Slide 1

Slide 1 text

© Copyright OZVISION inc. EC×⽣成AIのテーマ 〜ハピタスの⽣成AIの導⼊事例〜 2024.09.03 Ver.01 ハピタス事業部 開発G 卜部真一

Slide 2

Slide 2 text

© Copyright OZVISION inc. 事業∕プロダクト 01 AWSの⽣成AI活⽤プログラムにて 03 短納期ローンチが叶った要因 04 ローンチ後の軌跡 05 AI導⼊の意思決定までのエピソード 02

Slide 3

Slide 3 text

© Copyright OZVISION inc. 事業∕プロダクト 01

Slide 4

Slide 4 text

© Copyright OZVISION inc. 4 事業∕プロダクト 社名 設立 所在地 従業員数 株式会社オズビジョン 2006年5月(現在19期目) 東京都渋谷区神宮前 111名 会社紹介

Slide 5

Slide 5 text

© Copyright OZVISION inc. 5 事業∕プロダクト ポイントモール ECユーザーと EC事業者をマッチング どこで買ってもWで ポイントが貯まる 買取サービス モノを捨てずに手放したい人と リユース事業者をマッチング 簡単・気軽にモノを手放せる ネット広告代理店 メディアやインフルエンサーと EC事業者をマッチング 成功報酬型でコスパ良く集客 事業概要 広告 B 広告 C 広告 D 広告 E 広告 F 広告A 広告B〜E 広告A 事業 1 事業 2 事業 3

Slide 6

Slide 6 text

© Copyright OZVISION inc. 6 事業∕プロダクト ECプラットフォーム 
 (マッチング) 
 500万人超 EC利用者 モノを捨てない人 メディア/ インフルエンサー EC事業者 リユース事業者 EC事業者 サービス利用 
 サービス利用 
 サービス利用 
 流通取引総額 (GMV) 
 1,800 億円超
 送客手数料/広告費 (TakeRate) 
 約4%
 購買
 中古買取 
 広告
 3,500件超 ビジネスモデル 〜EC利⽤者とEC事業者のマッチングプラットフォーム〜

Slide 7

Slide 7 text

© Copyright OZVISION inc. 7 事業∕プロダクト 「いつものネットショッピング、旅行やレストランの予約、引っ越しや保険の見積もりまで、 どこを利用しても特典ポイントが貯まる」会員サービスです。 プロダクト紹介:ポイントモール「ハピタス」 広告B 広告A 広告C 広告D 広告E 広告F 広告A 広告B〜E

Slide 8

Slide 8 text

© Copyright OZVISION inc. 8 事業∕プロダクト 競争が激しい (成長市場×参入障壁低) EC利用者 (500万超/5,000万) EC事業者 (3,500/400万) サイト経由
 ポイントバック
 送客
 成功報酬
 一時は競合他社が100社以上…
 競合A社 
 競合B社 
 競合C社 
 ハピタスの事業環境(リボンモデル) 広告 B 広告A 広告 C 広告 D 広告 E 広告 F

Slide 9

Slide 9 text

© Copyright OZVISION inc. 9 ポイントビジネスは⼤きく伸びている →キャッシュレスや各種決済、ポイント経済圏など 事業∕プロダクト ポイント業界を取り巻く環境 ポイントサイトも成⻑を続けているが、その⼀⽅でコモディティ化が進⾏している →ユーザーに選ばれる優位性を築けないと、利益を削ってパイを奪い合う消耗戦に突⼊ 01 02

Slide 10

Slide 10 text

© Copyright OZVISION inc. AI導⼊の意思決定までのエピソード 02

Slide 11

Slide 11 text

© Copyright OZVISION inc. オズビジョンが抱えていた課題 11 ⽣成AIを活⽤したいが それを推進できないもどかしさ 2024年 03⽉頃 開発主導での企画提案が強く求められていた ⼀案として「⽣成AIを活⽤したい」という意⾒はあったが、 それを実現するための ‧ビジネスアイデアを出す企画⼒ ‧スキルセットや⼈材 などが不⾜しており、 うまく推進できないもどかしさがあった 企画

