Submit Search
Upload
Syumai lt_mokumoku__20200807_ota
•
0 likes
•
335 views
博三 太田
Follow
「AIの問題設定の利活用を考える~強化学習と数理最適化を例にして~」
Read less
Read more
Technology
Report
Share
Report
Share
1 of 40
Download now
Download to read offline
Recommended
Seattle consultion 20200822
Seattle consultion 20200822
博三 太田
LT_hannari python45th_20220121_2355
LT_hannari python45th_20220121_2355
博三 太田
Lt syumai moku_mokukai_20200613
Lt syumai moku_mokukai_20200613
博三 太田
Online python data_analysis19th_20200516
Online python data_analysis19th_20200516
博三 太田
学生とシビックテック
学生とシビックテック
Ismail Arai
UDC2016キックオフ 新拠点紹介 京都
UDC2016キックオフ 新拠点紹介 京都
CSISi
UDC2016キックオフ 新拠点紹介 岐阜
UDC2016キックオフ 新拠点紹介 岐阜
CSISi
Open 20170325civictechforum
Open 20170325civictechforum
Yumiko Hatanaka
Recommended
Seattle consultion 20200822
Seattle consultion 20200822
博三 太田
LT_hannari python45th_20220121_2355
LT_hannari python45th_20220121_2355
博三 太田
Lt syumai moku_mokukai_20200613
Lt syumai moku_mokukai_20200613
博三 太田
Online python data_analysis19th_20200516
Online python data_analysis19th_20200516
博三 太田
学生とシビックテック
学生とシビックテック
Ismail Arai
UDC2016キックオフ 新拠点紹介 京都
UDC2016キックオフ 新拠点紹介 京都
CSISi
UDC2016キックオフ 新拠点紹介 岐阜
UDC2016キックオフ 新拠点紹介 岐阜
CSISi
Open 20170325civictechforum
Open 20170325civictechforum
Yumiko Hatanaka
UDC2016中間シンポジウム-intro
UDC2016中間シンポジウム-intro
CSISi
01 koukai-20170310-muraoka-hat-presen-okp
01 koukai-20170310-muraoka-hat-presen-okp
Yumiko Hatanaka
Code for Nara 活動紹介(2017/2/26)
Code for Nara 活動紹介(2017/2/26)
康司 石塚
【UDC2015】ソリューション 096 BODIKODCS
【UDC2015】ソリューション 096 BODIKODCS
CSISi
オープンデータ概要紹介
オープンデータ概要紹介
Ismail Arai
UDC2016中間シンポジウム_オープンガバメント推進協議会
UDC2016中間シンポジウム_オープンガバメント推進協議会
CSISi
udc2016 intro
udc2016 intro
CSISi
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
Code for Japan
アーバンデータチャレンジ2016開催に向けて
アーバンデータチャレンジ2016開催に向けて
CSISi
【UDC2016】アプリ014 かわさきアプリ
【UDC2016】アプリ014 かわさきアプリ
CSISi
UDC2017_中間シンポジウム_開会挨拶
UDC2017_中間シンポジウム_開会挨拶
CSISi
Udc2016キックオフイベント富山ブロック
Udc2016キックオフイベント富山ブロック
Tomoko Yago
01 udc2017趣旨説明
01 udc2017趣旨説明
CSISi
裾野市におけるデータ利活用の取組み
裾野市におけるデータ利活用の取組み
Hiroyuki Ichikawa
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
E2D3.org
【UDC2016】アクティビティ163 オープンマップ山口市
【UDC2016】アクティビティ163 オープンマップ山口市
CSISi
Lod 2016 s2129_20170113
Lod 2016 s2129_20170113
Yoshiaki_Takabe
Udc 2016 no113_スライド_20170127
Udc 2016 no113_スライド_20170127
Yoshiaki_Takabe
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
青い森ウェブ工房(福田匡彦)
UDCaichi2016 kickoff 20160715 report
UDCaichi2016 kickoff 20160715 report
Nobuo Kawaguchi
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
More Related Content
What's hot
UDC2016中間シンポジウム-intro
