Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
AIミーティング登壇資料:焼肉屋での新人教育
Search
川上 大心
June 11, 2024
Research
1
61
AIミーティング登壇資料:焼肉屋での新人教育
バイトリーダーが考えた、新人教育手法(AI)システム
川上 大心
June 11, 2024
Tweet
Share
More Decks by 川上 大心
See All by 川上 大心
飲食業における業務支援システムの開発
kawakami_daishin
0
8
Other Decks in Research
See All in Research
Intrinsic Self-Supervision for Data Quality Audits
fabiangroeger
0
340
資産間の相関関係を頑健に評価する指標を用いたファクターアローケーション戦略の構築
nomamist
0
140
Whoisの闇
hirachan
3
310
文書画像のデータ化における VLM活用 / Use of VLM in document image data conversion
sansan_randd
2
530
20241115都市交通決起集会 趣旨説明・熊本事例紹介
trafficbrain
0
1k
メタヒューリスティクスに基づく汎用線形整数計画ソルバーの開発
snowberryfield
3
780
CoRL2024サーベイ
rpc
1
1.6k
Tiaccoon: コンテナネットワークにおいて複数トランスポート方式で統一的なアクセス制御
hiroyaonoe
0
430
複数データセットを用いた動作認識
yuyay
0
120
Leveraging LLMs for Unsupervised Dense Retriever Ranking (SIGIR 2024)
kampersanda
2
310
Zipf 白色化:タイプとトークンの区別がもたらす良質な埋め込み空間と損失関数
eumesy
PRO
8
1.4k
IM2024
mamoruk
0
230
Featured
See All Featured
Building an army of robots
kneath
303
45k
Making the Leap to Tech Lead
cromwellryan
133
9.1k
Building Applications with DynamoDB
mza
93
6.2k
Building a Modern Day E-commerce SEO Strategy
aleyda
38
7.1k
The Cost Of JavaScript in 2023
addyosmani
47
7.4k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
46
2.3k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
100
18k
GraphQLの誤解/rethinking-graphql
sonatard
68
10k
Code Review Best Practice
trishagee
67
18k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
4
430
ReactJS: Keep Simple. Everything can be a component!
pedronauck
666
120k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
21
2.5k
Transcript
焼肉屋での新人研修 焼肉屋バイトリーダー 川上 大心
自己紹介 焼肉屋で6年間アルバイト 専門学校(人工知能学科)卒業学年 プログラミング2年弱 趣味、日常で見つけた課題を技術で解決してみること (3) 川上 大心 (@paiapaipai) /
X
目次 1,課題発見 2,使用技術とシステム構成 3,やってみたこと 4,考察
スタッフの入れ替わり激しい 新人の教育大変
店の考え 売り上げ意識 [定量目標] おもてなし ホスピタリティ [定性目標]
目標:臨機応変に対応できるスタッフ 例:店の回転率上げるために 素早く料理提供をする。 例:忙しくなりそうなときは 事前にタレなどを補充して 店が回るように準備 例:笑顔でおかえりいただくために 出来うる限りのサービスをする。 例:ドリンクが空のお客様に ドリンクを聞いたり、
空いているお皿を下げるなど
新人と一人前の違い 一人前:状況に合わせた判断、対応 忙しいときは素早く準備をする 新人:経験がないので状況把握が苦手 いつも通りの動きをする 一人前:気配り思いやりの幅が広く 良くお客様をみている 新人:いつも通りのサービス、 気づけないことも多い。
来客予測AI 忙しくなりそうかどうかが、これでわかります。
XAI(説明可能AI) なんで忙しいのか、状況の把握に役立ちます。
LLM×業務知識 ベテランの業務知識をプロンプトに組み込んで サービスの考え方や、具体的で状況にあったアドバイス!
過去データ 予測日の情報 完成 来客数予測と貢献度評価 業務知識 予測来客数 ◦◦人 実数と予測貢献度 曜日[土曜日:40%] 予約数[10件:20%]
降水量[60mm:40%] etc… LLM 提案
使用技術 来客予測AI:XGBoost カテゴリデータが扱えて、SHAPに対応している。 XAI:SHAP ゲーム理論で予測に対する特徴量ごとの貢献度を出力できる。 LLM:GPT 安定した出力と高いカスタマイズ性がある。
説明可能AI 参照元:Explainable AI(XAI)を活用 し、業務システムへのAIの適用や 継続的な運用・改善を支援する 「AI導入・運用支援サービス」を提 供開始 (hitachi.co.jp)
デモ システムが未完成の為 GPTsでデモさせていただきます。
None
None
プロンプトの骨組み 役割付与:役割を与えることで回答の精度が上がる。 コンテキスト入力:店の情報や天気の情報を入れることで、忙しさの判別など、異常な事態を感知することができる。 制限付与:制限を与えることで飛躍した話をしなくなり、精度が上がる。 データ形式の明示:入力データの形式を説明することで精度が上がる。 手順明示:出力の手順を指定することで精度が上がる。 Few-shot学習:複数の例文を与えることで再現性が高くなる。 事前知識:知識としてバックデータを置くことで専門性が上がる。
GPTsでの出力実験 4パターンの入力に対して、再現性の高い出力を確認。 事前知識を置くことで、より専門性の高いアドバイスに成功。(薬味の種類など) まとめ:状況に応じた再現性の高いアドバイスが生成できた。
None
None
将来的に自動化されるサービス業 日本の人口が減っていく中で、 サービス業にも自動化の流れが訪れると考えています。 まずその一歩として、新人とベテランの差がうめれたらなと 働きながら思っていました。
今後の展望 卒業研究として自分のバイト先で実証実験をしてみたいと考えています。 説明可能AIや、来客予測AIのモデル選定がまだ不十分、、、 ご意見いただけると嬉しいです!
None
None