Slide 12

Slide 12 text

© Copyright OZVISION inc. AWSの「⽣成AI活⽤開始プログラム」との出会い 12 転機が訪れた 2024年 04⽉ AWSの⽣成AI活⽤開始プログラムの案内をいただく ⽀援付きで⽣成AI導⼊に取り組める「渡りに船」の状況 導⼊費⽤や企画⽀援が受けられる点が経営層に刺さり 短期間で社内稟議決裁 ※費⽤が膨れ上がるリスクに対して、アーキテクチャ検討や費⽤シミュレー ションを⼊念に⾏うよう、経営層から強いオーダー 全社全⼒で取り組む機運が⽣まれており 各部署のキーマンを集めて、プログラムに参戦

Slide 13

Slide 13 text

© Copyright OZVISION inc. 13 全体スケジュール 4⽉ 5⽉ 6⽉ ワークショップ ガントチャート 4⽉から着⼿して7/1に無事にローンチ🎉 プロトタイピング 検証 ‧プロトタイ プ検証 ‧精度チュー ニング 本実装 +動作確認 ‧ハピタス側 検索改修 ‧データ登録 処理⽤意 ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/10 プログラムキックオフ 社内稟議 ★4/16 PoC作成ワークショップ ★4/11 ユースケース確定ワークショップ

Slide 14

Slide 14 text

© Copyright OZVISION inc. AWSの⽣成AI活⽤プログラムにて 03

Slide 15

Slide 15 text

© Copyright OZVISION inc. 15 「ANA」と検索した際に「Banana」を含む広告が上位表⽰されてしまうなど、 ユーザーが必要としていない検索結果が表⽰されてしまう →ユーザーが求めてない情報=ノイズが⼊ることでCVRが低下 プログラムでの検討 1/2 ビジネス課題 指名検索での利⽤がほとんど 01 02 ANA系 広告 ANA系 広告 ANA 系 広告 ANA系 広告 ANA系 広告 ANA系 広告 ANA 系 広告 ANA 系 広告 ANA 系 広告 非 ANA系 非 ANA系 非 ANA系

Slide 16

Slide 16 text

© Copyright OZVISION inc. 16 ⽂字列の単純な部分⼀致検索によるノイズの除去 例)【再掲】「ANA」と検索した際に「Banana」を含む広告が上位表⽰されないように プログラムでの検討 2/2 ビジネス課題解決の打ち⼿ 指名検索だけでなく、フリーワード‧短⽂でも適切な検索を実現 例)はじめての発⾏におすすめなクレジットカード 広告に紐づくアイコン情報や説明⽂など、案件名以外にも紐づいた検索結果の出⼒ キャンペーン対象‧無料などの情報も元に、ユーザーの求める広告を表⽰ 01 02 03

Slide 17

Slide 17 text

© Copyright OZVISION inc. 17 明確な意志を持たずに広告を探しているユーザーに対し フリー⼊⼒時の検索結果をより関連度が⾼いと考えられるものに改善 →検索利⽤者のCVRを向上 プログラムでの検討 まとめ ⽬的 全検索における CVR を数ポイント改善できると仮定 効果シミュレーション(CVRの改善による売上伸⻑) Amazon Bedrock, AWS Fargate, Aurora Serverless 等の利⽤分 ※当初トークンを多く⾒積もりすぎていたが、AWSの⽀援を受けながら検討を重ね、適切な⾒積もりへ補正 費⽤シミュレーション(運⽤時のAWS費⽤)

Slide 18

Slide 18 text

© Copyright OZVISION inc. 短納期ローンチが叶った要因 ※あくまで結果論にすぎませんが 04

Slide 19

Slide 19 text

© Copyright OZVISION inc. 19 全体スケジュール【再掲】 4⽉ 5⽉ 6⽉ ワークショップ ガントチャート 4⽉から着⼿して7/1に無事にローンチ🎉 プロトタイピング 検証 ‧プロトタイ プ検証 ‧精度チュー ニング 本実装 +動作確認 ‧ハピタス側 検索改修 ‧データ登録 処理⽤意 ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/10 プログラムキックオフ 社内稟議 生成AIの知見・経験ゼロの状況から、わずか 3ヶ月でローンチ その要因を考えてみた ★4/16 PoC作成ワークショップ ★4/11 ユースケース確定ワークショップ

