クルマのサブスクの"出口"で 値付けAIを作る

Transcript

1. クルマのサブスクの"出口"で 値付けAIを作る 〜ML予測 × LLM判断のハイブリッド設計〜 2026.08.27 現場を動かすAIエージェント（福岡）／ KINTOテクノロジーズ株式会社 笹野 翔太
2. 自己紹介 • 笹野 翔太（Sasano Shota） • KINTOテクノロジーズ / AIエンジニア・FDE • サッカー観戦 ◦ 推しチームは無いです、純粋に競技として KINTO Technologies Corporation
3. 前提共有：KINTO ＝ クルマのサブスクサービス 気軽にマイカーを持てる、 クルマのサブスクサービス ・任意保険・自動車税など諸経費コミコミの月々 定額 ・WEBで申込みから契約まで完結 ・新車 kinto-jp.com ／ 中古車 up.kinto-jp.com 私たちKINTOテクノロジーズは、このサービスのシステムを内製している会社です KINTO Technologies Corporation
4. クルマのサブスク、契約が終わったクルマが どうなるか知ってますか？ KINTO Technologies Corporation
5. クルマのサブスクには"出口"がある（1/3） • 契約が終わると、クルマが返ってくる ◦ 3・5・7年落ちのクルマが、毎月まとまった台数 KINTO Technologies Corporation
6. クルマのサブスクには"出口"がある（2/3） • 契約が終わると、クルマが返ってくる ◦ 3・5・7年落ちのクルマが、毎月まとまった台数 • 返ってきたクルマは、行き先を決める ◦ もう一周貸す（中古車サブスク） ◦ 市場で売却する KINTO Technologies Corporation
7. クルマのサブスクには"出口"がある（3/3） • 契約が終わると、クルマが返ってくる ◦ 3・5・7年落ちのクルマが、毎月まとまった台数 • 返ってきたクルマは、行き先を決める ◦ もう一周貸す（中古車サブスク） ◦ 市場で売却する • 売却の主戦場は、業者間の中古車オークション ◦ 出品には、値付け（いくらで売れるかの予測）が必要 ←今日の話 KINTO Technologies Corporation
8. その値付け、誰がやってるの？ KINTO Technologies Corporation
9. 値付けの現場（1/3） • 数人の担当者が、人手でやっている KINTO Technologies Corporation
10. 値付けの現場（2/3） • 数人の担当者が、人手でやっている • 車種・年式・走行距離・評価点…の情報から ◦ 過去の落札実績を検索して、1台ずつ判断 ◦ 相場の変動もベテランが日々ウォッチし、時勢を織り込んで値付けしている KINTO Technologies Corporation
11. 値付けの現場（3/3） • 数人の担当者が、人手でやっている • 車種・年式・走行距離・評価点…の情報から ◦ 過去の落札実績を検索して、1台ずつ判断 ◦ 相場の変動もベテランが日々ウォッチし、時勢を織り込んで値付けしている • 「なぜその値段か」は担当者の経験の中 ＝ 属人的 KINTO Technologies Corporation
12. 値付けをミスると…（1/2） • 高すぎる → 流札（売れ残り） ◦ 出品料が無駄に。持ち越す間に相場下落のリスク KINTO Technologies Corporation
13. 値付けをミスると…（2/2） • 高すぎる → 流札（売れ残り） ◦ 出品料が無駄に。持ち越す間に相場下落のリスク • 安すぎる → そのまま売却損 ◦ 1台数十万円単位の損益が、毎週、人の肩に載っている KINTO Technologies Corporation
14. 整理すると、課題は2つ（1/2） • ① 属人性 — 「なぜその値段か」が人の中にある ◦ 相場観も判断基準も、ベテランの経験の中。形式知になっていない KINTO Technologies Corporation
