美術館の次の展覧会_何人来る_.pdf

JAWS FESTA 2026 in AKITAでのLT登壇資料です。

展覧会ごとに作家・作品・テーマが変わる美術館。過去の来館者数だけでは予測しにくい「次の展覧会に何人来るのか？」に、AWSと機械学習・生成AIを使って挑戦しました。

Amazon SageMakerでCatBoostを学習させ、数値情報だけを使った予測に、展覧会のカテゴリ情報、さらにAmazon Bedrockによる展覧会の特徴のスコアリングを加えることで、予測精度がどう変わるかを検証しています。

美術館ならではの予測の難しさから、モデルの選定、AWS構成、検証方法、うまくいった点・いかなかった点までを紹介。来館者予測を、ミュージアムショップやレストランのスタッフ配置・在庫・発注など、現場の運営につなげることを目指した試行錯誤をまとめています。

Transcript

1. 美術館の次の展覧会、何人来る？ 〜 生成AI vs SageMakerで美術館の来館者数を予測してみた 〜 まふりる #jawsug #jawsfesta2026
2. 0. はじめに 本LTは、直前にテーマを変更しています。 当初は、 「監視カメラは防犯だけじゃない。AWS IoTで店舗をデータドリブンにしてみた」 というテーマで準備を進めていました。 ただ、ぎりぎりまで取り組んだものの、15分の発表として⾃信を持ってお届けできるところまで、内容を磨ききるこ とができませんでした。中途半端な状態でお話しするよりも、今回はきちんと形にできた来館者数予測のテーマに変 更させていただきました。 ⼀⾒すると別のテーマに⾒えますが、私の中ではどちらも「店舗や施設の運営を、AWSとデータでもっと良くする」 という同じ課題から⽣まれています。 今⽇は、この店舗運営につながる視点も含めてお話しできればと思います。 なお、監視カメラとAWS IoTのテーマも諦めたわけではないので、しっかり完成させて、またどこかのJAWSでLTし たいと思っています。 直前の変更となりましたが、どうぞご容赦ください。それでは、本⽇のテーマを始めます。
3. 1. ⾃⼰紹介 定 兼太郎 分野 業務 資格 AWS 10 冠 趣味 登⼭、カメラ、海外旅⾏ 興味 Amazon Quick、Podcast、Unity ： ： ∕ Sada Kentaro （まふりる） クラウド&セキュリティ クラウド環境のアーキテクチャ設計‧開発
4. 2. 美術館について みなさん 美術館の年間の来館者数と聞いて、どのくらいの規模を思い浮かべますか？
5. 2. 美術館について 主要都市の美術館は年間数⼗万⼈規模の集客施設。 ⻘森県⽴美術館 約27万⼈∕年 秋⽥県⽴美術館 約？万⼈∕年 富⼭県美術館 約42万⼈∕年 京セラ美術館 約96万⼈∕年 東京都写真美術館 約38万⼈∕年 ※公開情報をもとにした直近年度の概算値。 ⼤阪市⽴美術館 福岡市美術館 約67万⼈∕年 約62万⼈∕年 ただ、この来館者数は年間を通して⼀定ではない。
6. 2. 美術館について 美術館には「常設展」と「企画展」の２種類の展⽰パターンある。 常設展 企画展 美術館が所蔵する作品を中⼼に、年間を通して継続的に紹介する展⽰ 特定の作家や時代、テーマに沿って作品を集め、期間限定で開催する展⽰ 企画展 常設展 豊島美術館 https://benesse-artsite.jp/art/teshima-artmuseum.html 国立新美術館 https://www.nact.jp/exhibition_special/2026/louvre2026/
7. 2. 美術館について 企画展は、作家‧作品‧テーマ‧開催期間が毎回異なるため、展覧会ごとに来館者数が⼤きく変わる スーパーやコンビニであれば、過去の来店者数や販売実績を次の予測に活⽤しやすいですが、美術館では「展覧会そのもの」が毎回変わる。 そのため、過去の来館者数だけでは、次の企画展に何⼈来るのかを予測しにくいという課題がある
