Submit Search
Upload
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
•
12 likes
•
30,351 views
Recruit Technologies
Follow
2016/12/02 @ITセミナー「事例に見る、AI/ディープラーニング活用入門」での、白井の講演資料になります
Read less
Read more
Technology
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 74
Download now
Download to read offline
Recommended
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
The Japan DataScientist Society
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
Tokoroten Nakayama
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
Tokoroten Nakayama
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
WayOfNoTrouble.pptx
WayOfNoTrouble.pptx
Daisuke Yamazaki
Recommended
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
The Japan DataScientist Society
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
DXとかDevOpsとかのなんかいい感じのやつ 富士通TechLive
Tokoroten Nakayama
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
Tokoroten Nakayama
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
WayOfNoTrouble.pptx
WayOfNoTrouble.pptx
Daisuke Yamazaki
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
BERT入門
BERT入門
Ken'ichi Matsui
モデル高速化百選
モデル高速化百選
Yusuke Uchida
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
shakezo
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
Recruit Technologies
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
Tokoroten Nakayama
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
Livesense Inc.
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
Yasuharu Nishi
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
Recruit Technologies
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
Recruit Technologies
More Related Content
What's hot
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
BERT入門
BERT入門
Ken'ichi Matsui
モデル高速化百選
モデル高速化百選
Yusuke Uchida
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
shakezo
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
Recruit Technologies
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
Tokoroten Nakayama
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
Livesense Inc.
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
Yasuharu Nishi
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
BrainPad Inc.
What's hot
(20)
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
BERT入門
BERT入門
モデル高速化百選
モデル高速化百選
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT4
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
なぜコンピュータを学ばなければならないのか 21世紀の君主論
なぜコンピュータを学ばなければならないのか 21世紀の君主論
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
営業さんまで、社員全員がSQLを使う 「越境型組織」 ができるまでの3+1のポイント | リブセンス
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
研究効率化Tips Ver.2
研究効率化Tips Ver.2
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
品質を加速させるために、テスターを増やす前から考えるべきQMファンネルの話(3D版)
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
Viewers also liked
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
Recruit Technologies
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
Recruit Technologies
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
Recruit Technologies
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートにおける画像解析事例紹介と周辺技術紹介
リクルートにおける画像解析事例紹介と周辺技術紹介
Recruit Technologies
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
Recruit Technologies
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
Recruit Technologies
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
Recruit Technologies
リクルートのビッグデータ活用基盤とビッグデータ活用のためのメタデータ管理Webのご紹介
リクルートのビッグデータ活用基盤とビッグデータ活用のためのメタデータ管理Webのご紹介
Recruit Technologies
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
ビッグデータ処理データベースの全体像と使い分け - 2017年 Version -
ビッグデータ処理データベースの全体像と使い分け - 2017年 Version -
Tetsutaro Watanabe
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit Company
Recruit Technologies
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
Recruit Technologies
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
Recruit Technologies
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Recruit Technologies
Tableau活用4年の軌跡
Tableau活用4年の軌跡
Recruit Technologies
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
銀行ロビーアシスタント
銀行ロビーアシスタント
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Recruit Technologies
Viewers also liked
(20)
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
リクルートにおける画像解析事例紹介と周辺技術紹介
リクルートにおける画像解析事例紹介と周辺技術紹介
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とビッグデータ活用のためのメタデータ管理Webのご紹介
リクルートのビッグデータ活用基盤とビッグデータ活用のためのメタデータ管理Webのご紹介
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
ビッグデータ処理データベースの全体像と使い分け - 2017年 Version -
ビッグデータ処理データベースの全体像と使い分け - 2017年 Version -
Hadoop’s Impact on Recruit Company
Hadoop’s Impact on Recruit Company
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Tableau活用4年の軌跡
Tableau活用4年の軌跡
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
銀行ロビーアシスタント
銀行ロビーアシスタント
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Similar to リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
JSUG 2018 BTC
JSUG 2018 BTC
kazukiotomori
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
DataWorks Summit/Hadoop Summit
モデリングの彼方に未来を見た
モデリングの彼方に未来を見た
Hagimoto Junzo
Wg for ai_dev_ops_20180713
Wg for ai_dev_ops_20180713
Yutaka Terasawa
SoRとSoEをつなぐ 「エンジニアの役割」と 「企業の課題」
SoRとSoEをつなぐ 「エンジニアの役割」と 「企業の課題」
Keiichiro Seida
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
Recruit Technologies
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
Cybozucommunity
Hybrid appmeetssecurity kdl20171017-20
Hybrid appmeetssecurity kdl20171017-20
龍弘 岡
Base 20141011 1_for_slideshre
Base 20141011 1_for_slideshre
正善 大島
20141003 webマーケティングエンジニアリング
20141003 webマーケティングエンジニアリング
Innova Inc.
