営業現場で困らないためのディープラーニング

© 2016 Data Artist inc. All Rights reserved
Data Artist
営業現場で困らないためのディープラーニング
データアーティスト株式会社
※Deep Dreemで生成しています。

2
自己紹介：こんにちは、山本覚と申します！

3
バックグラウンド
物理⇒人工知能⇒経営
理系文系
↑
ディープラーニングの第一人者松尾豊先生の
一番最初の博士学生として勉強をしました。

4
企業理念
論理をシステム化し
ひらめきに集中する

5
LPOツール売上 No. 1
4年連続(2011年～2014年)
※ミック経済研究所調べ、ITR調べ
45 5

6
①ディープラーニングとは？
②社内でディープラーニングを使うためには？
③東京大学とほんのり協力しながら行っている
最新のアドテク周りの研究内容

7
ディープラーニングとは？？
※大学の先生方に一応確認していただき、『まぁ、大体こんな感じ』というコメントを頂いております。

8
Deep Learningとは？
50年に一回のAIの革新的技術らしい

9
いろんなところがお金を出している

10
画像認識の大会で圧勝したらしい

11
これで有名になりました

12
今回のプレゼンの一つのコンセプト
ディープラーニングを
都市伝説化しない！！

13
ディープラーニングは脳神経のネットワーク(Neural Network)を模したもの
①電気が溜まる。
溜まりすぎると吐
き出す。(発火)
③隣からもらった
電気が溜まる。
②発火して出た電
気が隣に行く。
④隣会う細胞が近いタイミングで発火すると、間
の軸が太くなる。
↓
電気が流れやすい道が出来る。
細胞
脳の機構を模倣することで予測が出来るようになる

14
1番簡単な例：二つのニューロンだけがつながっている
性別身長
身長
身長だけから
性別を予測する
ちょい混ざる

15
ちょっと工夫する：考慮する情報を増やす
性別
身長
体重
身長
体重
身長と体重から
性別を予測する
分けれた！！

16
まっすぐな1本の線だけで分けれない時が有る
満足度
年収
仕事時間
年収
仕事時間
年収と仕事時間から
満足度を予測する
分けれない。

17
満足度
年収
仕事時間
年収
仕事時間
こっちも
分けれない。
年収と仕事時間から
満足度を予測する

18
学習機を二つくっつけて深く考えよう！
満足度②
年収
仕事時間
年収
仕事時間
満足度①
年収
仕事時間
満足
不満
不満
満足
満足：2
満足：1,不満:1
満足：1,不満:1
満足度
分けれた！

19
入力の情報をまとめてきれいに書き直す
満足度②
年収
仕事時間
満足度①
年収
仕事
時間
満足
不満
不満
満足
満足：2
満足：1,不満:1
満足：1,不満:1
満足度

20
ここまでのまとめ
考慮する
範囲が増える
より複雑な状況に対応する
＝深くする

21
もっと広く、深くしてみる
考慮する
範囲が増える
より複雑な状況に対応する
＝深くする

22
広く複雑に考えることで、
難しいことが解決できそう？！

23
広く複雑に考えることで、
難しいことが解決できそう？！
テンパる！！

24
組織の構造になぞらえて考えてみる
社長
役員
部長
課長
あの会社、
株価上がる？

25
社長
役員
部長
課長
あの会社、
株価上がる？
上がり
ます！
上がり
ます！
下がり
ます！

26
社長
役員
部長
課長
上がった！！

27
社長
役員
部長
課長
仲良くしとこ

28
社長
役員
部長
課長
『仲良くしとこ』
の連鎖

29
社長
役員
部長
課長
組織が大きく、報告網が複雑だと
経営に寄与した発言をした
人が良くわからなくなる
？？

30
報告網を一から全部
作るのはちょっと厳しいです

31
大きい会社は大きなことが
出来そうだが
実際は回らないのか？！

32
段階的な組織構築を
ボトムアップに行い
報告網をシンプルに！

33
社長
役員
部長
課長
システム開発部：
開発進捗どう？
サーバー課：
インフラ負荷
問題ありません！
UI課：
メイングラフ
出来ました！
テレアポ課：
アポ率45%です！

34
社長
役員
部長
課長
システム開発部：
開発進捗どう？
サーバー課：
インフラ負荷
問題ありません！
UI課：
メイングラフ
出来ました！
テレアポ課：
アポ率45%です！
来週から
報告してくれなくて
平気だよ！！

35
階層ごとに自然とシンプルになった報告網
社長
役員
部長
課長

36
社長
役員
部長
課長
段階的な組織構築を
ボトムアップに行い
報告網をシンプルにすれば
大きい会社でも回る！！
(2006年 Geoffrey Hinton)

37
社長
役員
部長
課長
現場の
個別の
状況を
把握
より俯瞰的な状況把握
最終
意思決定

38
画像でも同じこと
現場の個別の
状況を把握
最終
意思決定
より俯瞰的な状況把握

39
ディープラーニングの何がブレークスルーなのか？
画像認識領域を中心に、
データの特徴を機械が自動で生成した。
生データ特徴抽出
●従来の人工知能
●ディープラーニング
ネコの顔
斜め線
学習
特徴抽出~学習生データ
テスト
：ネコ！
：イヌ！
テスト
：ネコ！
：イヌ！
職人芸になり属人的でスケールしないし、精度も低い。
人工知能史上最大の
ブレークスルー

