ABEJA Insight for Retailにおける新サービス開発とデリバリー

Ade0cb4143c001fef8ca5aa320c2eb1d?s=47 ABEJA
March 04, 2019

ABEJA Insight for Retailにおける新サービス開発とデリバリー

SIX 2019 dev-c-5
Hiroyuki Ootaguro @ABEJA, Inc.

「ABEJA Insight for Retailにおける新サービス開発とデリバリー」

ABEJA Insight for Retailでは、リピーター分析・導線分析等の新しいサービス提供を2018年に開始し、各クライアント企業への導入を進めています。AI・IoT活用をした新サービス提供にあたって、デバイス・アプリケーション・インフラといった様々なレイヤーを横断する研究開発を行い、大規模なサービスデリバリーに成功しました。AI・IoTを活用した新サービスのデリバリーには、一般的なWebサービスとは異なる点が多く、技術開発プロセス・組織から工夫する必要性があります。本セッションでは、ABEJA社内での研究開発の取り組み・ノウハウについてお伝えしました。

Ade0cb4143c001fef8ca5aa320c2eb1d?s=128

ABEJA

March 04, 2019
Tweet

Transcript

  1. DAY 1 “技” Developer Day ABEJA Insight for Retailにおける新 サービス開発とデリバリー

    ⼤⽥黒 紘之 ABEJA Insight for retail
  2. ⾃⼰紹介 千葉県出⾝。産業技術⾼専卒業後、⾸都⼤学東京に編⼊学。 ⾼専在学中は、超⼩型⼈⼯衛星の開発、医療機器に関する研究に携わる。 理化学研究所で放射線⾶跡観測に関する実験システム構築及び中性⼦イメージングの画像処理研究に、 ⼤学では、量⼦効果デバイスに関する研究に従事。 現在は、株式会社ABEJAに、ABEJA Insight for Retailの開発を指揮するリーダーとして所属 ⼤⽥黒 紘之

    ABEJA Insight for retail 開発リーダー
  3. 1. 会社・事業紹介 2. 新サービス開発の舞台裏 - リピーター推定 - 導線分析 3. 新規サービス⽴ち上げのポイント

    4. これからの挑戦 本⽇の講演内容 (AGENDA)
  4. DAY 1 “技” Developer Day 会社・事業紹介 Section 1

  5. Corporate Corporate Name Headquarters Address Representative ABEJA.Inc NBF Platinum Tower,1-17-3

    Shirokane, Minato-ku,Tokyo 108-0072,Japan September 10 2012 Major shareholders Archetype Venture Fund, L.P. Daikin Industries, Ltd. Google International LLC Innovation Network Corporation of Japan inspire investment Co., Ltd Itochu Corporation NTT Plala Inc. Nvidia Corporation Mitsubishi UFJ Capital No. 4 Investment Limited Partnership Mizuho Growth Support Investment Limited Partnership Musashi Seimitsu Industry Co., Ltd. PNB-INSPiRE Ethical Fund 1 Investment Business Limited Liability Partnership SAKURA Internet Inc. salesforce.com, inc. SBI AI & Blockchain LPS (operated by SBI Investment Co., Ltd.) TBS Innovation Partners 2 Investment Partnership (operated by Tokyo Broadcasting System Holdings, Inc.) Topcon Corporation Toshiba Tec Corporation Board Member President & Representative Director Director (Japan Operations) Director (International Operations) Yusuke Okada Naotatsu Hase Naoki Tonogi
  6. We change the world through our innovation. Implement a Fruitful

    World We Will Reform Industrial Structures with the Force of Our Technology Tagline ゆたかな世界を、実装する イノベーションで世界を変える テクノロジーの⼒で産業構造を変⾰する Vision Mission Corporate
  7. AI service provided by ABEJA Enabling AI implementation into businesse