8. 3. なぜ美術館の来館者⼈数を予測したいか 美術館は、展⽰室だけでできているわけではなく、カフェ、レストラン、ミュージアムショップ、講堂、ワー クショップスペースなど、来館者の体験を⽀えるさまざまな施設がある ミュージアムショップ レストラン 美術館の来館者数を予測できれば、スタッフの配置、飲⾷物の仕⼊れ、ショップ商品の在庫や発注、館内の混雑対策など を事前に計画でき、美術館全体の運営を改善し、来館者の体験をより良くするために活⽤できる
9. 4. 来館者を予測する⽅法とは 機械学習の⼿法として、今回学習させるデータのカテゴリ変数が多いため、Catboostを選択 ⽣成AIは、GPT6 Astra MAXで推論 線形回帰 回帰 ポアソン回帰 ベイズ回帰 ロジスティック回帰 教師あり学習 分類 SVM ランダムフォレスト k近傍⽅ バギング ブースティング 機械学習 古典的機械学習 教師なし学習 クラスタリング 階層的クラスタリング DBSCAN 主成分分析（PCA） 次元削減 t-SNE / UMAP 強化学習 ディープラーニング CNN Llama RNN / LSTM ⽣成AI Transformer Gemini ⼤規模⾔語モデル XGBoost LightGBM k-means AI（人工知能） Extra Trees CatBoost 決定⽊‧アンサンブル系 Claude マルチモーダルモデル GPT Diffusion Model Nova
10. 4. 来館者を予測する⽅法とは CatBoostとは‧‧‧ 勾配ブースティングの⼀種で、ロシアの検索エンジンで有名なYandex社によって開発され、2017年4⽉にリリースされた アルゴリズム ※ 勾配ブースティング‧‧‧ 決定⽊を追加しながら予測の間違いを少しずつ修正するアルゴリズム⼿法 ▪特徴 ⽂字が混ざった表データを、下準備なしでそのまま放り込んでも、予測を出してくれる 速度最優先でデータが巨⼤ならLightGBM、⽂字混じりのデータで⼿軽に⾼精度を出したいならCatBoost が現在 の最適解 ① ⽂字（カテゴリ）の⾃動処理 顧客の属性（年代、職業、エリアなど）のような⽂字データを、過学習（カンニング）を防ぎながら⾃動で⾼精度に数値化。 ② 弱点克服リレー（ブースティング技術） 1つの予測器が間違えた難問を、次の予測器が集中的にカバーするリレーを繰り返すことで、最終的に極めて⾼い予測精度を実現。 CatBoost: unbiased boosting with categorical features https://arxiv.org/pdf/1706.09516 CatBoost の仕組み - Amazon SageMaker AI https://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/catboost-HowItWorks.html
11. 4. 来館者を予測する⽅法とは ▪ 今回、予測モデルを作成するのに⽤意した学習データ規模 対象展覧会：38件 ⽇次実績データ：2,564件 期間：2021.01.01〜2026.9.30 ▪ 検証⽅法 進⾏中の展覧会を、関連する全テーブルから完全に除外して再学習 開幕前⽇時点のモデルで、開幕から約3週間分の実績と予測を⽐較した ２つの段階で検証⽐較してみた 検証①：数値情報のみ学習 検証②：展⽰パターンをカテゴリ分類したものを追加学習
