スタートアップのための機械学習入門/ Product-ML Fit

Slide 1

Slide 1 text

Slide 2

Slide 2 text

このセッションの⽬的これから、プロダクトの中に機械学習を効果的に取り⼊れるためには何から考えればいいかについて話します。 © 2019, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Workshop Product/ML-fit Workshop https://speakerdeck.com/hariby/ml-fit-workshop

Slide 3

Slide 3 text

Slide 4

Slide 4 text

あなたのビジネスは何ですか︖ 例: Amazon.com を⼀⾔でいうと「インターネットの店舗に無限の商品棚を⽤意すれば、お客さんごとにパーソナライズした⼩売店が作れる」(意訳) 「ジェフ・ベゾス果てなき野望」(ASIN: B00H3WR470)

Slide 5

Slide 5 text

Slide 6

Slide 6 text

あなたのビジネスは何ですか︖ 例: Amazon.com を⼀⾔でいうと「インターネットの店舗に無限の商品棚を⽤意すれば、お客さんごとにパーソナライズした⼩売店が作れる」(意訳) レコメンド時系列予測

Slide 7

Slide 7 text

伝えたいこと何が効果的か、どこに機械学習を適⽤すれば良いかを知るにはプロダクトの本質的な価値、ユーザーに提供する価値を考える必要がある。⼀⽅で、重要な課題が何でも機械学習で解けるわけではない。簡単に解けるタスクを知っておくことも必要。プロダクトと機械学習の擦り合わせ Product/ML Fit

Slide 8

Slide 8 text

Slide 9

Slide 9 text

dely株式会社の例レシピ動画サービス Kurashiru でユーザーのライフスタイルに寄り添ったレシピを提案そのためには 1. データ (顧客・商品の属性) 取得 2. フィードバックループの設計 3. アルゴリズム責任者に⼤きな権限を持たせる 4. 機械でやることに固執せず、適切に⼈の⼿を挟む「Upgrade UX with Data」 dely株式会社⼤⽵雅登⽒・辻隆太郎⽒ (Startup Day 2019)

Slide 10

Slide 10 text

ビジネス指標と機械学習実際にプロダクトの価値を⾼めるために、ビジネス指標を適切に設計することも重要参考資料 • 「Gunosyにおけるパーソナライズシステム」株式会社Gunosy ⼩澤俊介⽒ (ML@Loft #3) • 「レコメンデーションのターゲットメトリックス」ウォンテッドリー株式会社久保⻑礼⽒ (ML@Loft #3) • 「C向けサービスの1セッションのモデル化と適⽤の⽅法」ルームクリップ株式会社平⼭知宏⽒ (ML@Loft #7)

Slide 11

Slide 11 text

Slide 12

Slide 12 text

典型的な課題と簡単に使えるサービスの例やりたいことタスク AWS サービスオススメ商品を選びユーザーに最適な商品を提⽰するレコメンド Amazon Personalize 在庫計画・売上予測など時間軸に沿った数値・分量を予測する時系列予測 Amazon Forecast サブスクを解約するユーザーを予測分類 Amazon SageMaker Autopilot

Slide 13

Slide 13 text

Slide 14

Slide 14 text

エンゲージメント (最⼤15%の向上) 商品の発掘 (テール商品のクリックが最⼤80%向上) 売上 (最⼤5%の向上) コンバージョン (最⼤30%の向上) パーソナライゼーションのビジネス貢献

Slide 15

Slide 15 text

リアルタイムどんな商品・コンテキストでも使える K E Y F E AT U R E S ユーザーの意図の変化に対応 AutoML Amazon SageMaker から既存アルゴリズムの持ち込み質の⾼い推薦深層学習アルゴリズム簡単に使える Amazon Personalize 機械学習によるパーソナライズと推薦でユーザー体験の向上

Slide 16

Slide 16 text

アイテム素性 (Articles, products, videos, etc.) ユーザー素性 (Age, location, etc.) Amazon Personalize カスタマイズされた recommendation API ユーザー行動 (Views, signups, conversion, etc.) Amazon Personalize 機械学習によるパーソナライズと推薦

Slide 17

Slide 17 text

User-Item interaction data 0 1 2 3 4 0 1 0 0 1 1 1 0 1 1 0 0 2 0 1 0 1 0 3 1 0 1 0 0 USER_ID ITEM_ID USER_ID ITEM_ID TIMESTAMP 0 0 1112486027 0 3 1112486270 0 4 1112484676 1 1 1112484766 1 2 1112484819 2 1 1112484198 2 3 1112484727 3 0 1112484277 3 2 1112484580 CSV ファイル (Amazon S3 に置く)

Slide 18

Slide 18 text

レシピの種類と API のリクエストパラメータ • USER_PERSONALIZATION • GetRecommendations API • userId: Required • itemId: Optional • PERSONALIZED_RANKING • GetPersonalizedRanking API • userId: Required • inputList: list of itemId's • RELATED_ITEMS • GetRecommendations API • itemId: Required アプリ側からは AWS SDK (Amazon Personalize Runtime) で呼び出す

