CDLEハッカソン2022参加報告.pdf
•
0 likes•21 views
5/12に開催された「CDLE DAY」に登壇致しました。 今回は、昨年開催れたCDLE HACKATHON 2022へ参加報告をお話させていただきました。
Recommended
More Related Content
Similar to CDLEハッカソン2022参加報告.pdf
Similar to CDLEハッカソン2022参加報告.pdf (20)
Recently uploaded
Recently uploaded (9)
CDLEハッカソン2022参加報告.pdf
- 1. CDLE HACKATHON 2022への参加報告 CDLE DAY in AI EXPO 2023春 2023.05.12 1
- 2. 自己紹介 株式会社 地層科学研究所 地質・計測チーム／ソフトウェアエンジニア／AIエンジニア 岩永 昇二 Shoji Iwanaga ■ 開発ソフト＆実績 • 「Fautap」断層シール能力評価システム(2000～2003)：石油公団出向時 • 「Geo-Graphia」地下情報の３次元統合可視化ソフトウェア(2006～2023) • グラフィクスアワード最優秀賞受賞（25回計算工学講演会） • 2020年度技術賞受賞（日本計算工学会） • 「エルコン」特別賞受賞 ■ ドメイン知識 • 逆問題（逆解析）、地球統計学、3次元可視化、AI／データサイエンスなど ■ 資格等 • AI-100,DP-100, AI-900, AZ-900, DP-900, SC-900, etc..(Microsoft Certified) • Cloud Practitioner(AWS Certified ) • ジェネラリスト(G)検定/エンジニア(E)資格(⽇本ディープラーニング協会 ) • データサイエンティスト検定 リテラシーレベル 2022 • etc.. ◼ その他 • DCON2023テクニカルアドバイザー 2
- 3. アジェンダ 1. CDLE HACKATHON 2. 参加者情報 3. ハッカソンの進め方 4. 所属チームの発表内容 5. まとめ 3
- 5. 概要 ◼ G検定/E資格合格者（CDLEメンバー）のみが参加できるハッカ ソンイベント ◼ 資格保有者のスキルアップ・実践の場、資格保有者同士または企 業・研究機関とのコミュニケーションの場の提供により、さらな る技術向上及び活躍に貢献することを目的に開催 ◼ 応募者から30名選出されたその中から5～6名を１チームを選定 し、チーム対抗にてハッカソンを開催 ◼ キックオフ、最終審査会はリアルイベントを予定 ◼ 2019年から過去４回開催 5
- 6. CDLEハッカソンの特長 ◼ 一般公募によるデータ提供会社の参画を受け、その事業データ を活用 ◼ JDLA会員企業によるAI技術指導などのメンタリング（1チームに つき1名以上のメンター） ◼ JDLA有識者（大学教授など）、会員企業による技術審査 6
- 7. THEME（テーマ） 「デジタル・データを活用してウェルビーイングな都 市を実現するサービスソリューションの開発」 ◼ 目指す街の姿例 • 安全・安心なまちづくり • ワーカーのサステナブルな働き方 • 健康・快適・便利を実現する街 • オープンイノベーションで情報交流できる街 • 多様なコミュニケーションが生まれる街 7
- 8. 大会審査基準 ① 産業・社会的なインパクト 誰の何の問題を解いているのかが明確で、その影響度が十分に大きいこ と ② 独自性 アイデアや実装方法、データへのアプローチがユニークであること ③ 技術力 提示されたデータに対して適切な分析手法が選択および実装が行われて いること ④ シナジー創出 データを組み合わせてシナジーが創出されていること 8
- 9. 2. 参加者情報 9
- 10. 参加者情報 ◼ 地域: 関東エリアを中心に ◼ 年齢層: 20代から50代まで ◼ 性別比率: 男性9、女性1（おおよそ） ◼ 職業比率: 社会人8、学生2 （おおよそ） 10
- 11. 3.ハッカソンの進め方 11
- 12. ハッカソンの進め方 ◼ キックオフから最終審査会までおおよそ2か月 • キックオフ当日（第1週目） • キックオフ～1か月（第2週目～第4週目） • 1か月～1か月半（第5週目～第6週目） • 1か月半～最終報告会（第7週目～第８週目） 12