    With AI, we provide various solutions such as commodities classification, maintenance support efficiency, behavior analysis of adept workers, and more. We have supported AI implementation for over 150 companies, ranging industries such as manufacturing, infrastructure, logistics, and retail. With our experience and expertise, we provide overall support from AI application to utilization. ABEJA Platform supports efficient application of Deep Learning in the operation process The ABEJA Insights for retail analyses your custome'sr behavior, such as customer demographic attributes, visitor flow analysis and prediction of repeating customer visits to provide you with a deeper understanding of your customer base. ABEJA has supported leading companies to implement over 100 End-to-End Machine Learning & Deep Learning projects.
  8. 今⼩売の世界で何が起きているのか? ςΫϊϩδʔͷਐԽ ߪങߦಈͷଟ༷Խ ࿑ಇਓޱͷݮগ

  9. ABEJA Insight for retailの⽬指す世界 ސ٬ߦಈσʔλΛج࣠ʹͨ͠ ৽͍͠খചྲྀ௨ۀͷܗΛ૑଄͢Δ

  10. ABEJA Insight for retailの⽬指すプロダクト ސ٬ߦಈσʔλ ߦಈऀɾళฮΛऔΓר͘ ͋ΒΏΔ؀ڥ৘ใ ৽͍͠খചྲྀ௨ۀͷܗ ࠓ·Ͱऔಘͷ೉͔ͬͨ͠σʔλΛ ੵۃతར༻ͯ͠૑Δళฮ

    お客様がデータ活⽤をして意思決定ができるプロダクト
  11. ・2015年から提供している⼩売向け店舗解析ソリューション ・店舗に設置したカメラの映像解析に基づく店舗データで⼩売経営を⽀援 ・IoT から AI までを⼀気通貫で提供 ・4年間における商⽤での運⽤実績 ABEJA Insight for

    retail
  12. None
  13. 取得可能なデータの例

  14. サービスを⽀えるシステム構成 Camera IoT
 Device POS サービス基盤群 Powered By

  15. サービスを⽀える4つのレイヤー ܦӦʹΠϯύΫτ͢Δҙࢥܾఆ͕Ͱ͖ΔσʔλՄࢹԽ ܦӦʹΠϯύΫτ͢Δσʔλ෼ੳΛߦ͏ػೳ܈ ߦಈऀɾళฮͷ͋ΒΏΔσʔλͷอ࣋ɾݕࡧͰ͖Δػೳ܈ ϦΞϧੈքͷσʔλΛऩूɾՃ޻͢ΔIoTσόΠεɾγεςϜ܈ Dashboard Analysis Data Device

  16. Dashboard ・2015年より提供を開始。現在、120社700店舗以上のユーザー様が利⽤中 ・映像解析(AI)による解析結果と売上データ等の既存データを統合して分析・可視化 ・データの可視化を通じて⼩売経営を⽀援

  17. None
  18. Data & Analysis ・1⽇40TB以上のIoTデバイスからのデータ(主に映像等)を解析する為の基盤 ・4年間で2億⼈の来客者をシステムが認識 ・スケールするデータ解析の為の基盤群をABEJA Platformをベースに開発 ×

  19. Device ・店舗データ取得のために、数千台のカメラデバイス及びIoTデバイスが稼働中 ・店舗内のIoTデバイスと連携するためのIoTプラットフォームを保持 ・⾃社バックボーンを活⽤した閉域網接続を提供。セキュアなデータ転送を実現 αʔϏεج൫ (Ϋϥ΢υ্) Camera IoT
 Device POS

  20. エンジニアの取り組み ֤ϨΠϠʔͷܧଓతͳػೳ։ൃ ֤ϨΠϠʔΛࢧ͑Δ ৽ػೳͷݚڀ։ൃ

  21. DAY 1 “技” Developer Day 新サービス開発の舞台裏 Section 2

  22. 新サービス紹介 Ϧϐʔτਪఆ ಈઢ෼ੳ New!! New!!

