WebDBForum2019_Poster

 WebDBForum2019_Poster

WebDBForum2019のポスター発表資料です。
X-Tech領域におけるAI・データ活用について事例と併せてまとめています。

640256f07e8f13830718bbf620e0515f?s=128

GA technologies

September 09, 2019
Tweet

Transcript

  1. X-Tech領域におけるAI・データ活用 ( ①Machine learning / ②GraphDB / ③Image processing /

    ④Deep learning ) WebDB Forum 2019 氏名 橋本 武彦(はしもと たけひこ) 所属 ㈱GA technologies AI Strategy Center General Manager 電気通信大学 客員准教授 キャリア サマリ • Sier(エンジニア5年/研究員2年)⇒調査会社(リサーチャー3年)⇒ ブレイン パッド(シニアデータサイエンティスト9年)を経て2017年 4月から現職 • データサイエンティスト協会(前事務局長)やデータサイエンティスト育成の新 規事業の立ち上げ • 電通大、滋賀大、慶應SFC、立教大など大学や官公庁での講義や講演・執筆 など E-Mail t_hashimoto@ga-tech.co.jp Socialアカウント https://www.facebook.com/hashimoto.takehikko
  2. PropTech(不動産テック)における課題と当社の取組例 2 2  情報の非対称性(toCの課題) 低い生産性(toBの課題) • 高額商材故に経験がない(家は一生に 一度の買い物) • 同一の商材が存在しない

    • 情報(データ)が少ない • 零細企業が大半 • 法の規制 • (インフラとして)ITがない • ITリテラシーも高くない ①推定価格の提示 (Machine learning) ②最適経路探索の活用 (GraphDB) ③物件仕入れの効率化(レコメンド) (Image processing) ④間取図読取りによるCAD作成 (Deep learning) 課題解消に向けた 当社の取組例
  3. 【背景】不動産は一生に一度の買い物であり相場観を持ちにくい。     情報も少なく、中古マンション価格が不透明 【課題】データが少ない & エリア、面積、駅距離など多様な要素が     価格に影響 & サイト来訪者の温度感は初期は高くない 【対応】精度の高い推定価格を簡易な入力で提示 ①推定価格の提示(Machine

    learning) 業界最高水準 MER 4.6% ※Median Error Rate  (誤差率中央値) In Processing Out 3 3 3 (Key)マンション名、部屋番号 (変数)住所、所在階、総階数     面積、築年数 来訪者の モチベーションを損 なわないように 最少5変数に絞 り、入力を簡易 化 自社システムと連携し、リアルタイム に売却活動を可視化 物件データ拡充&エリア情報を特徴 量に活用しバラツキ軽減 (課題)さらなるバラツキ軽減と     MERに変わる新指標 Old  Regression New  XGBoost 情報の非対称性( toC) URL https://www.ga-tech.co.jp/news/release/1465/
  4. 【背景】(2点間でなく)多点間で交通手段を跨いで最適経路を把握したい 【課題】複数な条件下で 検索時間が長い & 柔軟な検索が困難 【対応】GraphDBでの高速化 & 異種データのMappingによる可視化 ②最適経路探索の活用(GraphDB) 情報の非対称性(

    toC) JSAI2019 全国大会優秀賞 ※他に複数学会で採択 Future Work URL https://confit.atlas.jp/guide/event-img/jsai2019/4D3-E-2-03/public/pdf 4 4 4 • 駅間移動の精緻化 • 経済データ(持家率、 収入等)追加 • 交通手段の差異考察 • 渋滞との関係 • 海外都市との比較 シミュレーション、スコアリング からマッチングへ hex gridに以下情報を集約 • train network • bas network • road network • popularion Example, Network Synergy train bas train+bas This Time Tokyo Station via train+hex in 5 minute isochrones
  5. 【背景】仕入れ担当者に毎月数千枚の紙・ FAXが届く(大半ゴミ箱へ) 【課題】データが蓄積されない & 仕入れ基準が担当ごとにバラバラ &     チラシレイアウトがバラバラ 【対応】画像認識 + 機械学習によるレコメンドと運用フォローの連携

    ③物件仕入れの効率化(Image processing) 生産性の低さ(toB) In Processing Out URL https://japan.cnet.com/article/35113386/ 5 5 5 PDFを自動読込(OCR) ※着色  マンション名、住所  賃料、修繕費、管理費、等 推定賃料 契約書自動作成 (RPA) 添付ファイル判別 (チラシ/契約書) 等 運用 機械学習      + 過去の販売データを学習 し、早期販売を予測して、担 当者にレコメンド 担当は1%の◎から対応 読取精度が100%では ないため運用対応が必須
  6. 【背景】建設業界の長時間労働 【課題】リノベーション時に中古マンションの図面データが入手困難な     ため、新築時の図面をトレースし CADデータを作成(長時間作業) 【対応】GANとFaster R-CNNの認識結果トレースを元に CADデータ作成     (& データ収集による精度向上の仕組みを提供) ④間取り図読取りによるCAD作成(Deep

    learning) 生産性の低さ(toB) 設計図面起こしが 1日作業⇒2時間作業 に大幅減少 In & Processing URL https://www.ga-tech.co.jp/news/release/1561/ 6 6 6 Out CADデータ作成 ↓ 精度向上のため データ収集 ↓ 長期的にはBIM と連携
  7. Point:リアルへの”Respect”と”Support” ⇒リアルとデジタルが融合した世界へ向けて • Respect ◦ (前提)感謝の気持ち ◦ 今までの仕事のやり方を過度に否定しない ▪ 経緯や理由をきちんと伺う

    ◦ 職人の勘と経験は貴重( KDD ⇒ KDD+D) ◦ まずはQuick-Win • Support ◦ リアル側と距離を近づける(物理 /心理) ◦ 業務フロー全体を考慮し、変更は少なく ◦ ビジネスへの影響も最小限に抑えつつ ◦ 繰り返し啓発 & トレーニング (デジタルSideからみた) X-TechにおけるAI・データ活用のPoint 7 7 ※引用:会社を変える分析の力(元大阪ガス(株) 河本氏) http://www.ogis-ri.co.jp/event/docs/1209964_6738_01.pdf 見 つ け る 力 解 く 力 使 わ せ る 力
  8. We are hiring! 8 8 GA technologies 会社概要 設立年月日 2013年

    3月 資本金 5億6397万9950円(2019年6月時点) 代表取締役 樋口龍 事業内容 • AIを活用した中古不動産の総合的 なプラットホーム「RENOSY®」の開 発・運営 • AIを活用した不動産業務支援ツー ルTechシリーズの開発・運営 従業員 344名(2019年4月時点) • 2018/7マザーズ上場、設立5年で売上 200 億のPropTechのスタートアップ • セールスなど強力なリアル人材が多数在籍 の一方で、エンジニアが全社員の 44%と Technologyとの融合に注力 • 2017/4にAI Strategy Centerを設立(不動 産業界初)。技術顧問は杉山将氏 • AI Strategy CenterのVision「事業全体を見 据えて行動を起こせる研究者集団」 ⇒急成長ゆえ課題も多いですが、    Excitingな環境です!  Let’s Join us!