- 13. キックオフ当日（第1週目） ◼ チームメンバとの自己紹介と役割分担 ◼ アイデア出しとブレーンストーミングセッション ◼ プロジェクトのコンセプトの決定 ◼ タスク分解とプロジェクト管理ツールの設定 13 役割 人数 ストーリー作成 2 サービス設計 2 モデル構築 2
- 14. キックオフ～1か月（第2週目～第4週目） ◼ 週次ミーティングで進捗報告と課題共有 • 毎週月曜18時から2時間ぐらい ◼ 開発環境の構築 ◼ プロジェクトの機能の開発開始 ◼ 必要に応じて仕様の見直し 14
- 15. 1か月～1か月半（第5週目～第6週目） ◼ 週次ミーティングで進捗報告と課題共有 ◼ ビジネスモデルのモックアップの作成 ◼ パフォーマンスチューニング ◼ ドキュメントの作成 15
- 16. 1か月半～最終審査会（第7週目～第8週目） ◼ 週次ミーティングで進捗報告と課題共有 ◼ ドキュメントの作成 • プレゼンテーション資料の作成 • 想定FAQの作成 • サービス動画の作成 ◼ プレゼンテーションのリハーサル • 4～5回行いフィードバックにより修正 ◼ 最終プレゼンテーション ◼ チームとの振り返りと感想共有 16
- 17. 4. 所属チームの発表内容 17
- 18. 出場チームと成果物一覧 18 チーム名 成果物 メンター 説明 ワクワクシティ創造隊 TRANS HOME ABEJA GEOTRAの人流データと、オープンデータの駅周辺 の幸福度・事故発生率・犯罪発生率を活かし、ユーザ ーに最適な物件をレコメンド 三原組 大工娘（だいくむすめ） GAUSS 動画から人物判別まで行い建設現場のヒヤリハットレ ポートを自動記録と、ヒヤリハットを現場に浸透させる アイデアとしてゲーム化 丸の家TRIP 丸の家TRIP HEROZ ユーザーを身体的・精神的・社会的に良好な状態にす るため、ユーザの「関心、目的、属性、時間帯」に対応 した行先をレコメンド コクーンチーム HiraHira モルフォ ユーザーに対しておすすめのスポットをアプリがレコメ ンドする機能と、他のユーザのおすすめスポットを共 有する機能を持つアプリ Slam-Dunkers!! ソロブレイカー 調和技研 ユーザが生命の危機的状況となった際に画像認識で 判別し、他のユーザに救助を依頼する機能と、ユーザ の能力に合わせた副業をレコメンドする機能で、ユー ザの孤独・孤立を防ぐアプリ
- 20. 0. はじめに 20 「持ち家」だと、ライフステージに合わせた住み替えが大変 子育て 子供独立後 高齢世代 ライフイベントやライフステージによって住みやすい都市・家は変わる 転勤/転職 持ち家を住み替えるのは大変 1 時間 2 お金 3 新居の不安
- 21. 0. はじめに 21 「持ち家」と「賃貸」の2択に、第3の選択肢を提供します 持ち家 賃貸 持ち家の住み替え
- 23. 23 解決すべき課題 1
- 24. 1. 解決すべき課題 価値観やライフステージに合わせて都市・家を住み替える選択肢を持てる ことが個人のウェルビーイングを向上させる 24 現状認識 多様化した価値観やライフステージ に応じた住み心地のよい都市・家を 住民全体に提供するのは困難 ⚫ 個人の価値観やライフスタイルが多様化 ⚫ 個人・家族のライフステージに応じて 住み心地のよい都市・家は変化する ⚫ 人口減少社会で住民全体に心地よい 都市を全国的に開発するのは難しい 目指す姿 個人・家族が価値観やライフステージ に合わせて住む都市・家を選択する ⚫ 個人・家族は、自分のニーズに合わせて 手軽に住み替えできる選択肢を持てる ⚫ 都市は、個人・家族から選ばれる特色の ある街づくりを行う
- 25. 持ち家のデメリット例：通勤 1. 解決すべき課題 個人のウェルビーイングを向上させる「賃貸の気軽な住み替え」 と「持ち家 の安心感」の両方のメリットを取れる選択肢がない 25 選択肢 メリット デメリット ✓ 住み替えが気軽にできる ✓ 初期費用が少ない ✓ 自分の資産にならない ✓ 老後は賃貸契約を断られることも ✓ 自分の資産になる安心感 ✓ 老後の住居負担が少ない ✓ 簡単に住み替えできない ✓ ライフステージに柔軟に対応できない ミス マッチ 1,906万戸* (36%) 3,280万戸* (61%) *平成30年住宅土地統計調査（総務省統計局） 賃貸 持ち家 都内に家を買ったが 転勤で郊外に出勤 しないといけない 郊外に家を買ったが 本社勤務で都内に出勤 しないといけない 子供がいて郊外で 広い家に住みたい 子供が巣立って 狭くても便利な 都内に住みたい