15. 整理すると、課題は2つ（2/2） • ① 属人性 — 「なぜその値段か」が人の中にある ◦ 相場観も判断基準も、ベテランの経験の中。形式知になっていない • ② スケールしない — 台数が増えると、捌ききれない ◦ 増員しようにも、ニッチな知識と専門領域で採用・教育が難しい ◦ 「クルマが好きで、中古車の価格に興味がある人」という前提になってしまう KINTO Technologies Corporation
16. 自動値付け、既にあるんじゃないの？ KINTO Technologies Corporation
17. あるんです • 類似実績の平均を取る、統計ベースのロジックが既にある • 方向性は正しい。ただ—— KINTO Technologies Corporation
18. 既存値付けの課題 • 実際に機能しているのは… ◦ 一部の車両にとどまる（多くは人手判断が前提） • 比較できる実績が1件も無いクルマ（0ヒット）が… ◦ 毎回、一定数ある • しかも相場は1〜3ヶ月で動く ◦ これを織り込めていない KINTO Technologies Corporation
19. 再掲：この2つの課題、AIでどこまで解ける？ 課題① 属人性 ✓ ML（落札価格予測）で解ける ベテランが相場を日々ウォッチし、 相場の変動は、時系列特徴量と週次学習で追える。 時勢を織り込んで値付けしている 数字を当てるのは機械学習の得意分野 課題② スケールしない ✕ MLだけでは解けない 増員も教育も難しい。少人数で大量の 「なぜその値段か」の言語化は、 AI値付けを回すには、根拠が要る 数字を返すモデルの外側にある この“解けない半分”を、どう解くか KINTO Technologies Corporation
20. LLMに高度なタスクを解かせる“定石”は、出揃ってきている コンテキストエンジニアリング ハーネスエンジニアリング Few-shot Tool use お手本の入出力例を渡して型を教える 必要な情報をLLM自身に取りに行かせる RAG MCP・外部連携 関連文書・ナレッジを検索して注入する 検索・DB・社内システムへの接続口を渡す LLM プロンプト設計 構造化出力 役割・業務前提・出力形式を固定する JSONスキーマや検証で出力を縛る ループエンジニアリング KINTO Technologies Corporation Agentic loop 自己修正 計画→実行→観察を繰り返 す 検証して失敗したらやり 直す
21. じゃあ、過去の落札統計をぜんぶ渡せば？ 過去の落札実績 ＋ 毎週更新される相場 ＋ 車種・グレード・評価点・装備… LLM コンテキスト爆発 入り切らない・薄まる・高い・遅 い ＋ ベテランのドメイン知識 そもそもLLMが詳しいのは店頭の中古車価格。業者間オークションの相場観は、渡さないと持っていない “ちょうどいいコンテキスト”に、どう圧縮するか—— KINTO Technologies Corporation
22. MLモデルを、過去統計の“圧縮機”と見立てたら？ コンテキストエンジニアリング ハーネスエンジニアリング Few-shot Tool use お手本の入出力例を渡して型を教える 必要な情報をLLM自身に取りに行かせる RAG 関連文書・ナレッジを検索して注入する MCP・外部連携 プロンプト設計 検索・DB・社内システムへの接続口を渡す LLM 役割・業務前提・出力形式を固定する 構造化出力 ML予測モデル ＝ 統計の圧縮機 JSONスキーマや検証で出力を縛る 数千件の実績 → 予測値＋比較車両の“数行” へ ループエンジニアリング KINTO Technologies Corporation Agentic loop 自己修正 計画→実行→観察を繰り返 す 検証して失敗したらやり 直す
23. その課題に対して、作ったものがこちら KINTO Technologies Corporation
24. デモ：実車を選ぶと4つの手法が値付けし、LLMが根拠を言語化する KINTO Technologies Corporation
