Submit Search
Upload
外食のマーケティングを進化させる「外食データクラウド」とAIを活用した外食POSデータ「ラベリング技術」の業界を超えた戦略とMLOps活用
•
2 likes
•
1,953 views
Deep Learning Lab(ディープラーニング・ラボ)
Follow
DLLAB Engineer Days Day2: Conference Room1-1 株式会社トレタ 萩原 静厳 氏、吉村 広太 氏、佐藤 秋彦 氏
Read less
Read more
Technology
Report
Share
Report
Share
1 of 44
Download now
Download to read offline
Recommended
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Takashi Suzuki
マルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RL
HarukaKiyohara
【DL輪読会】Language Conditioned Imitation Learning over Unstructured Data
【DL輪読会】Language Conditioned Imitation Learning over Unstructured Data
Deep Learning JP
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
Google Cloud Platform - Japan
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
Recommended
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Takashi Suzuki
マルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RL
HarukaKiyohara
【DL輪読会】Language Conditioned Imitation Learning over Unstructured Data
【DL輪読会】Language Conditioned Imitation Learning over Unstructured Data
Deep Learning JP
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
[Cloud OnAir] BigQuery の一般公開データセットを 利用した実践的データ分析 2019年3月28日 放送
Google Cloud Platform - Japan
ビジネスパーソンのためのDX入門講座エッセンス版
ビジネスパーソンのためのDX入門講座エッセンス版
Tokoroten Nakayama
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
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
ドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologies
Kazuyuki Miyazawa
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
fastTextの実装を見てみた
fastTextの実装を見てみた
Yoshihiko Shiraki
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用
Preferred Networks
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
Shota Imai
グラフデータベース入門
グラフデータベース入門
Masaya Dake
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
Deep Learning JP
モバイル向けEdgeTPUの紹介
モバイル向けEdgeTPUの紹介
卓然 郭
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
sleepy_yoshi
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
OSS強化学習向けゲーム環境の動向
OSS強化学習向けゲーム環境の動向
gree_tech
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
Deep Learning JP
失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷
Tokoroten Nakayama
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
Ryousuke Wayama
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
Deep Learning Lab(ディープラーニング・ラボ)
More Related Content
What's hot
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
ドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologies
Kazuyuki Miyazawa
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
fastTextの実装を見てみた
fastTextの実装を見てみた
Yoshihiko Shiraki
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用
Preferred Networks
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
Shota Imai
グラフデータベース入門
グラフデータベース入門
Masaya Dake
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
Deep Learning JP
モバイル向けEdgeTPUの紹介
モバイル向けEdgeTPUの紹介
卓然 郭
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
sleepy_yoshi
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
OSS強化学習向けゲーム環境の動向
OSS強化学習向けゲーム環境の動向
gree_tech
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
Deep Learning JP
失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷
Tokoroten Nakayama
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
Ryousuke Wayama
What's hot
(20)
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
ドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologies
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
fastTextの実装を見てみた
fastTextの実装を見てみた
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
グラフデータベース入門
グラフデータベース入門
Data-Centric AIの紹介
Data-Centric AIの紹介
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
モバイル向けEdgeTPUの紹介
モバイル向けEdgeTPUの紹介
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
OSS強化学習向けゲーム環境の動向
OSS強化学習向けゲーム環境の動向
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
失敗から学ぶデータ分析グループのチームマネジメント変遷
失敗から学ぶデータ分析グループのチームマネジメント変遷
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
More from Deep Learning Lab(ディープラーニング・ラボ)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
Deep Learning Lab(ディープラーニング・ラボ)
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
Deep Learning Lab(ディープラーニング・ラボ)
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Deep Learning Lab(ディープラーニング・ラボ)
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Deep Learning Lab(ディープラーニング・ラボ)
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
Deep Learning Lab(ディープラーニング・ラボ)
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
Deep Learning Lab(ディープラーニング・ラボ)
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
Deep Learning Lab(ディープラーニング・ラボ)
「言語」×AI Digital Device
「言語」×AI Digital Device
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Deep Learning Lab(ディープラーニング・ラボ)
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
Deep Learning Lab(ディープラーニング・ラボ)
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Deep Learning Lab(ディープラーニング・ラボ)
More from Deep Learning Lab(ディープラーニング・ラボ)
(20)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
「言語」×AI Digital Device
「言語」×AI Digital Device
深層強化学習と実装例
深層強化学習と実装例
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Recently uploaded
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
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
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
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
【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
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
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
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
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
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
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
Recently uploaded
(14)
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?
