Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AIの概要と可能性 - ビジネス現場の声を中心に

AIの概要と可能性 - ビジネス現場の声を中心に

AI活用を進めたい企業の方向けに、「どうすればAI活用が進むのか」をビジネスの視点から書いています。
DataStrategy株式会社
http://datastrategy.jp

DataStrategy

August 20, 2017
Tweet

More Decks by DataStrategy

Other Decks in Technology

Transcript

  1. いわゆる「⼈間のようなもの」ではなく 特定のタスクを解くことに特化したものが⼀般的 Data Strategy Inc. | 5 人工知能 深層学習 (ディープラーニング)

    機械学習 人間の脳をどうすれば模倣できるか 特定タスクに対して 人間が学習する能力を アルゴリズムで再現できないか 機械学習の手法である脳のニューロンを 模したモデル(ニューラルネットワーク)を使い 特定タスクに対する人間の学習能力を 再現できないか 1950~ 1980~ 2010~ 大体の目安
  2. AIモデルの構築イメージ • ⼤量のInput/Outputデータを機械に「学習」させる(教師あり 学習)。 Data Strategy Inc. | 6 過

    去 の デ タ Model 猫である 猫ではない 猫である 猫である 猫ではない 同じサイズの 画像データ Input Model Output Input/Outputの 組み合わせから AIを学習させる Model 猫ではない ü 未知のデータ(過去にModelに投入していないデータ)の判別ができる ü 教えられていないこと(例:犬)は、判別できない
  3. AIとデータマイニングの違い • 予測・分類が出来る点で、データマイニングとは異なる Data Strategy Inc. | 7 0" 1"

    2" 3" 4" 5" 0" 1" 2" 3" 4" 5" Model 猫では ない データマイニングは 過去のデータから傾向を見つける AIはデータに対して 予測や分類ができる
  4. モデル構築の際に苦労するポイントの⼀つが ⼤量のInput/Outputデータ(正解データ)の作成 Data Strategy Inc. | 10 大量の画像とハンドル角度を 訓練データとして学習させる 訓練データにない画像でも

    ハンドル角度の予想が可能になる 出典:Udacity Self-Driving Nanodegree / Open Sourcing 223GB of Driving Data https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models/rambo 自動運転のうち「ハンドルの角度」を推定するモデルの構築イメージ
  5. データ収集のIoT + 解析のAI = 新しいUXの提供へ Data Strategy Inc. | 11

    IoTとAIの基本コンセプト モノ (製品など) クラウド データ蓄積 AI (人工知能・機械学習) センシングと インターネット接続による データ収集 分析や モデル構築に 活用 結果をサービスへ フィードバック WEB上での 他サービスや データとの接続
  6. ⼩型デバイスによる消費者タッチポイントの変化 Data Strategy Inc. | 13 出典: GlassView - Video

    advertising on wearables and IoT https://www.youtube.com/watch?v=ob8-WT1LfJc 動画詳細は 左下のURLから ご覧ください
  7. 現場の声に基づく企業のAI/IoT活⽤フェーズ Data Strategy Inc. | 16 ①初期 ②構想検討 ③PoC ④本格展開

    • 何から手をつけたらよいか わからない • AI/IoTの概要を理解 • ビジネス上の課題の特定 • 解決したい課題は見えて いるが、本当にできるのだ ろうか? • 必要なデータの洗い出し、 収集方法の検討と実行 • 実際にこのデータを使えば こんなことができるのでは ないか? • 簡単なモデル検証から 分析を開始 • 運用方法の検証 • XXXという機能を開発した い! • 本格運用、スコープ設定 • 継続的な運用と改善 現場の声 おすすめのAction
  8. 人事・採用 WEB広告・マーケティング モデル応用 (分野横断) 法務 データセクション オプト フリンジ81 メタップス ゼロスタート

    フロムスクラッチ ウサギィ WACUL GlassView …etc 会計 DataRobot PKSHA AI Inside エクサインテリジェンス ALBERT iAnalysis DataStrategy 需要予測 MAGELLAN BLOCKS GENESISS その他 (業務支援) R&D, 画像解析, 自動化 音声・自然言語処理 大量データ処理・分析 センシング クラウド・計算機 その他・解析環境 Preferred Networks LeapMind Morpho Idein Ficha ARAYA レトリバ 白ヤギコーポレーション Fairy Devices Alts Nextremer Hmcomm Treasure Data ブレインズテクノロジー さくらインターネット(高火力) XTREME DESIGN DEEP Station (UEI) (TBD) FRONTEO(旧UBIC) コグニティブ法務案件 FAQ(弁護士ドットコム) HUE (Works Applications) MoneyForward, Freee Scouty SUSQUE 農業 教育 製造業 金融・投資 流通・小売 観光 ヘルスケア・ 創薬 宇宙・気象 ファームノート ドローン米 (Drone Japan) KAKAXI Abeja KARTE (株式会社ブレイド) SENSY Axel Space Weather News Magic Price (SORA) LPixel FiNC MOLCURE MOFF 出版 完全自動決算サマリー(日経新聞) Mynd Qubena (COMPASS) *自社開発、もしくは技術を有するベン チャーとの連携が多い。連携事例: TOYOTA*PFN, ファナック*PFN, キューピー*ブレインパッド, など Alpaca Mercury Xenondata WEB サービス *技術者の自社採用、自社開発が多い。 例: リクルート, Yahoo, 楽天, LINE, Cookpad, Sansan, はてな, など Industry Function Core Technologies [参考] 日本国内の人工知能(機械学習・深層学習)関連 ベンチャー事例集 Version-0.9 Chainer (PFN) Neural Network Console (SONY) Answer Finder (レトリバ)
  9. [参考] 企業のバリューチェーンにおける最適化マトリックス Version-0.9 管理全般 (支援活動) サービス 提供 マーケティング 営業 出荷物流