25. ※参考：この値段、実勢と比べてどう？ • デモの予測（2022年式アルファード・走行3万km・評価点4.5） ◦ 推奨 3,450千円／レンジ 3,200〜3,800千円 ◦ これは業者間オークションの落札価格（＝卸値）の予測 • 店頭の中古車価格は（大手中古車情報サイト調べ） ◦ 2022年式アルファードは、平均 350〜600万円台 ◦ 走行2〜4万kmの良コンディション帯は 400〜550万円が中心 • 店頭価格 ＝ 落札価格 ＋ 販売店の整備・保証・マージン ◦ 卸値である落札価格が、店頭価格の下に来るのは想定どおり ◦ 今回はグレード未指定（ハイブリッド/上位グレード判別不可）なのでレンジは下 限寄り KINTO Technologies Corporation
26. いま見てもらったこれ、どう作ったか？ KINTO Technologies Corporation
27. やったことは、大きく3つ • ① 値付け業務理解 • ② MLモデル構築 • ③ LLMに説明させる機能追加 KINTO Technologies Corporation
28. 01 値付け業務理解 編 まず、教えを乞う KINTO Technologies Corporation
29. 最初にやったのは、現場との会話とデータの解剖（1/2） • 現場に聞いたこと ◦ どんなデータがあるのか ◦ 現場はどうやって値付けしているのか ◦ 既存の自動値付けの、何に困っているのか ◦ この検証に、何を期待するのか KINTO Technologies Corporation
30. 最初にやったのは、現場との会話とデータの解剖（2/2） • 現場に聞いたこと ◦ どんなデータがあるのか ◦ 現場はどうやって値付けしているのか ◦ 既存の自動値付けの、何に困っているのか ◦ この検証に、何を期待するのか • 並行して、値付けの予実データを解剖 ◦ 精度・0ヒット・信頼スコア・時系列を、分析ノートブック5本で ◦ → 課題が一言になった：「実績のないクルマに、値段を付けられるか？」 KINTO Technologies Corporation
31. 02 MLモデル構築 編 実績のないクルマに、値段を付けられるか？ KINTO Technologies Corporation
32. 試したこと① 「似たクルマ」から借りる（1/2） • 技術候補を、実データで横並び比較 ◦ ルールベース：検索条件を段階的に緩める ◦ k-NN 類似検索や 勾配ブースティング回帰、それらのアンサンブル ◦ 車名を跨いで、別車種の近いクルマから借りる——も試した KINTO Technologies Corporation
33. 試したこと① 「似たクルマ」から借りる（2/2） • 技術候補を、実データで横並び比較 ◦ ルールベース：検索条件を段階的に緩める ◦ k-NN 類似検索や 勾配ブースティング回帰、それらのアンサンブル ◦ 車名を跨いで、別車種の近いクルマから借りる——も試した • k-NNの強み＝「比較車両」という根拠を出せること ◦ 実績ゼロのクルマでも、スペックの近いクルマは大体いる KINTO Technologies Corporation
34. 試したこと② 情報を外から足す（1/2） • 手元のデータだけでは、クルマの情報量が足りない ◦ 車種の属性（セグメント・ボディタイプ）をマスタ化 ▪ セグメント＝車格の分類（軽・コンパクト・ミドル・ラージ・SUV・ミニバン・高級 など） ▪ ボディタイプ＝形状の分類（セダン・ハッチバック・ワゴン・SUV・ミニバン・クーペ） ◦ 新車価格のマスタデータを整備（車種×グレード×年式） KINTO Technologies Corporation
35. 試したこと② 情報を外から足す（2/2） • 手元のデータだけでは、クルマの情報量が足りない ◦ 車種の属性（セグメント・ボディタイプ）をマスタ化 ▪ セグメント＝車格の分類（軽・コンパクト・ミドル・ラージ・SUV・ミニバン・高級 など） ▪ ボディタイプ＝形状の分類（セダン・ハッチバック・ワゴン・SUV・ミニバン・クーペ） ◦ 新車価格のマスタデータを整備（車種×グレード×年式） • 情報量を増やした状態で、勾配ブースティングを再評価 ◦ 新車価格が、モデルの最重要特徴量になった ◦ 実績ゼロのクルマにも「車格」という物差しが入った KINTO Technologies Corporation