UDC2016中間シンポジウム-intro
CSISi
01 koukai-20170310-muraoka-hat-presen-okp
01 koukai-20170310-muraoka-hat-presen-okp
Yumiko Hatanaka
Code for Nara 活動紹介(2017/2/26)
Code for Nara 活動紹介(2017/2/26)
康司 石塚
【UDC2015】ソリューション 096 BODIKODCS
【UDC2015】ソリューション 096 BODIKODCS
CSISi
オープンデータ概要紹介
オープンデータ概要紹介
Ismail Arai
UDC2016中間シンポジウム_オープンガバメント推進協議会
UDC2016中間シンポジウム_オープンガバメント推進協議会
CSISi
udc2016 intro
udc2016 intro
CSISi
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
Code for Japan
アーバンデータチャレンジ2016開催に向けて
アーバンデータチャレンジ2016開催に向けて
CSISi
【UDC2016】アプリ014 かわさきアプリ
【UDC2016】アプリ014 かわさきアプリ
CSISi
UDC2017_中間シンポジウム_開会挨拶
UDC2017_中間シンポジウム_開会挨拶
CSISi
Udc2016キックオフイベント富山ブロック
Udc2016キックオフイベント富山ブロック
Tomoko Yago
01 udc2017趣旨説明
01 udc2017趣旨説明
CSISi
裾野市におけるデータ利活用の取組み
裾野市におけるデータ利活用の取組み
Hiroyuki Ichikawa
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
E2D3.org
【UDC2016】アクティビティ163 オープンマップ山口市
【UDC2016】アクティビティ163 オープンマップ山口市
CSISi
Lod 2016 s2129_20170113
Lod 2016 s2129_20170113
Yoshiaki_Takabe
Udc 2016 no113_スライド_20170127
Udc 2016 no113_スライド_20170127
Yoshiaki_Takabe
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
青い森ウェブ工房(福田匡彦)
UDCaichi2016 kickoff 20160715 report
UDCaichi2016 kickoff 20160715 report
Nobuo Kawaguchi
What's hot
(20)
UDC2016中間シンポジウム-intro
UDC2016中間シンポジウム-intro
01 koukai-20170310-muraoka-hat-presen-okp
01 koukai-20170310-muraoka-hat-presen-okp
Code for Nara 活動紹介(2017/2/26)
Code for Nara 活動紹介(2017/2/26)
【UDC2015】ソリューション 096 BODIKODCS
【UDC2015】ソリューション 096 BODIKODCS
オープンデータ概要紹介
オープンデータ概要紹介
UDC2016中間シンポジウム_オープンガバメント推進協議会
UDC2016中間シンポジウム_オープンガバメント推進協議会
udc2016 intro
udc2016 intro
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
2017年下期コーポレートフェロー募集資料 活動紹介 葛城友香さん
アーバンデータチャレンジ2016開催に向けて
アーバンデータチャレンジ2016開催に向けて
【UDC2016】アプリ014 かわさきアプリ
【UDC2016】アプリ014 かわさきアプリ
UDC2017_中間シンポジウム_開会挨拶
UDC2017_中間シンポジウム_開会挨拶
Udc2016キックオフイベント富山ブロック
Udc2016キックオフイベント富山ブロック
01 udc2017趣旨説明
01 udc2017趣旨説明
裾野市におけるデータ利活用の取組み
裾野市におけるデータ利活用の取組み
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
「2017年の目標と運営方針」を議論するための「2016年の振り返り」
【UDC2016】アクティビティ163 オープンマップ山口市
【UDC2016】アクティビティ163 オープンマップ山口市
Lod 2016 s2129_20170113
Lod 2016 s2129_20170113
Udc 2016 no113_スライド_20170127
Udc 2016 no113_スライド_20170127
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
公開情報から始まった「バス停検索」サービス運営で見えたこと、今後の展望
UDCaichi2016 kickoff 20160715 report
UDCaichi2016 kickoff 20160715 report
Similar to Syumai lt_mokumoku__20200807_ota
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
Report 130508
Report 130508
聞く技術研究所|株式会社ドゥ・ハウス
分析サンプル_ラーメン店販促施策立案のための来店客調査
分析サンプル_ラーメン店販促施策立案のための来店客調査
株式会社アレンジベース(Arrange Base Inc.)