  23. DAY 1 “技” Developer Day 新サービス開発の舞台裏 (リピート推定) Section 2.1

  24. リピート推定機能 New!! 新サービス開発の舞台裏(リピート推定)

  25. None
  26. 研究開発が必要だったスコープ ABEJA͕࣋ͭطଘٕज़ ࿥ըɾղੳج൫ + Ϧϐʔλʔਪఆ ө૾ղੳίΞ Ϧϐʔλʔਪఆ ෼ੳϩδοΫ ϦϐʔλʔਪఆରԠ Dashboard։ൃ

    新サービス開発の舞台裏(リピート推定)
  27. リリースまでの流れ (計画) ݚڀ ։ൃ ϦϦʔε४උ ղੳίΞ։ൃ ਫ਼౓ݕূ ಋೖϑϩʔߏங ࿦จαʔϕΠ ΞϧΰϦζϜݚڀ

    ࣾ಺πʔϧ։ൃ σϦόϦʔମ੍ߏங リリース v1.0 3ヶ⽉ 3ヶ⽉ 3ヶ⽉ 新サービス開発の舞台裏(リピート推定)
  28. ・研究開発のゴール設定の難しさ   プロダクトサイドの仮説検証が追いつかない⇢研究ゴールが定まらない ・研究対象のコンポーネントが多岐にわたる   各コンポーネントが精度ボトルネックを抱える ・絶え間なく新しい論⽂が発表され、研究が終わらない   読んでいる途中に改良版が発表される事もあった 研究⾯で発⽣した問題例 新サービス開発の舞台裏(リピート推定)

  29. ・精度と実⾏効率(原価)のトレードオフ   精度を上げると実⾏効率・メモリ効率が下がる。 ・キャパシティプランニング・⾼速化にはアルゴリズムが理解できる⼈が必要   論⽂・アルゴリズム実装が読めて、計算量が⾒積もれるエンジニアが必要 ・Deep Learningのフレームワークが多種に渡り、管理運⽤コストがかかる   Openな既存資産を利⽤する場合に発⽣する可能性あり 開発⾯で発⽣した問題例 新サービス開発の舞台裏(リピート推定)

  30. ・研究と開発のライフサイクルの違い 研究・開発横断で発⽣した問題例 研究観点 ͳΔ΂͘୹͍࣌ؒαΠΫϧͰݚڀ༻ίʔυɾϞσϧΛ มߋɾमਖ਼Λଓ͚ΒΕΔͷ͕ྑ͍ 開発観点 ҆ఆతʹಈ͔ͨ͢Ίʹɺ ݎ࿚ͳ࡞ΓࠐΈ͕ඞཁ 新サービス開発の舞台裏(リピート推定)

  31. ・リーガル⾯の不安  当時(2018年3⽉以前)、カメラ画像を事業で利⽤する為のガイドラインが整備され ていなかった 事業化観点で⽣じた問題例 新サービス開発の舞台裏(リピート推定)

  32. スケジュールどおりにいきません ݚڀ ։ൃ ϦϦʔε४උ ղੳίΞ։ൃ ਫ਼౓ݕূ ಋೖϑϩʔߏங ࿦จαʔϕΠ ΞϧΰϦζϜݚڀ ࣾ಺πʔϧ։ൃ

    σϦόϦʔମ੍ߏங 新サービス開発の舞台裏(リピート推定)
  33. ①研究開発のゴール設定の難しさ   プロダクトのイメージが固まりきらないと研究・開発が動き出せない ②様々な点で不確実性が存在する   精度・実⾏速度・原価の不確実性 ⇢ スケジュールの不確実性を⽣む ③「研究」と「開発」の間に存在する様々な壁   活動サイクル、スキルセット、使⽤するツール、その他 プロジェクト進⾏における問題整理 新サービス開発の舞台裏(リピート推定)

  34. ABEJAにおける取り組み 新サービス開発の舞台裏(リピート推定) アジャイル型研究開発 x 機能境界型リリース フルサイクルな 研究開発体制の構築

  35. ABEJAにおける取り組み 新サービス開発の舞台裏(リピート推定) アジャイル型研究開発 x 機能境界型リリース フルサイクルな 研究開発体制の構築

  36. アジャイル型研究開発 ݚڀ ։ൃ ධՁ ࢼݧ 時間の流れ ݚڀ ։ൃ ධՁ ࢼݧ

    新サービス開発の舞台裏(リピート推定) 1 Sprint 1 Sprint ܭը ܭը
  37. 機能境界型リリース 新サービス開発の舞台裏(リピート推定)