Slide 20

Slide 20 text

© Copyright OZVISION inc. 20 短納期ローンチの成功要因① 4⽉ 5⽉ 6⽉ ワークショップ ガントチャート ★4/16 PoC作成ワークショップ 上流から下流に⾄るまでの「AWSの⼿厚いサポート」が⼼強すぎた プロトタイピング 検証 ‧プロトタイ プ検証 ‧精度チュー ニング 本実装 +動作確認 ‧ハピタス側 検索改修 ‧データ登録 処理⽤意 ローンチ ‧⼿順作成 ‧体制決め ‧ローンチ ★4/11 ユースケース確定ワークショップ ★4/10 プログラムキックオフ 社内稟議 立ち上げから、コスト試算、実装に至るまで すべてのプロセスにおいて「 AWSの手厚いサポート」があったからやり遂げられた AWSの⼿厚いサポート 相談 Q&A 相談 Q&A 相談 Q&A 相談 Q&A

Slide 21

Slide 21 text

© Copyright OZVISION inc. 21 開発主導で「⽣成AIという新しい技術を⽤いたプロダクト改善」を起案 短納期ローンチの成功要因② 関係者の思惑が⼀致 事業責任者も「プロダクト起点でのグロース」に賛同 続々と発生する課題に対して、組織を超えて協力し合いながら取り組めたことが、大きな成功要因 01 02

Slide 22

Slide 22 text

© Copyright OZVISION inc. 22 意思決定の壁【体制】  └事業、データ、開発のキーマンを揃え、少数精鋭で素早い意思決定 短納期ローンチの成功要因③ 短納期を阻む「壁」を乗り越える⼯夫 開発⼯数と期間の壁【スコープ】  └壮⼤にせず、地に⾜のついた内容で、スコープも絞り込む   └プロダクトの要となる画⾯‧機能をターゲットにする(→検索)   └UIは変えない、作り込まない 稟議の壁【コストと効果】  └事業責任者を体制に組み込み、試算から稟議‧承認まで素早く進⾏させた   └⽀出:⽣成AIの導⼊‧運⽤により発⽣するコスト(開発ボール)   └収⼊:効果⾒⽴て(事業サイドボール) 事業責任者の後ろ盾もあり、各部署のキーマンを揃えて挑んだことで 「壁」を乗り越えやすくなったのは間違いない 01 02 03

Slide 23

Slide 23 text

© Copyright OZVISION inc. 23 関係者の思惑を⼀致させ、キーマンを巻き込んだ 短納期ローンチの成功要因‧まとめ 短納期を阻む「壁」を乗り越える⼯夫を⾏い、意思決定を⾼速化 AWSのサポートを最⼤限活⽤した 02 03 01

Slide 24

Slide 24 text

© Copyright OZVISION inc. ローンチ後の軌跡 05

Slide 25

Slide 25 text

© Copyright OZVISION inc. 25 出して終わりではなく、PDCA期間に突⼊ 7⽉ 8⽉ 9⽉ 初回ローンチ PDCA期間 ローンチ後、継続的にPDCAサイクルを回しています ★ローンチ ABテスト① 振り返り →改修 ABテスト② 振り返り →⼿法検討‧改修 経過観察 振り返り →改修 検証期間〜

Slide 26

Slide 26 text

© Copyright OZVISION inc. 26 初回ローンチの結果 検索結果の精度が向上🎉 Before After ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 非 ANA系 非 ANA系 非 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系

Slide 27

Slide 27 text

© Copyright OZVISION inc. 27 初回ローンチの結果 効果測定の結果(7/1〜11) 表示順 ソート項目 検索回数比率 1 人気順 ※デフォルト 97% 2 おすすめ (ベータ) ※ベクトル検索 0% 3 新着順 0% 4 高ポイント順 2% 5 高還元率順 0% デフォルトのソートが「人気順」のままで、ベクトル検索を仕込んだ「おすすめ (ベータ)」の利用は1%に満たない状況 ▼ 「認知すらされず使われていない、圧倒的に母数が足りない」 というファインディング