36. 試したこと③ 相場の動きを、特徴量にする（1/2） • 相場は1〜3ヶ月で動く — ベテランはそれを目で追っていた ◦ 課題①の正体。時勢を織り込まないと、古い相場で値付けしてしまう • そこで、lag特徴量を作成して追加 ◦ 直近の落札価格（lag）・移動平均・価格トレンド・季節性 KINTO Technologies Corporation
37. 試したこと③ 相場の動きを、特徴量にする（2/2） • 相場は1〜3ヶ月で動く — ベテランはそれを目で追っていた ◦ 課題①の正体。時勢を織り込まないと、古い相場で値付けしてしまう • そこで、lag特徴量を作成して追加 ◦ 直近の落札価格（lag）・移動平均・価格トレンド・季節性 • 時系列リーク防止 ◦ 特徴量は「その時点で知り得た過去」だけから計算する KINTO Technologies Corporation
38. 03 LLMに説明させる機能追加 編 「なぜ」を、どう言語化するか KINTO Technologies Corporation
39. 「なぜ」を足す — 発想を、実装に落とす（1/2） • ②のMLで、値段は出るようになった。でも—— ◦ 課題②のとおり、少人数で回すには根拠が同時に要る ◦ 根拠の言語化は、数字を返すモデルの外側 → LLMの出番 KINTO Technologies Corporation
40. 「なぜ」を足す — 発想を、実装に落とす（2/2） • ②のMLで、値段は出るようになった。でも—— ◦ 課題②のとおり、少人数で回すには根拠が同時に要る ◦ 根拠の言語化は、数字を返すモデルの外側 → LLMの出番 • さっきの「圧縮」の発想を、そのまま実装する ◦ ML予測結果 ＝ 数千件の落札統計の圧縮表現 ◦ ＋ 対象車両の情報 ＋ ベテランから教わったドメイン知識 ◦ この3点をコンテキストとしてLLMに渡し、判断と説明をさせる KINTO Technologies Corporation
41. LLMに、実際どうコンテキストを渡しているか（1/2） • システム側：役割と、ベテランから教わった業務前提を固定 ◦ 「あなたは業者間オークション（AA）の出品価格の値付け専門AI」 ◦ 店頭価格ではなく落札価格を予測せよ（LLMの事前知識は店頭価格に偏っている 、という警告つき） KINTO Technologies Corporation
42. LLMに、実際どうコンテキストを渡しているか（2/2） • システム側：役割と、ベテランから教わった業務前提を固定 ◦ 「あなたは業者間オークション（AA）の出品価格の値付け専門AI」 ◦ 店頭価格ではなく落札価格を予測せよ（LLMの事前知識は店頭価格に偏っている 、という警告つき） • リクエスト毎に注入：その車のコンテキスト ◦ 対象車両のスペック（車種・年式・走行・評価点・装備…） ◦ 車種マスタ属性（セグメント・ボディタイプ・同車名の平均プール価格） ◦ 各MLモデルの予測値・比較車両の価格範囲 KINTO Technologies Corporation
43. 最終的に組み上がった形：4段構えの値付けフロー • ① ルールラダー ：ベテランが値付け根拠を過去データから探す時の条件 • ② k-NN：ルールで対応できない場合、類似車両比較という根拠 • ③ ML（GBR / LightGBM）：過去実績アプローチからの参考値付け • ④ LLM ：①~③までを踏まえた最終判断と説明 KINTO Technologies Corporation
44. 実例：中古車として取り扱い実績ゼロのクルマ • レクサスES（2023年式・走行9.5万km・修復歴あり・外内装C） ◦ ルールラダー：過去扱い実績なし • ML 3手法の予測は…… ◦ GBR 3,023千円 ／ LightGBM 3,464千円 ／ k-NN 3,625千円 ◦ 最大60万円のばらつき。しかもGBR/LightGBMの比較車両はコンパクトSUV中心 レクサスESはコンパクトSUVではなくセダンタイプ KINTO Technologies Corporation