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
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)
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
【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)
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...
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
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
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
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
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
外食のマーケティングを進化させる「外食データクラウド」とAIを活用した外食POSデータ「ラベリング技術」の業界を超えた戦略とMLOps活用
1.
外食のマーケティングを進化させる 「外食データクラウド」と AIを活用した外食POSデータ「AIラベリング技術」の 業界を超えた戦略とMLOps活用 株式会社トレタ
2.
会社概要 社名 株式会社トレタ(Toreta,Inc.) 事業内容 飲食店向け予約/ 顧客台帳サービスの開発・販売 設立
2013年7月1日 資本金 15億9996万7千円 (累計調達額61.3億円) 代表者 代表取締役 中村 仁 正社員数 122名(2018年9月1日現在)
3.
トレタの保有する3つのデータ 予約 12000店超の 日々の予約情報 来店/接客 来店時の接客情報 アレルギー/好み 嗜好性情報 POS 顧客毎のオーダー/ 喫食情報
4.
データ/AIを活用した新規ビジネス創造 予約 来店予測 売上予測 仕入れ最適化 シフト最適化 来店/接客 来店捕捉 需要予測 位置情報活用 POS 料飲/喫食リサーチ 商圏/市場分析 顧客分析 広告効果測定
5.
外食データがワークしない要因 • 外食ビッグチェーンの規模は小売の1/10、マーケティング やデータ活用に(ヒトモノカネを)投資する力がない • リサーチ・分析に足るデータを集めるための相対的コスト が高い •
集客メディア依存により自社に顧客データが集まらない • (小売の) JANコードに準ずる規格化コードがなく、購買 データを正規化するコストが高い
6.
メーカーには外食データニーズがある メーカー視点で見ると、小売と外食の出数は五分五分。 小売で進む購買データ(ID-POS)活用を外食でやればイケるのではないか?
7.
購買(POS)データの規格化、AI活用 飲食店の各店舗/チェーン毎に異なるPOSデータを、機械学習/深層学習を 駆使し独自のデータラベリング技術を開発 POS 機械学習 深層学習 ラベル付き POS 「イカのサクサクフリッター」 →「魚介料理」「イカ」「揚げ物」 →ジャンル、食材、調理方法ラベル付与 「レモンハイボール」 →「サントリー」「レモン」「ハイボール」 →メーカー、ブランド、ジャンル 「ファジーネーブル」 →「カクテル」「リキュールベース」 →ジャンル、材料
8.
AzureMLとPowerBIの連携 POSデータ、店舗情報、予約情報を掛け合わせた外食マーケティングツールを開発 この後技術の部分をお話しします
9.
3000円台は肉>豆 腐>米>野菜の順 4000円台は肉>肉 >豆腐>米>パス タ>野菜の順 3000円から4000円に 上げるには、肉とパス タのラインナップを増 やすこと! 飲食店様のフードメニュー売り方検討分析 客単価3,000円台の焼鳥店は肉系>豆腐系>米系の順 4,000円台では肉系>肉系>豆腐系>米系と、肉料理を2つあることで単価が上昇 これによりメニューに「肉系のオススメを2つ作る」ことで客単価UPが狙える
10.
FastText を用いた 自然言語処理による レストランメニュー名ラベル付け
11.
POSデータを活用しよう① ◼ POS は店舗側がカスタマイズしていることを想定 •
必ずしも解析者の望み通りの分類ではない ◼ データサイエンスに活用するためにはラベル付けが必要 • しかし、一つ一つ手動分類では大変
12.
POSデータを活用しよう① ◼ メニュー名をもとに自動でラベル付けする技術
13.
目標 ◼ 各メニューにラベルを付ける • 「どれか1つ」ではなく、複数のラベルを持ち得る 例:
ミートソーススパゲッティ ⇒ 例: かつ丼 ⇒ ◼ 「分類問題」ではなく「マルチラベル問題」 • ニコニコ動画のタグみたいなもの 肉 パスタ 揚げ物肉 米 卵
14.
手順 1. メニューに使われる単語を数値ベクトル化 2. ラベルを付けたいメニュー名を数値ベクトル化 3.
ニューラルネットワークの構築 • 構造 • コスト関数の定義 4. ニューラルネットワークの学習 5. 検証
15.
手順1 単語のベクトル化① ◼ 各単語の使われ方の手本となる日本語の文章を用意する •
この文章をワードコーパスと呼ぶ • ワードコーパスの選び方は重要 例: 生物学的文脈では「キノコ」と「大腸菌」は近い ⇔ 外食産業の文脈では遠い • 食レポ 4.4Gb + レシピ 3.2Gb
16.