- 27. 27 2. ソリューションサービスの概要 TRANS HOMEは、家の住み替えのマッチングアプリです ターゲット 持ち家に不満を持っている個人・家族 ターゲットの課題 持ち家があることで生活環境の変化に対応できない ソリューション 生活環境の変化に対応できていない人同士の 住み替え希望をマッチングさせる ソリューション 概要 ✓ お互いの希望条件に合う家に住み替える ✓ 持ち家の所有権は移転せず期間限定で住み替え ✓ お互いの希望が合えば住み替え後に交換（売買） することも可能 64万戸～ 652万戸* *：算定過程はAPPENDIX参照
- 30. 30 ユーザーID 比較ユーザーID 通勤時間 比率 物件平米数 比率 最寄り駅幸福度 比率 安全安心度 比率 比較ユーザー 希望条件マッチ A B 0.5 1.5 0.75 1.2 True A C 1.2 1.2 1.2 1.2 False B A 0.3 0.66 1.33 0.83 True マッチングテーブル 3. モデル・利用データの概要 「最寄り駅幸福度比率」と「安全安心度比率」に 人流データとオープンデータを活用したAIモデルを採用した Marunouchi(移動データ) 1910_weekday_trips.csv 1910_weekend_trips.csv 2110_weekday_trips.csv 2110_weekend_trips.csv GEOTRA オープンデータ 交通事故発生数 口総数 A÷B 935% 2009年(A) 2010年(B) 1 千代田区（東京都） 2.90% 100% 1,367 47,115 2 飛島村（愛知県） 2.21% 100% 100 4,525 3 名古屋市中区（愛知県） 2.14% 99% 1,676 78,353 4 大阪市中央区（大阪府） 2.12% 99% 1,670 78,687 5 久御山町（京都府） 2.12% 99% 337 15,914 6 檜原村（東京都） 1.92% 99% 49 2,558 7 昭和町（山梨県） 1.73% 99% 305 17,653 8 嘉島町（熊本県） 1.65% 98% 143 8,676 9 宇多津町（香川県） 1.58% 98% 292 18,434 10 福岡市博多区（福岡県） 1.50% 98% 3,188 212,527 11 上北山村（奈良県） 1.46% 98% 10 683 12 坂出市（香川県） 1.41% 98% 782 55,621 13 浜松市中区（静岡県） 1.37% 98% 3,273 238,477 14 浜松市東区（静岡県） 1.37% 97% 1,730 126,609 15 丸亀市（香川県） 1.35% 97% 1,493 110,473 16 粕屋町（福岡県） 1.34% 97% 563 41,997 17 高松市（香川県） 1.30% 97% 5,462 419,429 18 佐賀市（佐賀県） 1.30% 97% 3,088 237,506 19 大町町（佐賀県） 1.29% 97% 95 7,369 20 福岡市中央区（福岡県） 1.26% 97% 2,255 178,429 交通事故発生率 順位 自治体名 刑法犯認知数 人口総数 A÷B 1884% 2009年(A) 2010年(B) 1 大阪市中央区（大阪府） 10.76% 100% 8,467 78,687 2 千代田区（東京都） 9.08% 99% 4,277 47,115 3 名古屋市中区（愛知県） 7.80% 99% 6,108 78,353 4 大阪市北区（大阪府） 6.76% 99% 7,468 110,392 5 大阪市浪速区（大阪府） 5.65% 98% 3,490 61,745 6 飛島村（愛知県） 4.84% 98% 219 4,525 7 福生市（東京都） 4.60% 98% 2,750 59,796 8 神戸市中央区（兵庫県） 4.51% 97% 5,703 