Slide 19

Slide 19 text

Slide 20

Slide 20 text

商品需要実際の需要 vs 予測需要 (億円) 実際の需要予測需要多く⾒積もると在庫が余る低く⾒積もると販売機会を逃す時系列予測未来を予測する科学的⼿法

Slide 21

Slide 21 text

フルマネージドサービス⾼精度簡単に使えるお客様のデータにカスタマイズデータパイプライン・トレーニング・予測を⾃動設定従来⼿法に⽐べ 50%の精度向上深層学習の経験は不要 Amazon Key Management Service (KMS) のカスタマーキーで暗号化 Amazon Forecast 正確な予測のための⾃動化された機械学習サービス

Slide 22

Slide 22 text

プライベートな予測 API Amazon Forecast 使⽤開始はコンソールまたは API S3 に保存したデータを Amazon Forecast から指定カスタム ML モデルを⾃動でトレーニング AutoML で Amazon Forecast がベストなアルゴリズムを⾃動選択正確な予測を⽣成コンソール or プライベート API を使⽤して予測を取得履歴データ関連データ売上, 電話問い合わせ件数, 在庫, リソース需要価格, プロモーション, 気象データ, カスタムイベントアイテムメタデータ色, 都市, 国, カテゴリー, 著者, アルバム名組み込みデータセット (休日, 週末) Amazon Forecast 世界最⼤の E コマースビジネスを⽀える技術

Slide 23

Slide 23 text

Amazon Personalize/Forecast 事例 AWS Startup ブログ「機械学習の知⾒がなくても、レコメンドや時系列予測を簡単に実装できる」Amazon Forecast & Personalize 活⽤事例 ʮ"NB[PO1FSTPOBMJ[Fͱ ,"35&ͷ࿈ܞࣄྫʯ גࣜձࣾϓϨΠυ ςοΫϦʔυ ෺Ҫ ୡ໵ ࢯ ʮ"NB[PO'PSFDBTUʹΑΔ ΦϯϥΠϯֶशαʔϏεʹ͓͚Δԋशճ਺༧ଌʯ גࣜձࣾΞΠσϛʔ σʔλαΠΤϯεϚωʔδϟʔ ஛ݪ େஐ ࢯ ʮ"NB[PO1FSTPOBMJ[Fಋೖࣄྫʯ ϞϊΦΫגࣜձࣾ $50޻౻ େ໻ ࢯ

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Amazon SageMaker Autopilot • 分類 • チャーン分析で、誰がサブスクを解約するか予測したいテーブルデータに対する AutoML

Slide 26

Slide 26 text

Amazon SageMaker Autopilot • 分類 • チャーン分析で、誰がサブスクを解約するか予測したいテーブルデータに対する AutoML

Slide 27

Slide 27 text

Amazon SageMaker Autopilot テーブルデータに対する AutoML データ分析特徴量エンジニアリングモデルチューニングモデル完成

Slide 28

Slide 28 text

AWS の機械学習スタック幅広く完全な機械学習のサービス群コンピュータビジョン⾳声テキスト検索 NEW チャットボットパーソナライズ予測不正検知 NEW 開発 NEW コンタクトセンターNEW Amazon SageMaker Ground Truth Augmented AI SageMaker Neo Built-in algorithms SageMaker Notebooks NEW SageMaker Experiments NEW Model tuning SageMaker Debugger NEW SageMaker Autopilot EW Model hosting SageMaker Model Monitor NEW Deep Learning AMIs & Containers GPUs & CPUs Elastic Inference Inferentia FPGA Amazon Rekognition Amazon Polly Amazon Transcribe +Medical Amazon Comprehend +Medical Amazon Translate Amazon Lex Amazon Personalize Amazon Forecast Amazon Fraud Detector Amazon CodeGuru AI サービス ML サービス深層学習フレームワーク & インフラ Amazon Textract Amazon Kendra Contact Lens For Amazon Connect SageMaker Studio IDE NEW NEW

Slide 29

Slide 29 text

AWS の機械学習スタック幅広く完全な機械学習のサービス群 • 今⽇紹介したもの • Amazon Personalize (レコメンド) • Amazon Forecast (時系列予測) • Amazon SageMaker Autopilot (表形式データの回帰・分類) コンピュータビジョン⾳声テキスト検索 NEW チャットボットパーソナライズ予測不正検知 NEW 開発 NEW コンタクトセンターNEW Amazon SageMaker Ground Truth Augmented AI SageMaker Neo Built-in algorithms SageMaker Notebooks NEW SageMaker Experiments NEW Model tuning SageMaker Debugger NEW SageMaker Autopilot EW Model hosting SageMaker Model Monitor NEW Amazon Rekognition Amazon Polly Amazon Transcribe +Medical Amazon Comprehend +Medical Amazon Translate Amazon Lex Amazon Personalize Amazon Forecast Amazon Fraud Detector Amazon CodeGuru AI サービス ML サービス Amazon Textract Amazon Kendra Contact Lens For Amazon Connect SageMaker Studio IDE NEW NEW

Slide 30

Slide 30 text

Slide 31

Slide 31 text

まとめ Product/ML Fit • プロダクトの価値を改めて考え、⼤事なところに機械学習を • 解けない課題を無理に解くのは⼤変なので、既存サービスをうまく使う

Slide 32

Slide 32 text

Slide 33

Slide 33 text

お薦めセッション AWS Innovate • [K-2] 招待講演: 機械学習の「そと」と「なか」ヨビノリたくみ⽒ • [S-2] 機械学習の知識・プログラミング不要︕ 写真から異常部分を⾒つける外観検査の機械学習モデルを作ろう⼤渕⿇莉