手順1 単語のベクトル化② ◼ ワードコーパスを単語ごとに分割(MeCab) •
活用語はすべて原型に変換 ◼ 「文字列の近似値」と「文脈上での近さ」をもとに、各単語を 300次元の数値ベクトルに変換(FastText) ◼ メニュー毎に含まれる単語をベクトルに変換できるようになる
17.
手順2 メニュー名の数値化 ◼ 入力された商品名を単語に分割して、 •
名詞・副詞・動詞のみを抽出 • 「クーポン」「大盛り」など、中身を表さない名詞を除外 例:「チキンの照り焼き定食」⇒「チキン」「照り焼き」「定食」 ◼ 各単語をベクトル化して、ベクトルの総和を商品のベクトルとする 例:「チキンの照り焼き定食」ベクトル =「チキン」ベクトル +「照り焼き」ベクトル +「定食」ベクトル
18.
手順3 NN構築① ◼ ニューラルネットワークで分類 •
入力レイヤー 300次元 メニュー名ベクトルを入力 • 中間層レイヤー 8 レイヤー • 出力レイヤー 肉/米/パスタ/チーズ/豆腐 の 5 次元に対して、 それぞれ 0 (False) /1 (True) の出力をする
19.
手順3 NN構築②
20.
手順3 NN構築③ ◼ ロジスティック回帰
◼ マルチラベルニューラルネット 例えて言えば・・・
21.
手順3 NN構築④ 参考https://qiita.com/koshian2/items/ab5e0c68a257585d7c6f 1つの画像が複数のクラスに属する場合(Multi-label)の画像分類 ◼ 誤差関数 •
Binary cross entropy ◼ n 出力ベクトルの成分 (1~5) ◼ dn は教師データの非説明成分 ( T/F を 1/0 に変換したもの ) ◼ yn は N N の出力値 ◼ 要するに各ラベルにおける対数尤度の総和の -1倍
22.
手順4 学習① ◼ 学習用教師データ •
レシピ情報の材料一覧から自動的にラベル付け 例: レシピ名 「チーズハンバーグ」 材料 パン粉 1カップ ひき肉 300g チーズ 2枚 ⇒ 肉=1,米=0,パスタ=0,チーズ=1,豆腐=0
23.
手順4 学習② ◼ 学習用教師データ •
説明変数 「チーズハンバーグ」ベクトル • 被説明変数 [1, 0, 0, 1, 0] • 50,000 件中 肉 米 パスタ チーズ 豆腐 件数 15,907 5,086 2,011 5,938 2,661
24.
手順5 検証① ◼ いくつかの料理名で実験 •
N N の予測したラベル
25.
手順5 検証② ◼ 分散表現・特徴量抽出
の成功 • 「ハムカツ」「味噌カツ」 ⇒ 肉 • 「マグロカツ」 ⇒ 肉ではない ◼ 「ハムカツ」「味噌カツ」 はワードコーパ スで肉の文脈 ◼ 「カツ」そのものに肉要素はない
26.
手順5 検証③(悪い点) ◼ 米ラベルの不良 •
原因は FastText ではなく N N か 牛丼とご飯のベクトルのcos類似度 は 牛丼と肉のcos類似度 と同程度
27.
手順5 検証④ ◼ 「部分点方式」・・・正しく付けられたラベル数を調べる ◼
「完答方式」 ・・・すべてのラベルを正しく付けられた メニュー数を調べる ◼ 正答率 肉 米 パスタ チーズ 豆腐 完答率 0.83 0.95 0.99 0.93 0.96 0.71
28.
分類にDLを用いてよかった点 ◼ 非線形分類 • 「カツ」はワードコーパス上では「肉」の傍で使われる カツ
⇒ 肉 だが、 マグロ + カツ ⇒ not 肉 ◼ 回転・定数倍への頑強性 • 説明変数ベクトルを単語のベクトルの和にするか平均にする かで迷う必要はない
29.
質問 正答率 ◼ 誤ラベリングの内訳 •
教師データのエラー ・・・ レシピの材料の誤記載 • 名前からは分からないため仕方ないエラー 例:「オムレツ」と言っても肉が入っていたり入っていなかったりするので、 名前 だけでは判別できない • 外国語エラー ・・・ 対応しているのは日本語のみ • 改善可能エラー ・・・ 「できてほしかった」問題
30.