グラフの選び方・作り方
グラフの選び方・作り方
Hajime Oda
日本大学生産工学部でのZoom収録講演「IT戦略」
日本大学生産工学部でのZoom収録講演「IT戦略」
竹内 幸次
20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up
20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up
正志 井澤
LisketのGoogle Analyticsレポートサンプル大公開
LisketのGoogle Analyticsレポートサンプル大公開
大輔 堤
坂田誠×横田秀珠「2014年ネットビジネス大胆予測セミナー」
坂田誠×横田秀珠「2014年ネットビジネス大胆予測セミナー」
新潟コンサルタント横田秀珠
富山 講演 IoTと中小企業の経営戦略
富山 講演 IoTと中小企業の経営戦略
竹内 幸次
新潟県商工会連合会で講演「従業員のエンゲージメントを高めるパーパス経営」
新潟県商工会連合会で講演「従業員のエンゲージメントを高めるパーパス経営」
竹内 幸次
ありがとうすまべん@関東
ありがとうすまべん@関東
ChiiAyano
Similar to Syumai lt_mokumoku__20200807_ota
(13)
Report 130508
Report 130508
Report 130508
Report 130508
Report 130508
Report 130508
Report 130508
Report 130508
分析サンプル_ラーメン店販促施策立案のための来店客調査
分析サンプル_ラーメン店販促施策立案のための来店客調査
グラフの選び方・作り方
グラフの選び方・作り方
日本大学生産工学部でのZoom収録講演「IT戦略」
日本大学生産工学部でのZoom収録講演「IT戦略」
20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up
20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up
LisketのGoogle Analyticsレポートサンプル大公開
LisketのGoogle Analyticsレポートサンプル大公開
坂田誠×横田秀珠「2014年ネットビジネス大胆予測セミナー」
坂田誠×横田秀珠「2014年ネットビジネス大胆予測セミナー」
富山 講演 IoTと中小企業の経営戦略
富山 講演 IoTと中小企業の経営戦略
新潟県商工会連合会で講演「従業員のエンゲージメントを高めるパーパス経営」
新潟県商工会連合会で講演「従業員のエンゲージメントを高めるパーパス経営」
ありがとうすまべん@関東
ありがとうすまべん@関東
More from 博三 太田
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
「Fooocus(Stable DiffusionXL)で アニメ画像生成の仕方」
「Fooocus(Stable DiffusionXL)で アニメ画像生成の仕方」
博三 太田
slide_LT_Chatgpt部_太田_20231118.pdf
slide_LT_Chatgpt部_太田_20231118.pdf
博三 太田
LT_Visual_Entailment_GPT-4V_20231021.pdf
LT_Visual_Entailment_GPT-4V_20231021.pdf
博三 太田
LanguChain_summarization_LT_20230415.pdf
LanguChain_summarization_LT_20230415.pdf
博三 太田
image_video_instagram_202212.pdf
image_video_instagram_202212.pdf
博三 太田
EC_intro_ota_202212.pdf
EC_intro_ota_202212.pdf
博三 太田
EC_attribute_exstraction_20221122.pdf
EC_attribute_exstraction_20221122.pdf
博三 太田
EC_attribute_exstraction_20221122.pdf
EC_attribute_exstraction_20221122.pdf
博三 太田
Python nlp handson_20220225_v5
Python nlp handson_20220225_v5
博三 太田
Logics 18th ota_20211201
Logics 18th ota_20211201
博三 太田
Jsai2021 winter ppt_ota_20211127
Jsai2021 winter ppt_ota_20211127
博三 太田
2021年度 人工知能学会全国大会 第35回
2021年度 人工知能学会全国大会 第35回
博三 太田
Lt conehito 20210225_ota
Lt conehito 20210225_ota
博三 太田
本当に言いたい事をくみ取って応答する対話システムの構築に向けて- 昨年(2019年度)の取り組み -
本当に言いたい事をくみ取って応答する対話システムの構築に向けて- 昨年(2019年度)の取り組み -
博三 太田
Thesis sigconf2019 1123_hiromitsu.ota
Thesis sigconf2019 1123_hiromitsu.ota
博三 太田
Sigconf 2019 slide_ota_20191123
Sigconf 2019 slide_ota_20191123
博三 太田
Japan.r ver0.1 2018 slide_ota_20181201
Japan.r ver0.1 2018 slide_ota_20181201
博三 太田
Japan.r 2018 slide ota_20181201
Japan.r 2018 slide ota_20181201
博三 太田
Sig kbs slide-20181123_ota
Sig kbs slide-20181123_ota
博三 太田
More from 博三 太田
(20)
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...