126,393 9 栄村（長野県） 4.15% 97% 92 2,215 10 名古屋市中村区（愛知県） 3.82% 97% 5,203 136,164 11 渋谷区（東京都） 3.56% 97% 7,279 204,492 12 京都市下京区（京都府） 3.55% 97% 2,818 79,287 13 大阪市天王寺区（大阪府） 3.41% 96% 2,379 69,775 14 名古屋市東区（愛知県） 3.37% 96% 2,472 73,272 15 新宿区（東京都） 3.32% 96% 10,830 326,309 16 日吉津村（鳥取県） 3.29% 96% 110 3,339 17 大阪市西成区（大阪府） 3.15% 96% 3,842 121,972 18 台東区（東京都） 3.04% 95% 5,356 175,928 19 久御山町（京都府） 3.03% 95% 482 15,914 20 名古屋市港区（愛知県） 2.98% 95% 4,445 149,215 犯罪発生率 順位 自治体名
- 31. 幸福度ランキングに掲載の 駅（484駅）周辺を出発地 とする移動データの個数を ヒートマップで可視化 駅ごとのヒートマップ画像（4枚） を入力として、幸福度を予測する モデルを構築 31 3. モデル・利用データの概要 ～最寄り駅幸福度予測モデル（全体概要） 駅周辺を出発地とする移動のヒートマップ画像をもとに幸福度を予測 Marunouchi(移動データ) 1910_weekday_trips.csv 1910_weekend_trips.csv 2110_weekday_trips.csv 2110_weekend_trips.csv GEOTRA Y 幸福度： 68.3 街の幸福度 駅ランキング Marunouchi(agentデータ) 1910_weekday_agents.csv 1910_weekend_agents.csv 2110_weekday_agents.csv 2110_weekend_agents.csv 移動データ 駅データ 幸福度データ 南船橋駅 南船橋駅 南船橋駅 南船橋駅 南浦和駅 21週末 21平日 19平日 19平日 484駅 X 学習 VGG16改 agentごとに最寄り駅周辺 ヒートマップ画像作成 ランキングに無い駅についても 駅周辺の移動データのヒートマッ プ画像から幸福度を予測 agentデータ 駅の緯度・経度 駅データ agent id:756476 最寄り駅ヒートマップ 756476 駅データ 学習済み モデル 予測 幸福度：70.8 31
- 32. 3. モデル・利用データの概要 ～安全・安心予測モデル（全体概要） ヒートマップ画像をもとに交通事故発生数or犯罪発生数を予測 agentごとに自宅周辺 ヒートマップ画像作成 ランキングと地理情報 交通事故発生数 口総数 A÷B 935% 2009年(A) 2010年(B) 1 千代田区（東京都） 2.90% 100% 1,367 47,115 2 飛島村（愛知県） 2.21% 100% 100 4,525 3 名古屋市中区（愛知県） 2.14% 99% 1,676 78,353 4 大阪市中央区（大阪府） 2.12% 99% 1,670 78,687 5 久御山町（京都府） 2.12% 99% 337 15,914 6 檜原村（東京都） 1.92% 99% 49 2,558 7 昭和町（山梨県） 1.73% 99% 305 17,653 8 嘉島町（熊本県） 1.65% 98% 143 8,676 9 宇多津町（香川県） 1.58% 98% 292 18,434 10 福岡市博多区（福岡県） 1.50% 98% 3,188 212,527 11 上北山村（奈良県） 1.46% 98% 10 683 12 坂出市（香川県） 1.41% 98% 782 55,621 13 浜松市中区（静岡県） 1.37% 98% 3,273 238,477 14 浜松市東区（静岡県） 1.37% 97% 1,730 126,609 15 丸亀市（香川県） 1.35% 97% 1,493 110,473 16 粕屋町（福岡県） 1.34% 97% 563 41,997 17 高松市（香川県） 1.30% 97% 5,462 419,429 18 佐賀市（佐賀県） 1.30% 97% 