発表者について ◼ 氏名: 佐藤
秋彦 ◼ 経歴: • トレーディングカードショップ勤務 (通販サイト・POS管理・店頭業務など) • 東京大学大学院 総合文化研究科博士課程 中退 ◼ 所属 • 株式会社 トレタ • 株式会社 Monolith Works • 株式会社 すうがくぶんか(企業・社会人向け数学塾)
31.
Azureを活用した データパイプラインと MLOps構築
32.
発表者について 氏名:吉村 広太 所属:株式会社トレタ 株式会社Monolith Works Github:
quetz-design 経歴: 以前は主にWeb・ios/androidアプリ開発中心だっ たが、データ分析に転身後は主に基盤エンジニ アとして活動中 個人でVR開発もやってる何でも屋
33.
今回のプロジェクトにあたっての課題 1. 毎日飲食に関する大量のPOSデータが収集されている • ビールや料理など商品単位に分解すると約10万件程 2.
他社の未活用POSデータもラベリングしていきたい • スケーリングしやすい設計に 3. チームメンバーのスキルがJupyter Notebook/R/BigQuery中心 • 既存スキルを再利用できるように 4. 精度向上のための定期的な評価・改善の仕組み作り • なるべく簡単にモデルの更新ができるように
34.
モデルの継続的な評価と改善の課題 • 開発初期はスピード優先のため、ロジック開発者が自分の好きな環境で作 成したモデルをコピーして使用していた。 • 学習やバージョン管理に手間がかかり、開発サイクルの障害に •
ラベル種別の増加に伴い、より多くのモデルが必要になった • チームで作業する時、開発環境や知見の共有が大変 • API型の推論サーバーを早く提供したい、というビジネス側の要望に開発 エンジニアのリソースを割り当てられなかった
35.
現在のアーキテクチャ Azure Data Factory その他協力会社 連携データ Data Warehouse
Power Bi ダッシュボード・アプリ BI活用Users Azure databricks POSデータ レストラン マスタ 予約データ カスタマー マスタ MySQL 未活用のPOS データ POSデータ を活用したいUsers APIサーバー POSデータ ラベリング処理済みデータ 元データ 連携 ラベリング処理 パイプライン管理 MLロジック開発 モデルデプロイ 機械学習エンジニア Azure Azure Machine Learning
36.
ワークフローはData Factory • GCPからの取り込みやバッチ起動などのワークフロー制御はData
Factoryに全部任 せられたので実装の手間がだいぶ削減できた • 必要なコネクタはあらかじめ用意されていたのでGUIで組み合わせるだけ • 複雑な処理が必要ならdatabricksで柔軟なETLが可能
37.
ラベリング処理・分析はdatabricks • ロジック開発がJupyter Notebookだったので移植は容易だった •
ただしPandasのdataframeだと分散処理ができないので、sparkを理解しているエンジニ アが実装時にpysparkで書き直す必要があった。 • 処理済みデータをData Warehouseに格納したがsql serverの学習コストがかかるため databricksのdbに格納してspark SQLで分析を行ってもらっている
38.
リソースやモデルの管理はAzureML • コマンドラインで簡単にクラウドリソースで開発 できるため、サイクルがより短くなった • VMでNotebookも動かせるので経験の浅いメンバーも導入 しやすい •
開発・学習環境をコードで管理できるので、チー ム内の環境整備が楽に • バージョン管理で最新版が把握しやすく • モデルをそのままデプロイできる仕組みがあるの で、リソースコストなく実装できた • 現在検証中
39.
全体的な感想と今後の課題について • 基盤の視点から見れば概ね満足 • 実装コストや安定性には大変満足している •
別件でCloud Composerでわちゃわちゃしてるのを見ると少し悲しい • GCP詳しい人がいたら是非! • ラベリングの対応範囲の拡大していきたい • API型サービスも本番提供の準備を進めていく
40.
AIラベリング技術の 業界を超えた活用
41.
POS活用領域に横展開するAIラベリング技術 外食 Product Algorithm Data 中食 内食 小売
流通 金融 … POSデータが絡む領域においてアルゴリズムで領域展開して行く戦略 すでに他領域のPOSデータホルダーと連携を推進中
42.
POS活用領域に横展開するAIラベリング技術 エンジニア募集中 協業パートナー募集中(POS会社、リサーチ会社、マーケ会社) AIラベリング、BIツール(外食データクラウド)利用者募集中
43.
ありがとうございました
44.
アンケートへのご協力お願いします。 http://bit.ly/2oSiMiO 外食のマーケティングを進化させる「外 食データクラウド」とAIを活用した外食 POSデータ「ラベリング技術」の業界を 超えた戦略とMLOps活用
Download now