「Fooocus(Stable DiffusionXL)で アニメ画像生成の仕方」
「Fooocus(Stable DiffusionXL)で アニメ画像生成の仕方」
slide_LT_Chatgpt部_太田_20231118.pdf
slide_LT_Chatgpt部_太田_20231118.pdf
LT_Visual_Entailment_GPT-4V_20231021.pdf
LT_Visual_Entailment_GPT-4V_20231021.pdf
LanguChain_summarization_LT_20230415.pdf
LanguChain_summarization_LT_20230415.pdf
image_video_instagram_202212.pdf
image_video_instagram_202212.pdf
EC_intro_ota_202212.pdf
EC_intro_ota_202212.pdf
EC_attribute_exstraction_20221122.pdf
EC_attribute_exstraction_20221122.pdf
EC_attribute_exstraction_20221122.pdf
EC_attribute_exstraction_20221122.pdf
Python nlp handson_20220225_v5
Python nlp handson_20220225_v5
Logics 18th ota_20211201
Logics 18th ota_20211201
Jsai2021 winter ppt_ota_20211127
Jsai2021 winter ppt_ota_20211127
2021年度 人工知能学会全国大会 第35回
2021年度 人工知能学会全国大会 第35回
Lt conehito 20210225_ota
Lt conehito 20210225_ota
本当に言いたい事をくみ取って応答する対話システムの構築に向けて- 昨年(2019年度)の取り組み -
本当に言いたい事をくみ取って応答する対話システムの構築に向けて- 昨年(2019年度)の取り組み -
Thesis sigconf2019 1123_hiromitsu.ota
Thesis sigconf2019 1123_hiromitsu.ota
Sigconf 2019 slide_ota_20191123
Sigconf 2019 slide_ota_20191123
Japan.r ver0.1 2018 slide_ota_20181201
Japan.r ver0.1 2018 slide_ota_20181201
Japan.r 2018 slide ota_20181201
Japan.r 2018 slide ota_20181201
Sig kbs slide-20181123_ota
Sig kbs slide-20181123_ota
Recently uploaded
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
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
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
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
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
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
Recently uploaded
(8)
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
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
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)
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)
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
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
Syumai lt_mokumoku__20200807_ota
1.
「AIの問題設定の利活用を考える ~強化学習と数理最適化を例にして~」 2020年8月8日(土) @usagisan2020 太田 博三 オンライン開催!入退室自 由【シューマイ】もくもく花火 編 もくもく参加+LT(LTは5〜10 分程度予定) 時間:2020年8月8日(土) 10:00-17:00 場
所:オンライン
2.
自己紹介 1. 環境工学を専攻:廃棄物の処理処分に関する研究 →統計学を副専攻 ↓ 2. Web系企業でレコメンドエンジンや文章自動生成の開 発など ↓ 3.