    製造 購買物流 • 需要予測 • 在庫・調達価格最適化 • 配送最適化・自動化 • オペレーション効率化 • 異常検知 • 配送最適化・自動化 • 店舗配置最適化 • 顧客ターゲティング最適化 • 広告内容の最適化 • 離反・購買予兆の検知 • UI, UXの個別化 • 定型業務, 繰り返し業務の自動化 • xxx • xxx 農業 製造業 金融業 ・・・ 最適化のテーマを 自社の業種業態に 置き換えた場合、 どこが活用の可能性が ありそうかを考える 事例をふまえた最適化・効率化ポイント
  10. AI(人工知能) 活用方法診断 AI(人工知能) 活用 アドバイザリー マーケティング アドバイザリー AIやデータを活用した 業務サポート可能性診断や 見直し検討、IoTなど

    技術トレンドを踏まえた PoCを一緒に行います。 分析の進め方や分析方法、 モデル構築の再検討、 採用のみきわめや AIチーム立ち上げなどを 貴社メンバーの一員として 包括的にサポートします。 調査の進め方や発注方法、 広告や商品コンセプトの 開発方法、マーケティング 施策づくりについて サポートします。 弊社サービスメニュー: 以下のようなお悩みを解決します ü AI, IoTと言われているが、自社の場合は どんな活用が可能か見て欲しい ü まずは自社でどんな活用可能性が ありそうか自社データを含めて診てほしい ü 既に技術活用の取組を始めているが、 効果が出ておらず外部の経験者に 見て欲しい。 ü データ分析を効果的に進める方法や、 採用・組織設計も含めて全部教えて欲しい。 ü マーケティングリサーチを実施したが、 実際の打ち手や売上につながっていない ü お客さまが何を考えているのか把握して、 売上につながる商品コンセプトや広告を 考えたい Data Strategy Inc. | 20
  11. お客さまの実際の声(頂いた声をそのまま掲載しております) Data Strategy Inc. | 21 ・調⼦のいい話をして、ࢿྉͷݟͤํͳͲͰͳΜͱͳ͘ޡຐԽ͢ͷͰ͸ͳ͘ɺग़དྷΔͱ͜ Ζ͸΋ͪΖΜͰ͕͢ɺग़དྷͳ͍͜ͱ͸ग़དྷͳ͍ͱݴͬͯ௖͍ͨ͜ͱ、また、ग़དྷͳ͍ࣄʹ ؔ͠·ͯ͠΋Կނग़དྷͳ͍ͷ͔ͷཧ༝ͷઆ໌ɺԿ͕͋Ε͹ग़དྷΔͷ͔ͷચ͍ग़͠ɺ୅ସҊ ͷ͝ఏࣔまで頂き⼤変助かりました。

    ・泥臭いところから、ఘΊͣʹਐΊɺ͜͜·Ͱͷࣄ͸Ͱ͖Δという姿を⽰して頂き、分析 とはこうあるべきだという姿勢を学ばせて頂きました。 ・クライアントのデータ、ビジネス、サービスに対するキャッチアップが⼤変早く、また 把握されている内容も正確なため、෼ੳ݁Ռʹର͢Δղऍ΋ɺҧ࿨ײͳ͘ɺ৽ͨͳൃݟ͕ ͋Δものでした。 (IT企業・ マネージャーさま) ・分析能⼒だけではなく、コミュニケーション、課題解決、およびわかりやすい説明、報告 ⽤の資料含めて⼤変助かりました。 ・データを把握するスキルも⾼いのと、⼀⼈ではなくνʔϜͰͷۀ຿ͷ਱ߦも進んで実施い ただき感謝しています。 (⼤⼿企業・ 管理職さま) ・データ分析やマーケティングに関して、説明してくださる内容が素⼈でも分かりやすく良 かった。それ以外の部分の知識も幅広くアドバイスをもらえて良かった。また、例えばWEB マーケティングの取組みなど、୯ʹΞυόΠεΛ΋Β͑Δ͚ͩͰ͸ͳ͘ɺ࣮ࡍʹखΛಈ͔͠ ͯɺࣄۀΛಈ͔ͯ͘͠Εͯྑ͔ͬͨ。 (公的機関・部⻑さま)