[3rd 長崎QDG] チームで、長期間で、たくさんのソフトウェアを快適に開発し、価値を生み続けるためのエンジニアリング
[3rd 長崎QDG] チームで、長期間で、たくさんのソフトウェアを快適に開発し、価値を生み続けるためのエンジニアリング
Masanori Kaneko
AI-first Code Editor 「Cursor」の機能紹介
AI-first Code Editor 「Cursor」の機能紹介
ssuser39314d
ファーストアカウンティング会社説明資料 for engineer 2022年7月版
ファーストアカウンティング会社説明資料 for engineer 2022年7月版
ファーストアカウンティング 採用担当
アジャイルソフトウェア開発の道具箱
アジャイルソフトウェア開発の道具箱
Koichi ITO
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Mao Yamaguchi
アジャイル開発を支える開発環境 公開用
アジャイル開発を支える開発環境 公開用
ESM SEC
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PC Cluster Consortium
Smfl20201001
Smfl20201001
三井住友ファイナンス&リース デジタル開発室
リクルートにおける画像解析事例紹介
リクルートにおける画像解析事例紹介
Recruit Technologies
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
Similar to リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
(20)
JSUG 2018 BTC
JSUG 2018 BTC
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
モデリングの彼方に未来を見た
モデリングの彼方に未来を見た
Wg for ai_dev_ops_20180713
Wg for ai_dev_ops_20180713
SoRとSoEをつなぐ 「エンジニアの役割」と 「企業の課題」
SoRとSoEをつなぐ 「エンジニアの役割」と 「企業の課題」
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
Hybrid appmeetssecurity kdl20171017-20
Hybrid appmeetssecurity kdl20171017-20
Base 20141011 1_for_slideshre
Base 20141011 1_for_slideshre
20141003 webマーケティングエンジニアリング
20141003 webマーケティングエンジニアリング
[3rd 長崎QDG] チームで、長期間で、たくさんのソフトウェアを快適に開発し、価値を生み続けるためのエンジニアリング
[3rd 長崎QDG] チームで、長期間で、たくさんのソフトウェアを快適に開発し、価値を生み続けるためのエンジニアリング
AI-first Code Editor 「Cursor」の機能紹介
AI-first Code Editor 「Cursor」の機能紹介
ファーストアカウンティング会社説明資料 for engineer 2022年7月版
ファーストアカウンティング会社説明資料 for engineer 2022年7月版
アジャイルソフトウェア開発の道具箱
アジャイルソフトウェア開発の道具箱
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
アジャイル開発を支える開発環境 公開用
アジャイル開発を支える開発環境 公開用
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
Smfl20201001
Smfl20201001
リクルートにおける画像解析事例紹介
リクルートにおける画像解析事例紹介
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
More from Recruit Technologies
新卒2年目が鍛えられたコードレビュー道場
新卒2年目が鍛えられたコードレビュー道場
Recruit Technologies
HadoopをBQにマイグレしようとしてる話
HadoopをBQにマイグレしようとしてる話
Recruit Technologies
LT(自由)
LT(自由)
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
ユーザーからみたre:Inventのこれまでと今後
ユーザーからみたre:Inventのこれまでと今後
Recruit Technologies
EMRでスポットインスタンスの自動入札ツールを作成する
EMRでスポットインスタンスの自動入札ツールを作成する
Recruit Technologies
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
Recruit Technologies
Spring “BigData”
Spring “BigData”
Recruit Technologies
Struggle against cross-domain data complexity in Recruit group
Struggle against cross-domain data complexity in Recruit group
Recruit Technologies
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.
Recruit Technologies
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
Recruit Technologies
More from Recruit Technologies
(13)
新卒2年目が鍛えられたコードレビュー道場
新卒2年目が鍛えられたコードレビュー道場
HadoopをBQにマイグレしようとしてる話
HadoopをBQにマイグレしようとしてる話
LT(自由)
LT(自由)
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
ユーザーからみたre:Inventのこれまでと今後
ユーザーからみたre:Inventのこれまでと今後
EMRでスポットインスタンスの自動入札ツールを作成する
EMRでスポットインスタンスの自動入札ツールを作成する
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
Spring “BigData”
Spring “BigData”
Struggle against cross-domain data complexity in Recruit group
Struggle against cross-domain data complexity in Recruit group
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
Recently uploaded
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
Hiroshi Tomioka
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
Recently uploaded
(9)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
1.
リクルートテクノロジーズが語る 企業における、 「AI/ディープラーニング」活用のリアル 株式会社リクルートテクノロジーズ ITソリューション統括部 ビッグデータプロダクト開発G 白井 祐典
2.
2Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 自己紹介
3.
3Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 自己紹介 氏名 白井 祐典 所属 リクルートテクノロジーズ ITソリューション統括部 ビッグデータ部 ビッグデータプロダクト開発G 略歴 独立系Sierに2年半、後R-TECHへ転職。 中途入社5年目。カーセンサー.netのHadoop施策において 要件定義/開発を3年間実施。 同時にHadoopエコシステムの検証や、画像解析の検証/事業接続を 実施。現在は画像解析の推進担当。 学歴 長岡技術科学大学 経営情報システム工学専攻 趣味etc ゴルフ 今更の24 ジム
4.
4Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 目次 1 リクルートについて 2 AI/機械学習API群”A3RT”の紹介 3 画像解析に取り組んだ背景/技術/事例紹介 4 画像解析の苦労ポイントと解決方法 5 まとめ
5.
5Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 1 リクルートについて
6.
6Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートのビジネスモデル 様々なドメインでマッチングモデルに基づいたビジネスを展開 Matching Business HR Bridal Group Buying Used Cars Travel Real Estate Beauty Gourmet Social Games E-Commerce Ad Network New Business Consumers Enterprise
7.
7Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートの事業領域 「選択」 をサポートするような情報サービスを展開 Life event area Lifestyle Area Travel IT/ TrendLifestyle Health & Beauty Job Hunt Marriage Job Change Home Purchase Car Purchase Child Birth Education
8.
8Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Infrastructure Large project promotions UI design/SEO Big Data Department Technology R&D IT Promotion リクルートテクノロジーズの立ち位置 リクルートホールディングスは7つの主要事業会社と3つの機能会社から成り立っている。 Recruit Holdings Recruit Career Recruit Sumai Company Recruit Lifestyle Recruit Jobs Recruit Staffing Recruit Marketing Partners Staff service Holdings Recruit Technologies Recruit Administration Recruit Communications Operation Service
9.
9Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ビッグデータ部で扱うデータ 事業のトランザクションや マスタデータを用いた解析 ※ 主にオンプレ 非構造データを用いた Deep Learningなどの解析 ※ 主にパブリッククラウド
10.
10Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 2 AI/機械学習API群 ”A3RT”のご紹介
11.
11Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. A3RTとは ANALYTICS & ARTIFICIAL INTELLIGENCE API VIA RECRUIT TECHNOLOGIES の略 リクルートテクノロジーズでは社内での機械学習並びにDeep Learningなどに代表されるAI系ロジックを同一ブランドで 統一・整備をし、社内に展開している。
12.
12Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. A3RTデモムービー
13.
13Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. A3RTサービスリスト(一部) レコメンド バナー ターゲティング OCR 画像解析 原稿サジェスト 文章校閲 文章要約 文章分類 音声テキスト化 屋内位置測位
14.
14Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. A3RTサービスリスト(一部) レコメンド バナー ターゲティング OCR 画像解析 原稿サジェスト 文章校閲 文章要約 文章分類 音声テキスト化 屋内位置測位 多様なデータ活用ソリューション群
15.
15Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Q:なぜA3RTを作ったのか? A:大きく二つの理由から 【BD部外的要因】 ビジネスサイドからのデータ活用のアイディア拡大 【BD部内的要因】 R&D観点でのフィジビリスタディにおける実績作成により、 横展開のことを考える必要性増加
16.
16Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. [外的要因]ビジネスサイドの活用アイディア促進 レコメンデーション 営業支援 競合分析 これまでの データ活用の主戦場 レコメンド・営業支援/競合分析などで実績を作った結果、 ビジネスサイド発信でのデータの更なる利用ニーズや、多様な活用ア イディアが生まれるように。 リボンモデル
17.
17Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Volume データ量 データの多様性 Variety Velocity データの発生頻度 ビッグデータの定義で示されるデータの多様性に注目。 [内的要因]非構造データの活用に着目
18.
18Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. [内的要因]非構造データの活用に着目 原稿情報 営業日報 議事録 位置情報 商品・店舗画像 etc 今までビッグデータ部で扱う対象のデータは、 行動履歴やデモグラ情報など比較的扱いやすいデータがメイン リクルート内には数多くの 非構造データが存在。 ただ、貯めるというだけでもコスト。 これを活用して、マッチングモデルの最適化と いう価値を生み出せないか?
19.
19Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートは各事業において様々な非構造データを大量に保持している。 これら非構造データは、どう扱われているか? 例えば、 商品紹介のテキスト/画像は、商材の説明のために存在している。 日報/議事録は、戦略/状況を記録するために散在している。 まだ解析の対象にはなっていなかった。 これらを解析に利用すれば、マッチングを更に高精度化できるはず! テキスト/画像/音声などといった、非構造データの解析を R&Dとして着手。技術検証から事業とのフィジビリ実施。 [内的要因]非構造データの活用に着目
20.
20Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. R&D実施の中での気づき フルスクラッチ開発 Good - 最適な機能が作れる。 Bad - どうしても時間・コストがかかる - 全てのケースに対応できない 外部のAPI群 • 一部は活用すべきだが、リクルートグ ループでの活用にそのまま使える機能 が不足 以下の特徴を持たせた独自API群を作成 【リクルートに特化した機能】 【低コスト・高スピード導入】 【最新技術】 【付加価値】 リクルートグループにおいて機械学習によるソリューション活用の敷居はまだまだ高く、 活用をスピードアップ・拡大するためには設計~開発~運用に工数が多くかかっていた。 データ活用・ロジック作成に気を取られ、ビジネス活用まで考えがいたらない状況。
21.
21Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. API化による効率化 リクルート内サービス モデル化 API API API モデル・技術共有 コール 再学習 横断で支援する機能会社の利点を生かし、 1事業で実施したモデルを横展開して開発。
22.
22Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. A3RTサービス紹介 レコメンド バナー ターゲティング OCR 画像解析 原稿サジェスト 文章校閲 文章要約 文章分類 音声テキスト化 屋内位置測位 概要のみ 概要のみ 後ほど 詳しめに
23.
23Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Neon-原稿からテキストの自動生成 リクルートが保持している原稿をDeepLearning(DeepLSTM)を 使って学習し、原稿を生成するシステム。 原稿を書いている時に書き方がわからない、次に何を書けばいいか詰 まってしまった、という場合など人の思考補助を行う意味合いでの利 用を想定。 サンプル原稿の 自動作成機能 原稿作成中の サジェスト機能 1 2 過去数年分の事業のクライアント原稿をインプットとしてモデ ルを作り、例えば職種やエリアを指定して送ればそれにあうベ ストな原稿を自動で生成して返してくれる機能 原稿作成時にフォーム上に入力した文字列をAjax通信で送ると次の一 語/フレーズ/文章を推薦してくれるサジェスト機能
24.
24Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. neonデモ
25.
25Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ArGON-ルールベースと機械学習での校閲支援 リクルートにおける「原稿」は商品そのもの。これに間違いがあると大きな 機械損失となる。 ルールベースによる校閲機能だけでなく、ルールのカスタマイズや最新の機 械学習技術も実装しているため、使えば使うほど賢く校閲を実施できる。 ルール ベースによる 校閲機能 機械学習 による 校閲機能 ルール カスタマイズ 機能 原稿の中の、誤字 脱字、NGワードな どを自動で検出 大量の原稿全てに対するチェック を自動化 • 入稿者、校閲者の負担軽減/コスト削減 • 本当に人間の目が必要となるところに パワーを割くことが可能に 汎用性の高い校閲ルール 例) ・住所の間違い判定 ・郵便番号の存在チェック ・電話番号の桁数チェック ・NGワードの検出 ルールベースで実現出来な い部分を補う機械学習 例) ・誤字脱字の検出 ・差別表現の判定 ・NGとなりそうなワードの組み合わせ サジェスト 管理画面から独自のルール登 録が可能 誰でも簡単に ルールを追加
26.
26Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ArGonのデモ
27.
27Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. テキスト解析のロジック 誤字脱字検知のロジック - Gated Recurrent UnitsというDeep Learning技術を使用 - Residual Learningの要素を取り入れる。 作成:過去の原稿から、次に来る単語/文章を予測してサジェストする。 校閲:正しい文章を大量に学習させ、異常検知的に誤字脱字を検出する。
28.
28Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. API化でデータ活用の出口をどんどん拡大中 レコメンデーション 営業支援 競合分析 記事作成支援 原稿校閲 入稿自動精査 音声 テキスト化 テキスト 自動分類 画像レコメンド 画像から検索
29.
29Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 3 画像解析に取り組んだ背景/ 技術/事例紹介
30.
30Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 画像解析のお話 背景と基本技術紹介
31.
31Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 背景 リクルートは各事業ドメインにおいてさまざまな画像を大量に保持している。 ・この画像はなんのために用いられているのか? 各事業ドメインにおいて、商材のイメージを伝えるために存在しており、 解析の対象にはまだなっていない。 画像はカスタマに直観的に情報を与える上で最高の情報。 これを解析に使わない手はない!!
32.
32Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Convolutional Neural Network (CNN)は画像解析に特化したDeep Learning の手法の一種 入力画像上でパッチ(局所画像)を滑らせ、パッチからの特徴量抽出(Convolution) と近くのパッチ同士での特徴量のまとめ上げ(Pooling)を繰り返し、最終的に得られた 特徴量をもとに画像のラベルを予測する。 Convolutional Neural Network P (野球) P (サッカー) P (カバディ) 繰り返し すべての特徴量 を連結し使用 Convolution層 Pooling層 ベクター Predict 画像に映っているものが何かを特定する =物体認識を実施
33.
33Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ベクトル変換方法 RGB値と重み行列の内積に固定のバイアスを加算する処理 3 0 1 2 3 0 0 2 3 * 3 0 1 3 画像全体 重み行列 * 3 0 1 3 = 3*3 + 0*0 + 2*1 + 3*3 =20 3 0 2 3 * 3 0 1 3 =3 0 1 3 0 * 3 0 1 3 =12 * 3 0 1 3 =20 3 0 2 3 2 3 0 2 22 5 14 22 バイアス:2 + 残したいエッジや色などの特徴を抽出する処理
34.
34Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ベクトル変換方法 固定長のサイズから最大値を取り出す処理 8 4 9 5 4 1 1 0 2 Convの結果 サイズ:2*2 8 4 5 4 Max( )=8 Max( )=9 Max( )=5 Max( )=4 4 9 4 1 5 4 1 0 4 1 0 2 8 9 5 4 微小な変化に対してロバストな特徴を与える処理
35.
35Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ベクトル変換方法
36.
36Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 画像ベクトルを用いた物体認識 正解ラベル付きの画像を大量に学習し、 未知の画像に何が映っているかを特定する ベクトル化 ベクトル化 ベクトル化 ベクトル化 野球ゾーン サッカーゾーン まとめる ベクトル化 学習 予測 予測モデル サッカーゾーンに近い。 サッカーなのでは! と特定 予測モデル 未知の画像
37.
37Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 事例紹介 1 ホットペッパービューティの類似ネイル検索 2 カーセンサーの写真から車種判別
38.
38Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 事例紹介と苦労ポイント/解決策 事例紹介
39.
39Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ホットペッパービューティの類似ネイル検索 類似ネイル検索機能 似ているネイル画像を提示する機能 類似の定義は、以下となります。 ・デザインが似ている ・色が似ている カスタマの回遊率向上などを目的に開発。
40.
40Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 類似ネイル検索機能の概要 HOG特徴量 + AdaBoost CNN ①爪箇所判別 ②デザイン抽出 ③カラー抽出 ④類似度計算 Aデザイン X本 Bデザイン Y本 ・・・ 白 X ピンク Y ・・・ RGB値 デザイン頻度vec カラー頻度vec cos類似 ネイル DB ネイル 画像A ネイル 画像B ネイル 画像C 検索元画像
41.
41Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ①爪箇所判別 HOG特徴量+Adaboostを利用 ① 大量の爪でない/爪の画像を用意 ② 勾配のヒストグラムを取得 爪でない 爪 ③ 勾配ヒストグラムを使って決定木で判別モデル作成
42.
42Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ②デザイン抽出 CNNを利用 ① 大量のデザイン別の爪画像を用意 リボン ドットワンカラー マーブル ピーコック ハート ・・・・・・・・・・・ 20種類のネイルデザインを用意
43.
43Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ②デザイン抽出 CNNを利用 ② CNNで判別モデルを作成 ワンカラー マーブル ピーコック ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・・・
44.
44Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ②デザイン抽出 CNNを利用 ③ 判別モデルを用いて、学習していない未知のネイルに映るデザインを判別 予 測 爪 抽出 ・ ・ ・ ・ ・ ・ ・・・ 出 力 マーブル3本 逆フレンチ2本 が映って いると判定 マーブル逆フレンチ
45.
45Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ③カラー抽出 RGB値を扱う ① 色を512種類まで圧縮 例) 26色に圧縮する場合 0 0 0 0 0 0 0 0 0 0 0 0 0 72 0 0 0 0 184 161 0 0 29 0 0 0 332[ ] 各ネイル画像を512種類に圧縮したカラーヒストグラムで表現
46.
46Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ④類似度計算 cos類似度を採用 マーブル逆フレンチ デザイン頻度ベクトル カラー頻度ベクトル 両方の距離を考慮して、 一番近しいネイル画像を算出 cos(x, y) = → → x → | | y → | | ______x → | | y → | |・ cos(x, y) = → → x → | | y → | | ______x → | | y → | |・
47.
47Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 類似ネイル検索機能の概要 HOG特徴量 + AdaBoost CNN ①爪箇所判別 ②デザイン抽出 ③カラー抽出 ④類似度計算 Aデザイン X本 Bデザイン Y本 ・・・ 白 X ピンク Y ・・・ RGB値 デザイン頻度vec カラー頻度vec cos類似 ネイル DB ネイル 画像A ネイル 画像B ネイル 画像C 検索元画像
48.
48Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. カーセンサー:写真からの車種判別機能 事例紹介
49.
49Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 背景 近年?? 若者が車に詳しくない!! かっちょえええええ かわええええええ 名前わかんね 凄く大きな機会損失
50.
50Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 車種判別機能とは カーセンサーのアプリの機能で、 車の写真を撮ってアップすると、似た車種名と一致率のTOP5が分かる。 そして、そのままその車種の検索結果一覧へと遷移できる。
51.
51Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 車種判別フロー … … … CNNで作成した 車種判別モデル 車の写真 2674車種 ・ワゴンR ・プリウス ・フィット ・フェラーリ ・エスティマ ・ ・ ・ 2674車種の精度 68.2%
52.
52Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 学習データの作成に工夫 外装 ラベル名 画像例 内装 トランク ダッシュ ボード その他 学習枚数 約3500枚 約2000枚 約1000枚 約1000枚 約2500枚 カーセンサーの物件画像を 内装/外装/トランク/ダッシュボード /その他に分類するモデルを作成。 これにカーセンサーの約37万物件 の画像を全て投入 外装と判別された約80万枚を そのまま学習に利用 結果、2674車種という、 これまでにない多種な分類でも 70%弱の精度を叩き出せた
53.
53Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 学習データの作成に工夫 更にカーセンサーの入稿画像を使ったことによるメリットとして 斜め45度/正面/横/後ろ といった多方向からの画像も 学習データとして取得できた。 結果として、ある程度はどの方向からの画像でも、車種の判別が可能となった
54.
54Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 学習データの作成に工夫 ただし「流通量が多い車種=学習画像が多い車種=精度が高い車種」 となり、掲載数の多い上位500車種では平均92.4%の精度を出すが 掲載数の少ない下位の車種では、精度が一桁を切ることもある状態。 そこで利用者に正解しているかを フードバックしてもらう機能を実装。 これで「正しい」を選んでくれたら、 その画像を追加で学習すれば良い! # 現在は、本機能が本当に正しい時に押 されるかなどを検証中。
55.
55Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Twitterでバズりました! プレスリリースを10/26に実施。 10/26中にTwitterで「#カーセンサーチャレンジ」 というハッシュタグが作成され、最高風速で 分間4ツイートくらいされてました。(肌感) 一時、appleのトレンド検索に「ポケモンgoマップ」などと並 んで「カーセンサー」が!!! ありがたいことにたくさんの人に利用してもらえました!
56.
56Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 4 画像解析の苦労ポイントと 解決方法
57.
57Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 2ヶ月前 モデル作成 3週間 2年前 モデル作成 3ヶ月 紹介した案件はモデル作成時間が大きく違う 2年という歳月におけるノウハウの蓄積の差もあるものの CNNでのモデル構築を効率的にする周辺技術の存在が大きい ネイルでの学びから、周辺技術を作成していきました。
58.
58Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ネイル時に立ちふさがった大きな壁 ①判別モデルを作りたいけど都合良く 学習データがない・・・ ②学習始めたけどパラメータが 多すぎて最適解がわからん・・・
59.
59Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 困難① 学習データがない 爪デザイン当て 初めはクライアントが入稿するときに付与するタグを利用。 例えば、左の例では、「ドット(水玉)」が付与。 これを学習用のデータとして使用した結果、 驚愕の精度18%!?(ランダムでも5%の精度) そもそも、リボンも映っているし、ワンカラー(何も柄なし)も映っている。 これが「ドット」で良いのか?? 人によってデザインとして付与するタグが異なるのでは・・・・ なら、誰もが同じタグになるようにしてあげれば良い! CNN使えないじゃないか・・・ 発想を変える。
60.
60Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ということで爪単位で学習をすることに決める :ドット :リボン :ワンカラー ただし、都合よく爪別のデザイン名が付いたデータが存在しないので、 内部でデータを作成することに・・・ 困難① 学習データがない
61.
61Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 爪タグ付Web画面を作成し、業務の間を縫ってみんなでタグ付 困難① 学習データがない
62.
62Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ただし、僕らの部署はIT系の業務をやる部署。 ネイルなんて分からない男性が多い中、必死にネイルの知識を付ける。 :マーブル :ピーコック :プッチ 副産物として 合コンで相手の手を見て、「ダブルフレンチ か・・・」と呟く、気持ち悪い男性(私)の 出来上がり。 せんせー ピーコックとマーブルとプッチの 違いがわかりませーん! このようなやりとりを通し、まず主要メンバがネイル 判別のセミプロになり、徐々に作業メンバもセミプ ロになってしまった。 約20人で合計4万枚もの爪画像に、正解タグを 振る。 結果、ある程度誰が見ても納得できる正解データ が作成できた。 困難① 学習データがない
63.
63Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ただし、僕らの部署はIT系の業務をやる部署。 ネイルなんて分からない男性が多い中、必死にネイルの知識を付ける。 :マーブル :ピーコック :プッチ 副産物として 合コンで相手の手を見て、「ダブルフレンチ か・・・」と呟く、気持ち悪い男性(私)の 出来上がり。 せんせー ピーコックとマーブルとプッチの 違いがわかりませーん! このようなやりとりを通し、まず主要メンバがネイル 判別のセミプロになり、徐々に作業メンバもセミプ ロになってしまった。 約20人で合計4万枚もの爪画像に、正解タグを 振る。 結果、ある程度誰が見ても納得できる正解データ が作成できた。 ①判別モデルを作りたいけど都合良く 学習データがない・・・ 「=収集コストがかかりすぎる。」 困難① 学習データがない
64.
64Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. VATを用いた半教師有り学習 • VATを用いた半教師有り学習 • 半教師有り学習:少量の教師付きデータと大量の教師なしデータを用い て、比較的高精度のモデル作成する手法。 • ICLR2016の採択論文の手法を試す。 mnist[0~9の手書きデータ]を利用し、 以下を検証。 教師有りを600枚使っただけで、 60000枚全て利用した時とほぼ同等の 精度が得られた。 学習利用枚数 誤 差 率 (%) =大量の画像全てに正解ラベルを付与しなくても良い。 →学習データの収集コストが大幅に下がることが期待できる。 ・60000万枚の画像を学習に使った精度 ・各枚数を学習に利用した時の精度 ・各枚数を教師有り、残りを教師なしと して学習した精度
65.
65Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. VATを用いた半教師有り学習 :ラベル1の正解付きデータ :ラベル2の正解付きデータ :正解ラベルのないデータ :ラベル1と2を分ける境界面 VAT[Virtual Adversarial Training]を用いた2値分類の 半教師有り学習のイメージ :予測確率分布がずれやすい方向へ データをずらす (LDS[Local Distributional smoothing]正則化) … … … このズレによる予測確率分布の差が 最小になるように、WとBを学習して モデルを構築 これにより、データの多少のブレにも 耐えうる判別モデルが作成できる。
66.
66Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 困難② パラメータが多すぎる 正解データを作ったら、今度はパラメータチューニング チューニングすべきパラメータは様々なものがあります パッチサイズ パッチのスライドサイズ 抽出する特徴量数 ネットワーク構造 (ConvとPool) ネットワーク構造 (Dropout) ネットワーク構造 (活性化関数) SGDの学習のイテレーション数 SGDの学習率
67.
67Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 困難② パラメータが多すぎる 少しずつ変えながら、最適なパラメータを探索 モデルid フォルダ名1 フォルダ名2 モデル名(iter数) 精度 メモ 1 work 1128_t nt_40_iter_10000 0.363551 full conect層に一つdropout 2 nt_40_iter_20000 0.423041 3 nt_40_iter_30000 0.391879 4 nt_40_iter_40000 0.416431 5 nt_40_iter_50000 0.418319 6 nt_40_iter_60000 0.440038 以降base lrを0.1倍 7 nt_40_iter_65000 0.453258 8 nt_40_iter_70000 0.457979 9 nt_40_iter_75000 0.456091 10 nt_40_iter_80000 0.452314 11 work 1219_t nt_40_iter_10000 0.403211 モデル1~10より各層を大きく 12 nt_40_iter_20000 0.433428 13 nt_40_iter_30000 0.422096 14 nt_40_iter_40000 0.397545 15 nt_40_iter_50000 0.416431 16 nt_40_iter_60000 0.406043 17 nt_40_iter_70000 0.434372 18 nt_40_iter_80000 0.435316 19 nt_40_iter_90000 0.418319 20 nt_40_iter_100000 0.402266 21 work 1219_t_2 nt_40_iter_10000 0.364495 モデル1~10より1層深く 22 nt_40_iter_20000 0.422096 96 work_2015 0106_dsn net_iter_10000 0.333333 モデル11のネットワークをdsnで 97 net_iter_20000 0.348442 98 net_iter_30000 0.356941 99 net_iter_40000 0.365439 100 net_nosub_iter_5000 0.386213 以降各層についているlogReg layer外す 101 net_nosub_iter_10000 0.423985 ここまで学習係数0.001 102 net_nosub_1_iter_15000 0.449481 モデル101から学習係数を0.0001に 103 net_nosub_1_iter_20000 0.455146 104 net_nosub_1_iter_25000 0.461756 105 net_nosub_1_iter_30000 0.461756 106 net_nosub_1_iter_35000 0.459868 107 net_nosub_1_iter_40000 0.464589 108 net_nosub_1_iter_45000 0.476865 109 net_nosub_2_iter_50000 0.461756 モデル108から学習係数を0.00001に 110 net_nosub_2_iter_55000 0.469311 111 net_nosub_2_iter_60000 0.467422 112 work_2015 0108_mirror_contnet_1_iter_45000 0.491974 モデル87から学習係数を0.0001に 113 net_1_iter_50000 0.499528 ★ 114 net_1_iter_55000 0.485364 115 net_1_iter_60000 0.492918 ~中略~ パラメータを色々変えて、全 100回を超える試行を実施。 締切が当然あるので、時間は 有限。 一回の学習に費やす時間は3 時間くらい。 帰り際や金曜日に設定して、 朝・月曜の朝に確認する。 時間的制約の中、どれが筋が 良いかを吟味し、 焦りつつ、地道に精度向上。
68.
68Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 困難② パラメータが多すぎる 少しずつ変えながら、最適なパラメータを探索 モデルid フォルダ名1 フォルダ名2 モデル名(iter数) 精度 メモ 1 work 1128_t nt_40_iter_10000 0.363551 full conect層に一つdropout 2 nt_40_iter_20000 0.423041 3 nt_40_iter_30000 0.391879 4 nt_40_iter_40000 0.416431 5 nt_40_iter_50000 0.418319 6 nt_40_iter_60000 0.440038 以降base lrを0.1倍 7 nt_40_iter_65000 0.453258 8 nt_40_iter_70000 0.457979 9 nt_40_iter_75000 0.456091 10 nt_40_iter_80000 0.452314 11 work 1219_t nt_40_iter_10000 0.403211 モデル1~10より各層を大きく 12 nt_40_iter_20000 0.433428 13 nt_40_iter_30000 0.422096 14 nt_40_iter_40000 0.397545 15 nt_40_iter_50000 0.416431 16 nt_40_iter_60000 0.406043 17 nt_40_iter_70000 0.434372 18 nt_40_iter_80000 0.435316 19 nt_40_iter_90000 0.418319 20 nt_40_iter_100000 0.402266 21 work 1219_t_2 nt_40_iter_10000 0.364495 モデル1~10より1層深く 22 nt_40_iter_20000 0.422096 96 work_2015 0106_dsn net_iter_10000 0.333333 モデル11のネットワークをdsnで 97 net_iter_20000 0.348442 98 net_iter_30000 0.356941 99 net_iter_40000 0.365439 100 net_nosub_iter_5000 0.386213 以降各層についているlogReg layer外す 101 net_nosub_iter_10000 0.423985 ここまで学習係数0.001 102 net_nosub_1_iter_15000 0.449481 モデル101から学習係数を0.0001に 103 net_nosub_1_iter_20000 0.455146 104 net_nosub_1_iter_25000 0.461756 105 net_nosub_1_iter_30000 0.461756 106 net_nosub_1_iter_35000 0.459868 107 net_nosub_1_iter_40000 0.464589 108 net_nosub_1_iter_45000 0.476865 109 net_nosub_2_iter_50000 0.461756 モデル108から学習係数を0.00001に 110 net_nosub_2_iter_55000 0.469311 111 net_nosub_2_iter_60000 0.467422 112 work_2015 0108_mirror_contnet_1_iter_45000 0.491974 モデル87から学習係数を0.0001に 113 net_1_iter_50000 0.499528 ★ 114 net_1_iter_55000 0.485364 115 net_1_iter_60000 0.492918 ~中略~ パラメータを色々変えて、全 100回を超える試行を実施。 締切が当然あるので、時間は 有限。 一回の学習に費やす時間は3 時間くらい。 帰り際や金曜日に設定して、 朝・月曜の朝に確認する。 時間的制約の中、どれが筋が 良いかを吟味し、 焦りつつ、地道に精度向上。 ②学習始めたけどパラメータが 多すぎて最適解がわからん・・・ 「=時間がかかりすぎる」
69.
69Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. DFOを用いた自動パラメータチューニング • 2-1) DFO[Derivative Free Optimization]を用いたパラメータチューニング • DFO:目的関数を直接微分不可能なパラメータに対し、その値をずらして誤差率が 下がる方向へパラメータを調整して最適解を得る手法 誤差率をクロスエントロピーで求める場合、右の式となる。 ykは、W,Bから求められるため、WやBでの微分は可能。 ただし、それ以外の学習率などといったパラメータでの 微分は不可。これらのパラメータを少しずつずらし、誤差率の極小値を探索する方法。
70.
70Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. • 2-1) DFO[Derivative Free Optimization]を用いたパラメータチューニング • DFO:目的関数を直接微分不可能なパラメータに対し、その値をずらして誤差率が 下がる方向へパラメータを調整して最適解を得る手法 誤差率をクロスエントロピーで求める場合、右の式となる。 ykは、W,Bから求められるため、WやBでの微分は可能。 ただし、それ以外の学習率などといったパラメータでの 微分は不可。これらのパラメータを少しずつずらし、誤差率の極小値を探索する方法。 これにより、これまではハイパーパラメータを手動で少しずつずらして 精度を目視で確認していたが、自動で最適なパラメータの探索が可能に。 チューニングを自動化して、別の作業にとりかかれるようになった。 DFOを用いた自動パラメータチューニング
71.
71Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. コスト・工数を大幅に下げ、展開の障害を撃破 コスト・納品までの時間は 横展開の大きな障害となるため これを排除して、事業への 導入の難易度低下と速度向上 を実現する技術を貪欲に検証/実装 これにより、様々なニーズに対し 速度感を落とすことなく、 色んな案件に取り組める状態と なりました。
72.
72Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 6 まとめ
73.
73Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. まとめ リクルートではデータの利活用を進めた結果、これまでとは 異なるシーンでの利用ニーズや多様なデータソースの利活 用事例が増加した この様々なニーズ・多様なデータソースに対し、 素早く・安 く・最適にソリューションを提供するため、A3RTというAPI 群を整えている 1 2 3 実施中に得た課題を潰して横展開の難易度を下げ、AI/ ディープラーニングの利活用を促進して、 世の中への 更なる貢献に邁進する所存です
74.
ご清聴ありがとうございました。 リクルートテクノロジーズ リクルートテクノロジーズが語る 企業における、 「AI/ディープラーニング」活用のリアル
Download now