45. LLM（Opus）の判断 — 生の出力から抜粋 推奨 3,300千円（レンジ 2,900〜3,700）— 信頼度は「低」と自己申告 「新車価格約700万円のラグジュアリーセダンで、3年落ちなら通常400万円超の残価が期待できるが、走行9.5 万kmは年式に対して極端に多く、修復歴RAと外装・内装C評価が大幅な減額要因」 「GBR/LightGBMの比較車両はコンパクトSUV中心で車格が不一致のため、下方向への引っ張りは限定的に扱っ た」 「車格の比較妥当性が高いk-NNとLightGBMを重視しつつ、修復歴と過走行のリスク分をプール平均から約10% 割り引いた」 MLの数字だけでなく、MLの根拠の妥当性まで吟味して重みを変えている KINTO Technologies Corporation
46. MLの予測は、LLMに渡すための 「コンテキスト圧縮」でもある KINTO Technologies Corporation
47. で、結果どう？ KINTO Technologies Corporation
48. 精度：10台出したら、8台は±10%に収まる 誤差の中央値 ±10%以内に収まる割合 約4 % 約8割 300万円のクルマなら、ズレは 十数万円 くらい 10台に8台は、実用レンジに入る ・検証は、学習に使っていない直近の約1,000台で ・外れやすいのは、実績の薄いクルマと高額車 — ここは人間の出番（このあと話します） KINTO Technologies Corporation
49. デモを触った現場から • 「この精度で申し分ない」 • 「値付け理由があるだけで、値付け初心者はかなりありがたい」 • 「実績なし車両だけと言わず、値付けが要るクルマ全件に使いたい」 ◦ レポートではなくデモが、評価と本当のニーズを引き出した KINTO Technologies Corporation
50. 「全件に使いたい」と言われた KINTO Technologies Corporation
51. そして • 本番統合プロジェクトが正式決定 • 既存サービスへの本番統合に向けて、いま構築中 KINTO Technologies Corporation
52. 既存サービスへの組み込みまでに対応しなくてはいけないこと • AIは提案、人間が確定 ◦ 価格＋信頼度＋根拠をDBに書く → 担当者が確定・補正。第1段階は手動採用から • MLパイプライン基盤構築 ◦ MLモデルの学習パイプライン ◦ 精度モニタリング機構 KINTO Technologies Corporation
53. 作ってみての学び KINTO Technologies Corporation
54. 作ってみての学び（1/3） • LLMは、渡す前提（コンテキスト）がすべて ◦ 一度「このタスクに向いてない」と見限りかけた → 業務前提を渡したらバイアス半減 ◦ 渡しきれない統計は、MLで圧縮して渡すという選択肢がある KINTO Technologies Corporation
55. 作ってみての学び（2/3） • LLMは、渡す前提（コンテキスト）がすべて ◦ 一度「このタスクに向いてない」と見限りかけた → 業務前提を渡したらバイアス半減 ◦ 渡しきれない統計は、MLで圧縮して渡すという選択肢がある • 本番化を決めたのは、精度じゃなくて用途と信頼設計 ◦ MLの精度改善はデータ律速で頭打ちだった。それでも本番に行けた ◦ 「誰が・どの範囲で・どういう用途なら使うか」を現場と握る KINTO Technologies Corporation
56. 作ってみての学び（3/3） • LLMは、渡す前提（コンテキスト）がすべて ◦ 一度「このタスクに向いてない」と見限りかけた → 業務前提を渡したらバイアス半減 ◦ 渡しきれない統計は、MLで圧縮して渡すという選択肢がある • 本番化を決めたのは、精度じゃなくて用途と信頼設計 ◦ MLの精度改善はデータ律速で頭打ちだった。それでも本番に行けた ◦ 「誰が・どの範囲で・どういう用途なら使うか」を現場と握る • 動くものを作って現場と話すのが、結局いちばん速い ◦ 全員が同じものを見て話すと、検証も方向修正も速い ◦ コーディングエージェントの速さは、そのための道具 分析〜デモアプリデプロイまで：10日程度 KINTO Technologies Corporation
57. CREATED BY CLAUDE CODE ご清聴ありがとうございました KINTO Technologies Corporation