3,088 237,506 19 大町町（佐賀県） 1.29% 97% 95 7,369 20 福岡市中央区（福岡県） 1.26% 97% 2,255 178,429 交通事故発生率 順位 自治体名 刑法犯認知数 人口総数 A÷B 1884% 2009年(A) 2010年(B) 1 大阪市中央区（大阪府） 10.76% 100% 8,467 78,687 2 千代田区（東京都） 9.08% 99% 4,277 47,115 3 名古屋市中区（愛知県） 7.80% 99% 6,108 78,353 4 大阪市北区（大阪府） 6.76% 99% 7,468 110,392 5 大阪市浪速区（大阪府） 5.65% 98% 3,490 61,745 6 飛島村（愛知県） 4.84% 98% 219 4,525 7 福生市（東京都） 4.60% 98% 2,750 59,796 8 神戸市中央区（兵庫県） 4.51% 97% 5,703 126,393 9 栄村（長野県） 4.15% 97% 92 2,215 10 名古屋市中村区（愛知県） 3.82% 97% 5,203 136,164 11 渋谷区（東京都） 3.56% 97% 7,279 204,492 12 京都市下京区（京都府） 3.55% 97% 2,818 79,287 13 大阪市天王寺区（大阪府） 3.41% 96% 2,379 69,775 14 名古屋市東区（愛知県） 3.37% 96% 2,472 73,272 15 新宿区（東京都） 3.32% 96% 10,830 326,309 16 日吉津村（鳥取県） 3.29% 96% 110 3,339 17 大阪市西成区（大阪府） 3.15% 96% 3,842 121,972 18 台東区（東京都） 3.04% 95% 5,356 175,928 19 久御山町（京都府） 3.03% 95% 482 15,914 20 名古屋市港区（愛知県） 2.98% 95% 4,445 149,215 犯罪発生率 順位 自治体名 • エージェント (agents) • 路線データ (Links) • OD情報 (trips) • 移動履歴 (routes) GEOTRA 位置データ 緯度・経度 agent id:756476 自宅周辺のヒートマップを作成 学習 CNNモデル 予測 学習済み モデル Y X 756476 行動履歴 データ ランキング データ他 agentsデータ 全体マップから 画像切り出し 発生数 市区町村の領域を面積から青枠 を指定し、その内部の行動履歴 の密度分布を作成 ４期のデータを入力す るモデルを作成 32
- 33. 33 今後の展開 4
- 36. 5. まとめ 36
- 37. 最優秀賞を受賞 37
- 38. まとめ① ◼ チームワークの重要性: ハッカソンでは、チームで協力してプ ロジェクトを進めるため、良好なコミ ュニケーションと協力が重要であるこ とがわかりました。 ◼ タイムマネジメント: 限られた時間内でプロジェクトを完成 させるため、効率的なタイムマネジメ ントが大切であることが学びました。 ◼ 継続的な学習: ハッカソンでは、新しい技術やツール を使う機会が多く、継続的な学習が求 められました。 ◼ アイデアのブレインストーミング: クリエイティブなアイデアを出すこと で、プロジェクトの質が向上し、競争 力が高まることがわかりました。 ◼ プレゼンテーション力: プロジェクトの成果を効果的に伝える ためには、プレゼンテーション力が重 要であることが学びました。 38
- 39. まとめ② ◼ プロトタイピング: 短期間でアイデアを具現化し、デザイ ンや機能を試すことが重要であること がわかりました。 ◼ フィードバックの活用: 他の参加者やメンターからのフィード バックを活用し、プロジェクトの改善 に役立てることが大切であることが学 びました。 ◼ ネットワーキング: ハッカソンは、同じ興味やスキルを持 つ人々と出会い、人脈を広げる絶好の 機会であることが感じました。 ◼ 柔軟性: 技術的な問題やスケジュールの変更な ど、ハッカソンでは予期せぬ状況に適 応することが求められました。 ◼ 達成感と自信: ハッカソンでプロジェクトを完成させ たことで、達成感を味わい、自分のス キルや能力に自信を持つことができま した。 39