『ウェブ解析士』の資格本を初版時に執筆協力 https://00m.in/MFxzI ↓ 4. 統計解析⇨データマイニング⇨機械学習・AIへ キャッチアップし、今は自然言語理解×強化学習! ⇨『Juliaデータサイエンス』(2017年刊行: 分担翻訳) https://00m.in/wSR0u
3.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設定 3.
従来のリレーショナル・データ VS 最近のストリーミ ング・データ 4.最近のストリーミング・データに強い問題設定とは (強化学習やオペレーションズ・リサーチ(OR)) 5.最近のストリーミング・データの利活用に強いドメイ ン知識とは(マーケティング) 6. まとめ/ 今後の課題 7.参考文献・参照URL一覧
4.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設 定 3.
最近のストリーミング・データに強い問題設定と は(強化学習やオペレーションズ・リサーチ(OR)) 4. 最近のストリーミング・データの利活用に強いド メイン知識とは(マーケティング) 5. まとめ/ 今後の課題
5.
1. 背景 ・直近の数か月でレコメンドエンジンの開発を行っ ていました( ^ω^)・・・
※1 ↓ ・従来のAmazonのようなレコメンドと異なるものを 求めていることも判明しました。 ↓ ・この相違は何なのか?と考えてました。 ⇒問題設定をする人とデータによるものだと思い、 問題設定について次のスライドで整理してまし た!
6.
1. 背景 ・・問題設定とは、ここでは、社内や社外の課題を改 善しうるソリューションのこと。またこれに向けた適用 可能なアプローチ、そして既存の入手可能なデータ の項目(変数や特徴量)が想定されているものと仮定 する。 ・・データとは、主に、リレーショナル・データベースや ストリーム・データが保有されており、抽出可能である 状態にあること、と仮定する。 (みなさんに質問) おもに、問題設定をするひとは、誰でしょうか? データのことを知っているひとは、誰でしょうか?
7.
1. 背景 ・・問題設定をする人とは、誰でしょうか? →企画のひと、営業のひと、プロマネのひと、コー ディネーター… ・・データをよく知っている人とは、誰でしょうか? →インフラエンジニア、データサイエンティスト、プ ログラマ、企画部のひと、プロマネ… (みなさんに質問) おもに、問題設定をするひとは、誰でしょうか? データのことを知っているひとは、誰でしょうか?
8.
1. 背景 ・・問題設定のビジネス的な関わりとその順序 例 ①メーカー――取引先クライアントの場合 (打合せ)要望や課題を相互に共有する 当該部署とシステム部のひと――営業のひと ↓ (社内共有) ②主に議事録で共有し、これは第2義的な情報となる。 ↓ (システム・コンサル担当者と協議) ③ここで、ソリューションを考え、先方に提案する。 ↓ (相互に合意し契約が取れたら) ④ここで、問題設定を行うことになる!(ことが多い) ↓ ⑤キックオフMTGをして、開発がはじまる。
9.
1. 背景 ・・データのビジネス的な関わりとその順序 例 ①メーカー――取引先クライアントの場合 (打合せ)要望や課題を相互に共有する 当該部署とシステム部のひと――営業のひと ↓ (社内共有) ②主に議事録で共有し、これは第2義的な情報となる。 ↓ (システム・コンサル担当者と協議) ③ここで、ソリューションを考え、先方に提案する。←解決策を選定する。 ↓ (相互に合意し契約が取れたら) ④ここで、問題設定を行うことになる!(ことが多い)←データの項目(変 数)を考える! ↓ ⑤キックオフMTGをして、開発がはじまる。
10.
1. 背景 ・・わたしが遭遇したのは、④と⑤の間の状況でした…、ここで、①、②、③のひとたち が知っていたらより良いと思われる問題設定とドメイン知識を説明します! ①メーカー――取引先クライアントの場合 (打合せ)要望や課題を相互に共有する 当該部署とシステム部のひと――営業のひと ↓ (社内共有) ②主に議事録で共有し、これは第2義的な情報となる。 ↓ (システム・コンサル担当者と協議) ③ここで、ソリューションを考え、先方に提案する。←解決策を選定する。 ↓ (相互に合意し契約が取れたら) ④ここで、問題設定を行うことになる!(ことが多い)←データの項目(変 数)を考える! ↓ ⑤キックオフMTGをして、開発がはじまる。←問題設定が常に念頭になっ ている。
11.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設 定 3.
