グロービスでの自然言語処理、機械学習の活用事例 / An example of natural language processing and machine learning in Globis

Caf4052c95389688df88d7b014b79556?s=47 Kenta Sasaki
April 17, 2019
Technology
1
600

グロービスでの自然言語処理、機械学習の活用事例 / An example of natural language processing and machine learning in Globis

Caf4052c95389688df88d7b014b79556?s=128

Kenta Sasaki

April 17, 2019
Tweet

Other Decks in Technology

See All in Technology
Eea9a05e6e222a3d50c73f54a49fadf4?s=48 rtechkouhou
0
540
6557f271a0b301f453f773be43cf876f?s=48 miyamoto_hiroki
1
200
C21becdee5cd08b34c7452276e64c1fe?s=48 yamamuteki
6
1.6k
Dd672f13e7e17714700544cb355cbaba?s=48 kyoshimoto
2
210
9e7a653ed313b3da4b263a772bfc5026?s=48 clustervr
0
410
Dd2fa99b9a9a3aa316986727ce8e134c?s=48 goccy
13
6.5k
53850955f15249a1a9dc49df6113e400?s=48 line_developers
0
130
26a00012c475c2380cd98cfe5e2e70ef?s=48 ozaki25
0
210
40301c0affdf359eaca771713e22b71a?s=48 harshbothra
0
940
1f745ff900e1be51aedae18cae76593c?s=48 kurochan
0
1.7k
B3d836132393f607053b041f70dafbfc?s=48 horiuchie
1
100
8a84268593355816432ceaf78777d585?s=48 dena_tech
0
2.2k

Featured

See All Featured
6804f1775cb4babfcc3851298566fbce?s=48 tanoku
84
8.3k
E6c6e133e74c3b83f04d2861deaa1c20?s=48 searls
202
35k
9fa239b3154a0169d99ab7bf1422dd12?s=48 marcelosomers
221
14k
Bfd6b681ec6e8c9bef82ff0521c364f7?s=48 kastner
51
1.8k
79acae287842acf29084005533a7fb3b?s=48 hursman
103
9k
Aff5641764408271f7bc398f2097edd0?s=48 denniskardys
218
110k
2f5463832ccb768ccb4a1ca3607c27ef?s=48 jacobian
249
19k
F68cb25ae3e5c2106997454b13b7737d?s=48 brad_frost
154
6.1k
0bce06bd06ee7a2c4f5500f25dcf7f18?s=48 paulrobertlloyd
70
3.3k
465724d73fe3a92c0879fdfb43a3a6f3?s=48 philhawksworth
189
17k
8081b26e05bb4354f7d65ffc34cbbd67?s=48 chriscoyier
142
19k
7559f6cff1f5efc2d210965febd4d71c?s=48 bermonpainter
340
25k

Transcript

  1. © GLOBIS All rights reserved. グロービスでの⾃然⾔語処理、 機械学習の活⽤事例 佐々⽊ 健太 2019/04/17

  2. ⾃⼰紹介 1. 東芝 2. リクルート 3. クックパッド 4. グロービス（グロービスAI経営教育研究所） Ø

    データ分析、機械学習を使ったサービス開発 Ø 良い教育とは︖教育効果とは︖などに関する研究 -2- © GLOBIS All rights reserved.

  3. 次世代のe-learningシステムの開発 • 記述式問題において、回答によってフィードバックが換わる -3- © GLOBIS All rights reserved. 従来のe-learning

    次世代のe-learning Aさんの回答 Bさんの回答 Cさんの回答 全員に同じフィードバック（FB） Aさんの回答 Bさんの回答 Cさんの回答 Aさん向け FB Bさん向け FB Cさん向け FB

  4. 次世代のe-learningシステムの開発 • 記述式問題において、回答によってフィードバックが換わる -4- © GLOBIS All rights reserved. 従来のe-learning

    次世代のe-learning Aさんの回答 Bさんの回答 Cさんの回答 全員に同じフィードバック（FB） Aさんの回答 Bさんの回答 Cさんの回答 Aさん向け FB Bさん向け FB Cさん向け FB 機械学習（教師あり）を使い 回答を採点。採点といっても、 正解と不正解に分類するだけ。 学習者への適切なフィードバックは、学習効果を⾼めることが既存 研究で確認されている。

  5. 機械学習（教師あり）のアルゴリズム • アテンション付きLSTMを利⽤ • 単語の分散表現（ベクトル）をネットワークの⼊⼒とする -5- © GLOBIS All rights

    reserved. 回答 分散表現 LSTM 若者 や 家族 い た 。 … … … Attention 正誤判定

  6. 採点結果サンプル -6- © GLOBIS All rights reserved. 問題例 格安航空会社がターゲットにしているのはどんな⼈達で、 普段はどんな交通⼿段を利⽤していたかを考えてください。

    （50⽂字以内で記述してください。）

  7. 採点結果サンプル -7- © GLOBIS All rights reserved. 問題例 格安航空会社がターゲットにしているのはどんな⼈達で、 普段はどんな交通⼿段を利⽤していたかを考えてください。

    （50⽂字以内で記述してください。） 回答に、 ・なるべく安く旅⾏したい⼈達 ・旅費を抑えたい⼈達 ・何でも低価格を好む⼈達 などの「値段」「価格」に関する要素が⼊っていれば正解。

  8. 採点結果サンプル • 正誤だけでなく、正誤の判定に影響したキーワードも分かる -8- © GLOBIS All rights reserved.

  9. 機械学習を導⼊するにあたって困難だった点 • 質の⾼い教師データの確保 • 採点者によって採点結果が異なる • 採点者に教師データの重要性を理解してもらう -9- © GLOBIS

    All rights reserved.

  10. 機械学習を導⼊するにあたって困難だった点 • 質の⾼い教師データの確保 • 採点者によって採点結果が異なる • 採点者に教師データの重要性を理解してもらう -10- © GLOBIS

    All rights reserved. ⼈によって採点結果が変わる回答例 1. 価格に敏感な⼈達 2. スーパーで1円でも安く買おうとする主婦 3. 仕事の出張では値段を気にしないのに、個⼈で旅⾏する 時は少しでも安く済ませようとする⼈達

  11. 機械学習を導⼊するにあたって困難だった点 • 質の⾼い教師データの確保 • 採点者によって採点結果が異なる • 採点者に教師データの重要性を理解してもらう -11- © GLOBIS

    All rights reserved. Slackで重要性を説く、 Kibelaに機械学習の誤 採点の例を載せるなど、 地道な啓蒙活動あるのみ。

  12. サービス化 • グロービス学び放題の⼀部ユーザにテスト公開中 -12- © GLOBIS All rights reserved.

  13. 最後に • We are hiring!! -13- © GLOBIS All rights

    reserved.