40
ディープラーニングを社内で使うためには？

41
分析の流れ
ランダムにサンプリングした
一部のデータで訓練を行う。
答え
合わせ
学習予測
説明変数
残りのデータで説明変数のみを、訓練で構築したモデルに
与え、結果を予測する。予測結果と正解を比較する。
20%
説明変数
80%
イヌ
サル
キジ
予測だけならすごくシンプル

42
ディープラーニングを実施する際の壁
先入観
・まず数学的な部分を理解しないといけない
・ビッグデータじゃないといけない
・自分で実装しないといけない
実際
初めてExcelをさわりvlookupを
覚えるよりハードルが低い気がする。

43
どんな環境が必要？
http://tjo.hatenablog.com/entry/2014/10/23/230847
・R：統計に特化した言語
・H2O：ディープラーニングパッケージ
があればすぐ出来ます！！

44
データの準備
属性1 属性2 属性3 属性4 ラベル
15 5 7 7 ○
4 2 20 4 ×
8 1 3 9 ○
13 6 9 3 ×
属性1 属性2 属性3 属性4
10 9 7 6
5 6 1 4
7 6 2 3
5 4 4 9
学習用データ
予測対象データ

45
Rの書き方
ここにズンドコ書いて行く

46
書いてみよう！
library(h2o);
localH2O = h2o.init();
パッケージを読み込む

47
library(h2o);
train.data =
as.h2o(read.csv(“フォルダ/data1.csv”));
test.data =
データを読み込む

48
library(h2o);
train.data =
test.data =
dl = h2o.deeplearning(x = 1:4, y = 5,
training_frame = train.data);
pred = h2o.predict(dl, test.hex);
学習を行う

49
library(h2o);
train.data =
test.data =
予測する

50
基本この流れで出来ます。
※保険ソクラテス様より画像の引用

51
library(h2o);
train.data =
test.data =
実質、学習はここだけ

52
training_frame = train.data,
hidden = c(8,8,8));
層の数など細かく設定可能

53
後は用途に応じ、
カスタマイズしてください。
※保険ソクラテス様より画像の引用

54
social barber：Rだけでもかなりのことが出来る

55
分析の流れ

56
エゴグラムで性格に関するデータを取得
東京大学心療内科TEGⅡで5つの自我状態を分析

57
なかではこんな感じで学習している
… …
【文脈を意識せずを学ぶ】
非常、疑惑とか言ってる。厳
しい人かも。
【文脈を意識してを学ぶ】
後輩の誕生日の時にいつもお
めでとうって言っている人
だ！！
普段つかう言葉を入力
として予測。
養育的親：16点！！
ニューロン
ではよろしく、後輩、誕生、仲間、けんか、感謝、どうぞ、あざーす、おい
で、おめでとう、まだまだ、まさに、ヘアスタイル、増やす、疑惑、イェーイ、
申し訳ありません、まず、負ける、びっくり、集まる、助かる、約束、アドバ
イス、お勧め、レッツ、ぜひ、おー、ごめんなさい、身体、面倒、どうにか、
非常、ケーキ、菓子、すっかり、販売・・・
予測精度は公開
できませんm(＿＿)m

58
東京大学とほんのり協力しながら行っている最新のアドテク周りの研究内容

59
これまでDLPOで行ってきたこと
A
B
C
ユーザー行動から嗜好性を
特定しターゲティング

60
これまでDLPOで行ってきたこと：ステップ①
A
B
C
人力でのターゲティング

61
これまでDLPOで行ってきたこと：ステップ①
行動ターゲティングはしないよりはした方が良い
0.70%
4.70%
0% 1% 1% 2% 2% 3% 3% 4% 4% 5% 5%
全体の割合
人力でのセグメント設定
CVユーザーの特定精度(F値)

62
これまでDLPOで行ってきたこと：ステップ②
A
B
C
従来の機械学習を用いた
ターゲティング

63
これまでDLPOで行ってきたこと：ステップ②
機械学習で人間を超えるターゲティング精度
0.70%
4.70%
13.20%
0% 2% 4% 6% 8% 10% 12% 14%
全体の割合
従来の機械学習

64
これまでDLPOで行ってきたこと：ステップ③
A
B
C
ディープラーニングを用いた
ターゲティング

65
これまでDLPOで行ってきたこと：ステップ③
ディープラーニングでさらに精度向上
0.70%
4.70%
13.20%
20.20%
0% 5% 10% 15% 20% 25%
全体の割合
ディープラーニング

66
課題
人間ならば抽象化して同じとみなすこと、
行動データからだけでは機会は学習できない。
リコピン→トマトと認識できない。

68
LINELearge-scale Information Network Embedding
※あのアプリは関係ありません。

69
これまでDLPOで行ってきたこと：ステップ④
A
B
C
LINE：
160万語
一般常識を事前に学習させた

70
これまでDLPOで行ってきたこと：ステップ④
0.70%
4.70%
13.20%
20.20%
29.60%
0% 5% 10% 15% 20% 25% 30% 35%
全体の割合
ディープラーニング
常識の事前学習＋ディープラーニング
事前に常識を学習させることでさらに精度向上！

71

72
Deep Wide Learning
深層広域学習
※弊社が考えた言葉ですので公式ではありません。

営業現場で困らないためのディープラーニング

More Related Content

What's hot

Similar to 営業現場で困らないためのディープラーニング

More from Satoru Yamamoto

営業現場で困らないためのディープラーニング