最近のストリーミング・データに強い問題設定と は(強化学習やオペレーションズ・リサーチ(OR)) 4. 最近のストリーミング・データの利活用に強いド メイン知識とは(マーケティング) 5. まとめ/ 今後の課題
12.
2. レコメンドエンジンにみる、異なる2つの問題設定 協調フィルタリングによるレコメンド 強化学習によるレコメンド ※1
code of recommend engines; https://github.com/otanet/RecSys ※2 RecoGym: https://arxiv.org/pdf/1808.00720.pdf
13.
2. レコメンドエンジンにみる、異なる2つの問題設定 ・従来のレコメンドエンジンは、協調フィルタリングをベースとした ものです。 扱うデータによって、Deep Learningやスパースなデータ対応の Amazon
DDSTINEなどもありますが、依然として、Item-Basedや content-based 型、さらにHybrid型が主流であることに変わりは ありません。 ⇒根拠は次のスライドのレコメンドエンジンの変遷から見受けら れます。 一方、強化学習によるレコメンドエンジン(CriteoのRecSys)とは、 次の3つからなり、タスク設計も、扱うデータも、異なります。 1)予測入札、 2)レコメンド商品、 3)Dynamic Creative Optimization+
14.
2.1 レコメンドエンジンの変遷① ・レコメンドエンジンの主流・原型は協調フィルタリングにある。
15.
2.1 レコメンドエンジンの変遷② 近年ではデータに応じた手法、またはディープラーニングによる行列演算に フォーカスした手法が出てきている。
16.
2.2 CriteoのRecSys まず、オフライン学習(Offline Learning)のためにRecoGymがデータの 生成を担当し、固定方策で商品を推薦して、その推薦に対するフィード バックを記録する。ここで記録されたのを、訓練データとして用いる。 これにより、エージェントはオフライン学習を行うことができる。 次に、オンライン学習(Online
Learning)では、行動決定を行い、その決 定に伴った状態や報酬の観測から方策の更新を行い、これを繰り返し学 習することになります。オフライン学習は,推薦システムでよくあるコール ドスタート問題に対する対処がなされることになるのがメリットです。初期 学習のコストは少なく済み、訓練データの収集と学習を切り離しているの が、強化学習の構造上の特徴です。 引用先:datamix 堅田さん https://datumix.co.jp/blog/recommend/algorithm-recommend/entry-215/
17.
実習 2.レコメンドエンジンの変遷をいくつか ・レコメンドエンジンはデータが手法を決める! • Google
Colabで感覚 をつかもう! 協調フィルタリングを 主とした「レコメンドエン ジン」の手法主に5つ です。 https://github.com/otanet/RecSys
18.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設 定 3.
最近のストリーミング・データに強い問題設定と は(強化学習やオペレーションズ・リサーチ(OR)) 4. 最近のストリーミング・データの利活用に強いド メイン知識とは(マーケティング) 5. まとめ/ 今後の課題
19.
3. 最近の強化学習やオペレーションズ・リサーチ(OR)の問題設定① ・強化学習は問題設定がすべて! ※ 引用先:
“Grokking Reinforcement Learning” Manning Publications ・強化学習とORは問題設定がすべて! 制御工学 オペレーションズ・リ サーチ(OR)
20.
3. 最近の強化学習やオペレーションズ・リサーチ(OR)の問題設定② ※ 引用先:
“Grokking Reinforcement Learning” Manning Publications ・強化学習とORは問題設定がすべて! 実体 強化学習で 問題設定
21.
3. 最近の強化学習やオペレーションズ・リサーチ(OR)の問題設定③ ・強化学習とORは問題設定がすべて! ※ 引用先:
“Grokking Reinforcement Learning” Manning Publications
22.
