定）
・ディープラーニングの基礎から実装方法までを一
気通貫して学ぶことができる研修です。
・画像処理、自然言語処理について学びたい初学者
に最適な研修です。
機械学習徹底演習セミナー
・Pythonの基礎から機械学習の実装までを学ぶこと
ができる研修です。
・豊富な演習を通して、初学者から機械学習を自身
で実装できる力を身につけることができます。

35. ご清聴いただきありがとうございました。

36. アンケートへのご協力お願
いします。
http://bit.ly/2LOnkQq
小売業界の実AIプロジェクトから見る、
現場で活躍するエンジニアに必要なスキ
ル