12. 4. 来館者を予測する⽅法とは 展⽰パターンを１６のカテゴリに分類したもの - 主催構造＝「外部からどれだけ送客されるか」（広告露出‧報道量‧話題性の源泉） - 内容＝「展⽰そのものが持つ、来館動機の強さ」（名前だけで⾏きたくなるか、マニア向けか） この2つを掛け合わせれば、「送客⼒×訴求⼒」で展覧会のポテンシャルを⼤まかに⾔い当てられるという仮説 単独作家回顧 グループ展‧テーマ展 ⾃館コレクション デザイン‧ジャンル史展 単独主催 草間彌⽣展 現代作家グループ展 館蔵品展 近代デザイン史展 国内メディア共催 岡本太郎展 国宝展 浮世絵名品展 江戸琳派展 海外美術館共催 フェルメール展 大英博物館展 プーシキン美術館展 ウフィツィ美術館 自画像展 企業‧財団 イサム・ノグチ展 日本の現代アート展 ポーラ美術館 コレクション展 サントリー美術館 意匠展
13. 5. AWSを活⽤して来館者を予測する 今回、構築した学習‧推論するモデルのアーキテクチャは以下となる 学習‧推論コード⼀式 （CatBoost） ECR ⽇次の来館者数データ 学習 機械学習モデル （.cbmファイル） PC 推論 推論したい展⽰会情報 （展⽰会名と作家情報） S3 （推論データ） 推論 SageMaker Training Job SageMaker Training Job S3 （学習データ） PC
14. 7. 検証結果 ① 今回の予測モデルでは、カテゴリ情報を追加することは、⼤多数の展⽰において、予測精度の向上に寄与すると⾔ってよい 悪化した7件に共通しそうな性質は、「ジャンル横断‧既存のカテゴリ分類に素直に収まらない企画」展⽰である 改善した展⽰：31件 悪化した展⽰：7件
15. 7. 検証結果 ② CatBoostを使わずに⽣成AI（GPT）に直接聞いて推論してもらった結果 プロンプト とある美術館の、過去の展覧会実績一覧を渡します。 この美術館で、新しくこんな展覧会をやります。過去の実績一覧を参考にして、日 ごとの来館者数を予測してください。 ・主催：XXXXXXXXXXX ・会期：2026-11-13〜2026-12-26 ・形式：テーマ展 ・作品数：140点 ・入場料：大人2000円 ・土日は休まず開館、月曜は基本休館（祝日は開館、翌火曜が休み） 以下の開館日それぞれの来館者数を予測してください： 10/10(土,開幕), 10/11(日), 10/12(月・祝), ...(19日分) 出力は次の形式で、日付と数字だけを19行、他の説明は書かずに出してください ： 展覧会 展⽰会A 予測⽅法 WAPE MAPE ⽣成AI直接推論 16.1% 16.9% （展⽰） （Good） 展⽰会A CatBoost検証② 37.6% 37.0% 展⽰会B ⽣成AI直接推論 67.1% 72.1% 8.8% 8.7% （⾔葉が強い展⽰） 展⽰会B CatBoost検証② （Good） ⽣成AIは展覧会の意味や話題性を読むのはある程度得意だが、強い⾔葉に引っ張られる傾向があり、⼈数の規模を 正確に合わせるのは不安定。CatBoostは⽂脈理解に弱い⼀⽅、実績に基づく数値の補正に強い
16. 8. まとめ - 今回の展覧会予測モデルにおいては、情報を段階的に積み上げる発想とカテゴリ分けは効いた （数値のみ→カテゴリ追加で精度改善、70.7%→65.3%） - ⽣成AIと統計モデルは「得意」が違う。 ⽣成AIは展⽰の"意味"を読むのは強いが、"過去実績からの数値の補正"は弱い。 逆にCatBoostは意味は読めないが、実績に基づく補正に強い ⽣成AIに"数"を聞くのではなく、⽣成AIに"意味"を聞き、 統計モデルに"数"を聞く、という役割分担が現実的な最適解
17. 9. 今後の⽅向 次はBedrockを使って、展覧会の⽂脈理解をしてスコアリングさせて、 推論データとして情報を⼊⼒させて精度を上げていくことを実施 学習‧推論コード⼀式 （CatBoost） ECR Bedrock ⽇次の来館者数データ 展覧会の⽂脈理解や 意味を聞く 学習 機械学習モデル （.cbmファイル） PC 推論 推論したい展⽰会情報 （展⽰会名と作家情報） S3 （推論データ） 推論 SageMaker Training Job SageMaker Training Job S3 （学習データ） PC
18. ご清聴ありがとうがございました。