Amazon Personalize

2019上期に開催された「AWS AI Services Seminar」にて発表した資料です。

Transcript

1. Amazon Personalize NAVITIME JAPAN Co., Ltd.
2. 自己紹介 大川舞子 (おおかわ まいこ) • 最近は機械学習モデルの開発運用、 ワークフローの整備
3. 主にBtoCで経路案内サービスを 展開しています NAVITIME
4. NAVITIME と AI 経路探索 渋滞予測 ガイダンス マップマッチ ルート パーソナライズ TTS スポットサーチ 自然言語解析 STT レコメンデーション 画像認識 AR 翻訳
5. NAVITIME と AI 経路探索 渋滞予測 ガイダンス マップマッチ ルート パーソナライズ TTS スポットサーチ 自然言語解析 STT レコメンデーション 画像認識 AR 翻訳 コア技術 専門性が高くSaaS利用 はむずかしい 周辺技術 外部AIサービスを自社に カスタマイズすることで精 度を出しているケースも ある
6. 用途がマッチすれば 外部サービスも 採用しています🙆
10. • 現在のレコメンデー ションはOSSをベース にAIモデルを構築 • 現状の課題は改善サ イクル • Amazon Personalize は評価･検討中
11. Amazon Personalize 試してみた結果
12. 学習データ : アクセスログ レシピ : SIMS ハイパーパラメータ : 自動 ※学習データについて詳しくは後述
13. 京都御所
14. 京都御所 • 元離宮二条城 (京都) • 平安神宮 (京都) • 興福寺 (京都) • 下鴨神社 (京都) • 光縁寺 (京都)
15. 既存のモデル AWS Personalize • 元離宮二条城 (京都) • 平安神宮 (京都) • 興福寺 (京都) • 下鴨神社 (京都) • 光縁寺 (京都) • 元離宮二条城 (京都) • 平安神宮 (京都) • 蓮華王院(三十三間堂) (京都) • 龍安寺 (京都) • 八坂神社 (京都)
16. 万博記念公園 (大阪)
17. 万博記念公園 (大阪) • 国立民族学博物館 (大阪) • 大阪城天守閣 (大阪) • 日産レンタカー 梅田マルビ ル店 (大阪) • ユニバーサル・スタジオ・ ジャパン (大阪) • 新梅田食道街 (大阪)
18. 既存のモデル AWS Personalize • 国立民族学博物館 (大阪) • 大阪城天守閣 (大阪) • 日産レンタカー 梅田マルビ ル店 (大阪) • ユニバーサル・スタジオ・ ジャパン (大阪) • 新梅田食道街 (大阪) • 太陽の塔 (大阪) • 国立民族学博物館 (大阪) • NIFREL(ニフレル) (大阪の水族 館) • アメリカ村 (大阪) • 和歌山城 (和歌山)
19. スターバックスコーヒー 渋谷マークシティ店
20. スターバックスコーヒー 渋谷マークシティ店 • 靖国神社 (千代田区) • 東京ディズニーランド (千葉) • ラフォーレ原宿 (渋谷) • SHIBUYA109 (渋谷) • 東京 ディズニーシー (千葉)
21. 既存のモデル AWS Personalize • 靖国神社 (千代田区) • 東京ディズニーランド (千葉) • ラフォーレ原宿 (渋谷) • SHIBUYA109 (渋谷) • 東京 ディズニーシー (千葉) 関連スポットなし チェーン店が苦手な点はどちらも同じ
22. チューニングが必要なOSSと比較しても 得手不得手はあるが概ね問題なし👌
23. 良かった点
24. 1.学習データがシンプル
25. 必要な学習データ
26. 必要な学習データ USER_ID, ITEM_ID, TIMESTAMP の3カラムのみ • 誰が、どのスポットを、何時に見たか CSV
27. 以上
28. • アクセスログから抽出したたった3カラムのCSV ファイル1枚でこの精度が出る • ユーザの操作ログを集めるためにサービスに手 を入れる必要がない
29. • アクセスログから、ス ポットページ(左)への アクセスログのみ抽 出し、不要な情報を 落としたもの • ユーザIDはUUIDを 使用 • 578,553レコード
31. なくてもOK
33. なくてもOK ユーザ情報 (名前･年齢･場所等) アイテム情報 (スポット名･カテゴリ･緯度経度等) なくてもOK ユーザの行動履歴
34. • AIサービスは｢とりあえず作ってみないと使い 物になるかわからない｣ • ｢ミニマムスタートできるか｣が想像よりもずっと 大事
35. 必要な学習データ USER_ID, ITEM_ID, TIMESTAMP の3カラムのみ • 緯度経度やカテゴリすら必要ない (同一ユーザが同じ時間帯に 見ているスポット=近場のスポットが多い)
36. 2.Webツールで操作できる
37. GUIでポチポチ モデル作成&デプロイ
38. 結果も簡単に 確認できる
39. • 作業手順が分かりやすい • 作成者以外にも結果を確認してもらいやすい
40. 3.APIエンドポイントが 作成される
41. • デプロイ作業不要 (キャンペーンの作成=デプロ イ)
42. 4.モデルを作成し直すと 精度が向上する 可能性がある
43. • データは同じでも、日々精度が上がっている(体 感) • 各レシピの内部アルゴリズムはAWS側で日々改 善される可能性がある
44. Personalizeの 現状の課題
45. 1.Personalizeに送ったリアルタイムイベ ントを現状エクスポート出来ない
46. • ログ資産を再利用するには、下記方法でリアル タイムイベントを Amazon Personalize へ送るの が良さそう ◦ Amazon Personalize と 保管用自社サーバ 両方に送る ◦ 保管用自社サーバ に送りそこから Amazon Personalize へ転送
47. 2.Amazon Personalize だけでは 実際のユースケースを カバーしきれない点もある
48. • Amazon Personalize だけでは結果の絞り込み 条件は指定できない • アイテム情報に『カテゴリ』や『平均予算』を持っ ていても、｢オススメのカフェ教えて｣｢予算3000 円以下の関連スポット｣は出せない オススメの ｢カフェ｣教えて ◦◦神社 ◦◦水族館 ◦◦カフェ…
49. ◦◦神社 ◦◦水族館 ◦◦カフェ… オススメの ｢カフェ｣教えて
50. ◦◦神社 ◦◦水族館 ◦◦カフェ… オススメの ｢カフェ｣教えて フィルタリング等 ◦◦カフェです
51. 細かい点で気になる所は あるが問題なし👌
52. まとめ
53. • ｢とりあえず試してみる｣のハードルはかなり低い。 サービスインできるレベルのレコメンデーション APIが簡単につくれる。 • 今後のアップデートも期待大!
54. ｢とりあえず試してみる｣ がおすすめです