3. オペレーションズ・リサーチ(OR)の問題設定④ ・・強化学習とORは問題設定がすべて!
23.
・線形計画問題として定式化(-1 ~ 1) 3.
オペレーションズ・リサーチ(OR)の問題設定⑤ ・強化学習とORは問題設定がすべて!
24.
3. オペレーションズ・リサーチ(OR)の問題設定⑥ ・強化学習とORは問題設定がすべて! • 整数混合問題は、線形より複雑(∞)
25.
3. オペレーションズ・リサーチ(OR)の問題設定⑥ ・強化学習とORは問題設定がすべて!
26.
実習 3. オペレーションズ・リサーチ(OR) ・強化学習とORは問題設定がすべて! •
Google Colabで感覚を つかもう! 線形最適化の「生産計 画問題」です。 https://github.com/otanet/opt https://github.com/otanet/opt/blob/master/Python%E3 %81%AB%E3%82%88%E3%82%8B%E7%B7%9A%E5%BD% A2%E6%9C%80%E9%81%A9%E5%8C%9620200806.ipynb
27.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設 定 3.
最近のストリーミング・データに強い問題設定と は(強化学習やオペレーションズ・リサーチ(OR)) 4. 最近のストリーミング・データの利活用に強いド メイン知識とは(マーケティング) 5. まとめ/ 今後の課題
28.
1. ソーシャルグラフによるリアルタイム・レコメン デーションを考えてみると… 4.最近のストリーミング・データの利活用に強いドメイン知識とは (マーケティング)① 2. ドメイン知識としてのマーケティングも必要!! キー・アイテム
29.
3. レコメンドエンジンのデータはNetflixのような商品名、レ ンタル回数、ジャンル、評価と個人属性(性別・年代・収入 等)…などのように、十分なデータは少ない! ・時系列の変数が2つか3つのデータがほとんどです! 4.最近のストリーミング・データの利活用に強いドメイン知識とは (マーケティング)②
30.
2. ドメイン知識で本質を見抜く! ⇒事業の軸になっているサービスや商品は何かを 考える。 4.最近のストリーミング・データの利活用に強いドメイン知識とは(マーケ ティング)③ キーアイテム 量 を 多 く し た も の メ ニ ュ ー 開 発 し た も の
31.
応用: キーアイテムの発見 ③[環境]来店中のお客様へのキー・アイテムの訴求] キーアイテム ※ キーアイテムは、購買回数や点数、金額などを指標化し算出する。 性×年齢 (10才刻み) 金額 (円) 点数 (点) 平均単価 (円) 購買回数 購買率 (%) 1回当り 購買金額 (円) 1回当り 購買点数 (点) 購買人数 購買経験 率 (%) 1人当り 購買金額 (円) 1人当り 購買点数 (点) 1人当り 購買回数 平均 購買間隔 男性20代以下
264,614 564 469.2 380 3 696.4 1.5 166 16.6 1,594.10 3.4 2.3 20.4 男性30代 994,483 2,533 392.6 1,594 6.9 623.9 1.6 422 20.3 2,356.60 6 3.8 18.7 男性40代 1,594,404 3,837 415.5 2,356 6.4 676.7 1.6 666 19.2 2,394.00 5.8 3.5 19.6 男性50代 1,849,793 4,220 438.3 2,566 6.7 720.9 1.6 595 16.9 3,108.90 7.1 4.3 18.5 男性60代 1,404,772 3,681 381.6 1,735 5.7 809.7 2.1 402 14 3,494.50 9.2 4.3 19 男性70代 670,340 1,145 585.4 681 3.3 984.3 1.7 212 10.2 3,162.00 5.4 3.2 17.5 男性80代以上 237,932 579 410.9 229 2.6 1,039.00 2.5 87 9.8 2,734.90 6.7 2.6 22.1 女性20代 400,658 971 412.6 653 2.3 613.6 1.5 315 12.9 1,271.90 3.1 2.1 19.9 女性30代 1,554,834 4,081 381 2,532 3.2 614.1 1.6 1,014 13.7 1,533.40 4 2.5 22 女性40代 2,855,502 7,573 377.1 4,668 3.3 611.7 1.6 1,613 11.8 1,770.30 4.7 2.9 20.7 女性50代 3,381,432 7,437 454.7 4,349 3.1 777.5 1.7 1,430 11.5 2,364.60 5.2 3 20.8 女性60代 2,489,518 5,417 459.6 3,007 2.4 827.9 1.8 1,150 9.4 2,164.80 4.7 2.6 19.1 女性70代 1,599,541 3,174 504 1,788 2.2 894.6 1.8 652 8 2,453.30 4.9 2.7 22.7 女性80代以上 432,599 851 508.3 454 1.8 952.9 1.9 211 8.1 2,050.20 4 2.2 23.2 全体 20,675,830 48,265 428.4 28,290 3.4 730.9 1.7 9,358 11.7 2,209.40 5.2 3 20.2
32.