  38. アジャイル型研究開発 × 機能境界型リリース ݚڀ ։ൃ ධՁ ࢼݧ 時間の流れ R&D Team

    ݚڀ ։ൃ ධՁ ࢼݧ Closed βとしてのリリース (⼀部店舗で適⽤) 正式リリース (GA) ×数サイクル ×数サイクル 社内環境を活⽤したアルゴリズムの精度評価 パフォーマンス・チューニング プライシングの検討等 新サービス開発の舞台裏(リピート推定)
  39. ・「不確実性」に対する素早い軌道修正ができた ・テストプロダクトの供給を通して、課題の発⾒と解決プロセスに乗せる事ができた ・リリースするプロダクトのクオリティーを担保でき、早速事例創出につなげる事ができた アジャイル型研究開発 × 機能境界型リリースの効果 新サービス開発の舞台裏(リピート推定)

  40. ABEJAにおける取り組み 新サービス開発の舞台裏(リピート推定) アジャイル型研究開発 x 機能境界型リリース フルサイクルな 研究開発体制の構築

  41. 研究開発ライフサイクルの⼀例 γεςϜσ βΠϯ ։ൃ ςετ ӡ༻ αϙʔτ ϦϦʔε ΞϧΰϦζ Ϝઃܭ

    Ϟσϧ ࡞੒ ධՁ 新サービス開発の舞台裏(リピート推定)
  42. 研究開発ライフサイクルと⼈員配置例 γεςϜ σβΠϯ ։ൃ ςετ ӡ༻ αϙʔτ ϦϦʔε ΞϧΰϦζϜ ઃܭ

    Ϟσϧ ࡞੒ ධՁ 個別の領域では極めて効率的だが、 サイロ化により最終的なサービス デリバリーが遅れる可能性がある 新サービス開発の舞台裏(リピート推定) Researcher C Researcher B Researcher C Architect Developer SDET / Tester Release Eng System Admin Support Eng
  43. ・機械学習のモデル・アルゴリズムとサービス提供⽤コードの分離   ライフサイクルの異なる活動のギャップを吸収 ・マイクロサービス化&ビルドパイプラインの構築   各メンバーが研究開発を並⾛ができ、サービスデリバリーまでの時間を短縮 ・AIxIoTに関わるメトリクス(精度・速度等) 可視化   チームの誰もがシステム・ロジックの安定性等を評価でき、アクションが打てる 継続的な研究開発をチームですすめる⼟壌づくり 新サービス開発の舞台裏(リピート推定)

  44. 継続的な研究開発をチームですすめる⼟壌づくり 新サービス開発の舞台裏(リピート推定) Models Engineers Researchers MicroServices Deploy Pipeline Metrics &

    Alert Insights Tools Test Environment
  45. 継続的な研究開発ができる⼟壌づくり 新サービス開発の舞台裏(リピート推定) Engineers Researchers Tools ݚڀ ઃܭ ։ൃ ݚڀ ϦϦʔε

    αϙʔτ
  46. 新サービス開発の舞台裏(リピート推定) ・Researcherはモデル設計開発プロセスを⾼速に回せる ・Developerは安定的なサービス提供ができるようになった フルサイクルな研究開発体制のメリット 研究開発ライフサイクルを 1つの⼩規模チームで回す事ができた サービスデリバリーにかかる時間を 短縮できた

  47. カメラ画像利活⽤ガイドブックの策定 新サービス開発の舞台裏(リピート推定)

  48. ・「不確実性」とうまく向き合うために、アジャイルな研究開発体制 & 機能境界に よるサービスリリースという取り組みを実施 ・研究と開発のギャップを埋め1つのチームとして進める為に、 フルサイクルな研 究開発体制にシフト ・ガイドブック制定後のタイミングでプレスリリースを配信し、サービス提供を開 始 まとめ