Slide 28

Slide 28 text

© Copyright OZVISION inc. 検索の半数は強制的にベクトル検索 (⽣成AI)になるので、利用された上での評価ができるはず 28 改善アクション① 【対策】デフォルトのソートを半々にしたABテストを実施 A. ⼈気順 ←これまでのデフォルト B. おすすめ (ベータ) ←ベクトル検索(⽣成AI) 2営業日で 実装完了 引き続き 高速PDCA 振り返り

Slide 29

Slide 29 text

© Copyright OZVISION inc. 29 その結果は...

Slide 30

Slide 30 text

© Copyright OZVISION inc. 30 その結果は... ⽣成AIの負け😢

Slide 31

Slide 31 text

© Copyright OZVISION inc. 31 成果指標に基づいた評価 ABテストを実施(分析の都合上、期間①と②で条件を反転させて実施) →全期間、全指標において「⽣成AIの負け」という、受け⼊れ難い現実 50%未満 ▼ ⽣成AIの負け 50%未満 ▼ ⽣成AIの負け

Slide 32

Slide 32 text

© Copyright OZVISION inc. 32 敗因を探る...

Slide 33

Slide 33 text

© Copyright OZVISION inc. 33 初回ローンチの結果【再掲】 検索結果の精度が向上🎉 Before After ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 非 ANA系 非 ANA系 非 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系 ANA系

Slide 34

Slide 34 text

© Copyright OZVISION inc. 34 改めて、しっかり観察してみる 別の検索ワードでも、検索結果の精度が向上 (「クレジットカード」で検索) ⼈気順 ※⽣成AIじゃない⽅ おすすめ(ベータ) ※⽣成AI 金券 クレカ 動画 サブスク クラウド サブスク 動画 サブスク 音楽 サブスク クレカ クレカ クレカ クレカ クレカ クレカ マッチング精度の向上は揺るがぬ事実

Slide 35

Slide 35 text

© Copyright OZVISION inc. 35 違う側⾯からの気づき ランキングと⽐較すると... ランキング クレカ 圏外 クレカ 67位 クレカ 圏外 クレカ 17位 クレカ 46位 クレカ 圏外 おすすめ(ベータ) ※⽣成AI クレカ 29位 クレカ 圏外 クレカ 42位 クレカ 61位 クレカ 圏外 クレカ 69位 クレカ 37位 クレカ 27位 クレカ 72位 クレカ 圏外 クレカ 圏外 クレカ 圏外 目隠し 目隠し ⼈気の観点が⽋けてた!

Slide 36

Slide 36 text

© Copyright OZVISION inc. 原因と対策の議論 36 検討内容のサマリー ⽣成AIの導⼊により、 キーワードとのマッチング精度の⾼い 検索結果が表⽰できるようになった👍 従来の「⼈気順」の⽅が、 ⽣成AIよりも⾼い成果が出ている😢 ⽣成AIに「⼈気順の要素」を加味することで ⾼い成果が期待できるのではないか? 01 02 03

Slide 37

Slide 37 text

© Copyright OZVISION inc. 37 改善アクション② 【対策】⽣成AIに「ランキング」のデータをMIXして、精度と成果の両⽴を狙う MIX手法検討 ▼ 実装 引き続き 高速PDCA 振り返り ノイズ除去と⼈気の反映を⾏うことで、より成果に繋げられるのではないかと期待

Slide 38

Slide 38 text

© Copyright OZVISION inc.

Slide 39

Slide 39 text

© Copyright OZVISION inc. AWSの⽣成AI活⽤プログラム 〜実装検討編〜 XX

Slide 40

Slide 40 text

© Copyright OZVISION inc. プログラムでの実装検討 40 既存画⾯へ組み込み UIを変えない、作り込まないことが 短期ローンチのためのカギ 組み込み候補何箇所かあり ‧サイト内共通検索窓 ‧新規会員オンボーディング⽤広告エリア ※短⽂での検索、アイコン対象などを  将来的には打ち出していきたい!