・メニュー開発したものには、数理計画法(OR) が用いられている。 4.最近のストリーミング・データの利活用に強いドメイン知識とは(マーケ ティング)④ メ ニ ュ ー 開 発 し た も の
33.
応用: ID-POSによる新商品開発 ④[新商品開発] →キーアイテムで用 いられている原材 料に追加的費用 の最小化によって、 実現します。 ・制約条件: 期間限定メニュー はその物価が安い 時に仕入れるため、 数量が限定的であ る。 キーアイテム 追加費用は チーズの1品目 のみ。 材料の追加は 10品目と採算 が取れない可 能性が高い。
34.
・メニュー開発したものには、数理計画法(OR)が 用いられている。 4.最近のストリーミング・データの利活用に強いドメイン知識とは(マーケ ティング)⑤ メ ニ ュ ー 開 発 し た も の
35.
・マーケティング戦略とリスティング広告・LINE Messagasingによるプロモーション ⇒効果検証込みな設計が、強化学習と言える。 4.最近のストリーミング・データの利活用に強いドメイン知識とは(マーケ ティング)⑥
36.
補足: 強化学習LINE@のクーポン割引戦略への適用 [環境: 来店中のお客様へのキー・アイテムの訴求] •
お客様の注文された品からキー・アイテムを発見し、こち らを中心にで@LINEアカウントで訴求し、購買意欲を 広げ、客単価を向上させます。 • 割引率を調整させることで、購入時の利益率の最大 化に結びつける。 ※1 キーアイテムは、購買回数や点数、金額などを指標化し選出する。 ※2 割引率は価格弾力性などを用いる。 キーアイテム 10% OFF 8% OFF 6% OFF
37.
目次 1. 背景 2. レコメンドエンジンにみる、異なる2つの問題設 定 3.
最近のストリーミング・データに強い問題設定と は(強化学習やオペレーションズ・リサーチ(OR)) 4. 最近のストリーミング・データの利活用に強いド メイン知識とは(マーケティング) 5. まとめ/ 今後の課題
38.
5. まとめ/ 今後の課題① 1.
いかに自律型のデータ活用に持ち込むか!を ドメイン知識を交えて考えることで、問題設定 ができました。 2. データに応じた「問題設定」は強化学習では利 便性が高いこともあります。コールドスタート問 題等で。 3. 新商品開発、とりわけメニュー開発は、オペ レーションズ・リサーチ(OR)などの数理最適化 が活用されています!
39.
5. まとめ/ 今後の課題② ・今の主流と思われるもの 1.深層強化学習 2.因果推論・因果探索 3.マーケティング分野における数理最適化
40.
ご清聴ありがとうございました ・フィードバック等、お声がけ 願います! Twitter @usagisan2020 今後も、次の3つのうちのいず れかを掛け合わせて、より良 いものを作り出してゆきたい です! 1.深層強化学習 2.因果推論・因果探索 3.マーケティング分野におけ る数理最適化
Download now