    新サービス開発の舞台裏(リピート推定)
  49. DAY 1 “技” Developer Day 新サービス開発の舞台裏 (導線分析) Section 3.2

  50. 動線分析サービス ・来店者・スタッフの店内⾏動を⼊店から 退店までEnd-to-Endで計測できるサービス   ・エリア滞在、⼿伸ばし計測   ・接客率計測 ・⾃動運転⾞にも使われる計測技術 LIDAR(ToF)を活⽤ 新サービス開発の舞台裏(導線分析) 出典:https://jp.techcrunch.com/2017/02/13/20170212wtf-is-lidar/

  51. 研究開発が必要なスコープ ৽σόΠε(ToF) ։ൃ ToF༻ղੳɾ෼ੳ ϩδοΫͷ։ൃ ෳ਺ηϯαʔͷ ΠϯςάϨʔγϣϯ ෼ੳޙσʔλͷ ՄࢹԽ෦෼ ϩδεςΟΫε

    ੔ཧ ࣮؀ڥ৘ใ ετΞ ళฮωοτϫʔΫͷ ઃܭɾ։ൃ σόΠε؂ࢹܥͷ ઃܭ։ൃ 新サービス開発の舞台裏(導線分析) ABEJA͕࣋ͭطଘٕज़ ࿥ըɾղੳج൫ +
  52. ・プロダクト⾯   新しいデバイス活⽤によって⾏動分析ができる可能性があっても、   どのように分析・アウトプットをすればお客様の価値につながるか不明だった ・サービスデリバリー⾯   サービス基盤はあるが、「デバイス」「解析・分析ロジック」「可視化」の   部分がゼロスタート状態 「ゼロスタート」の研究開発 新サービス開発の舞台裏(導線分析)

  53. ・導⼊体制の構築   新しいデバイス調達が発⽣する為、ロジスティクス、施⼯フローの整備が必要 ・運⽤体制の構築   デバイスの監視系を含む、⽇常運⽤に必要な機能の新規開発が必要 「ゼロスタート」の研究開発 新サービス開発の舞台裏(導線分析)

  54. ϓϩτλΠϐ ϯά PoCと平⾏した研究開発サイクル 新サービス開発の舞台裏(導線分析) Ձ஋Ծઆ PoC (Ծઆ/ٕज़ݕূ) ࣄྫԽ Engineers Researchers

    Tools フルサイクルな研究開発体制
  55. ABEJAでの取り組み 新サービス開発の舞台裏(導線分析) お客様と並⾛する PoC体制の構築 BIツールを活⽤した⾼速な PoCサイクルの実現

  56. お客様と並⾛するPoCチーム ͓٬༷ Customer Success Data Scientist Data Engineer PoCチーム 新サービス開発の舞台裏(導線分析)

  57. PoCチームにおける各ロールの役割 Customer Success ʮσʔλΛ͔ͬ͠Γ׆༻ͯ͠΋Β͑ΔΑ͏ʹͳΔʯ·Ͱͷαϙʔτͱɺ׆༻ ύλʔϯΛϓϩμΫτʹϑΟʔυόοΫ͢Δ͜ͱ͕࢖໋ Ϗδωε໘ͷχʔζΛ἞ΈऔΓͳ͕ΒɺϓϩμΫτ൓өʹ޲͚ͨ൚༻తͳϞ σϧɾϩδοΫͷ࡞੒͕࢖໋ σʔλαΠΤϯςΟετͷϩδοΫͷߴ଎Խٴͼɺ೔ʑมಈ͢Δσʔλྔʹ ରԠ͠ɺεέʔϧͰ͖ɺ׌ͭ҆ఆతͳαʔϏεͷఏڙ͕࢖໋ Data

    Scientist (Engineer) Data Engineer (Engineer) 新サービス開発の舞台裏(導線分析)
  58. PoC × 研究開発 新サービス開発の舞台裏(導線分析) Engineers Researchers Customer Success Engineers Ձ஋Ծઆ Ϧετ ػೳΞΠσΞϦετ

    (Ϣʔβʔɾཉٻɾ՝ ୊ɾ੡඼ಛ௃)
  59. ・仮説検証のリスト消化には時間がかかる   ⇢分析ロジック及び可視化部(Dashboard)の開発をするには、    ⼈的・時間的コストが⼤きくかかる   ⇢検証したい仮説はたくさん存在する。    1つ1つの仮説検証に⼤きなコストをかける事は難しい。 PoC実施時の課題 新サービス開発の舞台裏(導線分析)