Slide 41

Slide 41 text

© Copyright OZVISION inc. 41 プログラムでの実装検討 実装案 広告データのベクトル化 ‧現状のデータ ‧追加/更新データ これらを Amazon Aurora Serverless v2 に格納 検索クエリのベクトル化 ‧エンドユーザの⼊⼒内容を ベクトル化し Amazon Aurora Serverless v2 へ問い合わせ →広告 ID を取得することで 適切な検索結果を返すことを検討 初版の実装範囲は⾚枠の部分を想定

Slide 42

Slide 42 text

© Copyright OZVISION inc. 実際の成果物 XX

Slide 43

Slide 43 text

© Copyright OZVISION inc. 43 検索画⾯へ組み込み 「おすすめ(ベータ)」として既存検索画⾯へ組み込み

Slide 44

Slide 44 text

© Copyright OZVISION inc. 44 アーキテクチャ図

Slide 45

Slide 45 text

© Copyright OZVISION inc. 45 処理の流れ① 登録‧更新 1. ハピタス上広告データの差分 CSV ファイルを S3 に定期送信 2. ECS から CSV ファイルを読み取り、 Bedrock (Amazon Titan Text Embeddings モデル v2) を⽤いてベクトルデータを⽣成 3. ⽣成データを PostgreSQL に登録 1 2 3

Slide 46

Slide 46 text

© Copyright OZVISION inc. 46 処理の流れ② 検索 1. 検索ワードを Bedrock (Amazon Titan Text Embeddings モデル v2) を⽤いてベクトルデータに変換 (Lambda 経由) 2. PostgreSQL から、ベクトル値の類似度の⾼い順に広告IDの⼀覧を返却 3. Webサーバ側で、MySQL の最新情報を元に情報のフィルタリング‧補完を⾏い、結果をユーザに返却 1 2 3

Slide 47

Slide 47 text

© Copyright OZVISION inc. 47 アーキテクチャの⼯夫ポイント 1/5 【Q】なぜ、ハピタスは東京リージョン、新環境の⽣成AI側はバージニアリージョンなのか? ● 【A】価格が割安であり、且つ新しいモデルが先⾏して使えるリージョンであるため ○ 懸念はレイテンシー遅延だったが、計測の結果許容範囲内 (0.3s) リージョン跨ぎによる レイテンシー遅延はわずか0.3s

Slide 48

Slide 48 text

© Copyright OZVISION inc. 48 アーキテクチャの⼯夫ポイント 2/5 【Q】ベクトルDBに OpenSearch ではなく Amazon Aurora Serverless [PostgreSQL] を利⽤している理由は? ● 【A】コスト削減のため コスト削減

Slide 49

Slide 49 text

© Copyright OZVISION inc. 49 アーキテクチャの⼯夫ポイント 3/5 【Q】ベクトルデータ登録処理に Lambda ではなく ECS を使っている理由は? ● 【A】ベクトルデータ登録処理に 30 分以上かかるため ○ Lambda の制約:15分 ○ コスト⾯では本来は Lambda のほうが優れている 処理に30分かかるため

Slide 50

Slide 50 text

© Copyright OZVISION inc. 50 アーキテクチャの⼯夫ポイント 4/5 【Q】API Gatewayを通さず、そのまま既存バッチサーバ、既存Webサーバから ベクトルDBの更新をしなかった理由は? ● 【A】python の機械学習ライブラリを最⼤限活⽤するため ○ 既存環境は PHP ○ 役割を既存環境に持たせすぎない意図もある

Slide 51

Slide 51 text

© Copyright OZVISION inc. 51 アーキテクチャの⼯夫ポイント 5/5 【Q】Titan Text Embedding v2 (2024/4/30 リリース) を採⽤した理由は? ● 【A】コスパが良かったため ○ 当初想定は Cohere Embed Model v3 だが、本実装では Titan Text Embedding v2 でもほぼ同等の結果 ○ 価格は 1/5 本ユースケースでは 期待結果に差異がなく 価格が1/5