画像によるオートバイ査定サービス「カチエックス」でRekognitionを使用しております。その使用例を説明いたします

1. Amazon Rekognition の使用例
オートバイの画像判別
井上敏郎

2. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

3. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

4. カチエックス（画像によるオートバイ売却サービス）
❏ 株式会社インターファームが開発・運用
❏ ユーザーは売却したいオートバイの画像のアップロードと質問に回答するだけ
❏ 業者とのやりとりはカスタマーサクセスが行い、高額での売却を可能にする
1. サービス紹介

5. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

6. 課題の詳細：
離脱しているユーザーの大半が、査定が難しい画像をアップロードしていた。
カスタマーサクセスが画像を確認し、状態を確認できない箇所がある場合、撮り直しを依頼。
例：斜めから撮影するユーザーが多い。
→斜めだと状態を確認できない箇所が出てくる
アップロードして欲しい画像
→ 真正面、真横の画像
2. AIによって解決したい課題と対策
課題：申し込みの約11%が売却成立までいかずに離脱していた（23年1月時点）
ユーザー：
日中の明るい時間帯に再度撮影する必要がある。オートバイが重いため出し入れが面倒 →撮り直しをせずに離脱
対策：画像がアップロードされたタイミングで、画像の良し悪しを即座にフィードバックすることで離脱を防ぐ
https://www.honda.co.jp/CB400SF
https://www.tandem-style.com/bike/26993/
※画像はイメージであり、以下のサイトから借用しております。

7. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

8. クラス分類のAutoML。クラス分類の種類をカスタマイズできるサービス。
❏ 画像のラベリングは画像をフォルダ分けするのみ。
❏ 学習画像さえあれば、すぐにAIモデルを作成できる。
【選定の理由】
1. サービスのインフラを AWSで構築していたので管理がしやすかった
2. オートバイの画像は蓄積されていたのでフォルダ分けするのみで検証段階のモデルをすぐに作成する
ことができた
2週間ほどで精度80〜90%のAIモデルを得ることができた。
より画像を集めれば、さらに精度が上がると感じることができたので採用を決めた。
3-1. Amazon Rekognition Custom Labels

9. カスタムラベルで作成した分類は以下のとおり。現状では OK側のF1スコアが約0.89〜0.96の性能を獲得。
正面 後面 左面 右面
No. 分類 学習画像の枚数 F1スコア OK / NG
1 オートバイの正面
各分類で 約4000枚
0.959 OK（撮り直し不要）
2 〃 後面 0.939 OK（撮り直し不要）
3 〃 左面 0.892 OK（撮り直し不要）
4 〃 右面 0.901 OK（撮り直し不要）
5 〃 斜め 0.652 NG（撮り直し）
6 〃 上面 0.840 NG（撮り直し）
7 その他 0.806 NG（撮り直し）
合計： 約30000枚
3-2. 作成したモデルの詳細
その他（部品）
https://www.honda.co.jp/CB400SF/powerunit/
https://www.tandem-style.com/bike/26993/
※画像はイメージであり、以下のサイトから借用しております。

10. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

11. Rekognitionは画像のアップロード画面（下図を参照）で使用。
画像をアップロードすると Rekognitionの判定結果に基づきメッセージを表示する。
「右面」の画像としては問題ないが、
「前面」の箇所に「右面」の画像をアップしているので間違い
メッセージで修正を促す
例：前面の箇所に右面の画像をアップロードする。
4. Rekognitionの使用方法

12. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

13. 4.11%減少（改善率としては約 36%）
※月ごとの申し込み数が大きく変わらないため、まずは月毎の結果を比較
ABテストでの効果確認を検討中
5. Rekognition導入による効果
年/月 売却成立までいかずに離脱した割合 備考
23年1月 11.36% Rekognitionを導入前
23年2月 7.25% Rekognitionを導入後
オートバイの向きによるクラス分類のみでユーザーの離脱防止に効果があることがわかった。

14. 1. サービス紹介
1-1. KATIX（カチエックス）
2. AIによって解決したい課題と対策
3. 使用したAIサービス
3-1. Amazon Rekognition Custom Labels
3-2. 作成したモデルの詳細
4. Rekognitionの使用方法
5. Rekognition導入による効果
6. まとめと今後の課題

15. 6. まとめと今後の課題
❏ オートバイの向きの判別に Amazon Rekognitionを使用した
❏ 学習画像を約30000枚使用すると、F1スコアが約0.90の分類モデルを作成できた
❏ 作成したAIモデルを使用して、ユーザーに即座に画像のフィードバックを行うことで、離脱を約
36％減少することができた
❏ オートバイが見切れている画像、暗い画像、ボケている画像の判別ができるか検討中