  60. PoCを加速する⼯夫 〜BIツールベースの仮説検証〜 ・PoC⽤の可視化プロトタイピングには 「Redash」と呼ばれるオープンソースの BIツールを活⽤ ・PoCチーム・お客様が分析・可視化ク エリーを記述する事で、仮説検証⽤ロ ジック実装がすぐにできる 新サービス開発の舞台裏(導線分析)

  61. ・データ活⽤を通してお客様の価値になるかどうかを検証する為の取り組み   - CustomerSuccess x Data Scientist x Data Engineerによる体制   -

    BIツールを使った⾼速な仮説検証等 ・PoCチームからの仮説検証結果・アイデアリストをベースに研究開発を実施し、 サービスリリースに成功しました まとめ 新サービス開発の舞台裏(導線分析)
  62. DAY 1 “技” Developer Day 新規サービス⽴ち上げのポイント Section 4

  63. ・「不確実性」を前提としたプロジェクト進⾏   ⇢不確実性が強く、思った成果が出ない事もある為 ・お客様の価値に結びつくかの検証(PoC)の実施   ⇢IoTxAIは⼿段。データの利活⽤ができるプロダクト設計が重要 ・継続的・効率的なPoC・研究開発の⼟壌を創る   ⇢PoC・研究開発の速度 = お客様への価値提供のスピード IoTxAI活⽤の新サービス開発におけるポイント

  64. 本⽇お話させて頂いた取り組み アジャイル型研究開発 x 機能境界型リリース フルサイクルな 研究開発体制の構築 お客様と並⾛する PoC体制の構築 BIツールを活⽤した⾼速な PoCサイクルの実現

    研究開発 PoC
  65. 「魔の川」「死の⾕」に直⾯する感覚 出典元:http://ascii.jp/elem/000/001/251/1251408/

  66. DAY 1 “技” Developer Day これからの挑戦 Section 5

  67. 未来への挑戦 ଟ֯తͳݚڀ։ൃ (IoTxAI) σʔλ࿈ܞػೳ ڧԽ άϩʔόϧల։ σʔλ׆༻ ଅਐػೳͷ։ൃ ଞγεςϜͱͷ σʔλ࿈ܞڧԽ

  68. ・Case I : FPGAを活⽤したデータのリアルタイム解析技術の基礎研究 多⾓的な研究開発

  69. https://www.wantedly.com/companies/abeja We’re Hiring !!!

  70. After the lecture is over, we are waiting at the

    Ask the Speaker section of the exhibition area. If you have any questions, please come to this corner after the session ends. See you Ask the Speaker !! ABEJA 17 6 5 4 3 1 2 9 10 11 12 7 8 16 15 ABEJA Ask the Speaker 14 3F Hall ABEJAծ ABEJA Deep Learning ABEJA
  71. The contents introduced today and the products and services that

    support the backside of these, We have prepared a booth at the 3F exhibition hall and tell it. Please drop by during the session. GO EXPO 2F 3F Room A Room B Room C Room D Hall ٖؒك٦ة٦ WC ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي Room E ٖؒك٦ة٦ WC ♧菙勻㜥罏「➰ ٝ؟٦ أؙ 闌怴罏 「➰ 1F 2F 3F Floor Maps Room A Room B Room C Room D Hall ٖؒك٦ة٦ WC ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي ㉀锑 ٕ٦ي Room E ٖؒك٦ة٦ WC Room W ♧菙勻㜥罏「➰ أهٝ؟٦ رأؙ 闌怴罏 「➰ WC ٖؒك٦ة٦ Here
  72. GO Day2 !! - for Retail Tomorrow will be announced

    in many sessions how the technology introduced today is actually used by clients. Please come tomorrow by all means
  73. Please give us feedback on this session if you like

    ID of this session dev-c-5 ABEJA Insight for Retailにおける新 サービス開発とデリバリー Feedback will be used to develop products and deliver more information https://goo.gl/forms/erEBAsrQK4XKEv352
  74. ありがとう ございました。