ダイエット体重予測AIの開発

by tanaka-kaz

Slide 1

Slide 1 text

ダイエット体重予測AIの開発 2019年11月27日株式会社トゥエンティーフォーセブンマーケティング部マネージャー田中一利

Slide 2

Slide 2 text

・1994年にニューラルネットワークに出会い虜に・2004年SPSS modelerに出会い中毒に・大手通信キャリアで携帯電話解約予測で事業に貢献・現在、トゥエンティーフォーセブンで未来のダイエットを創造中田中一利 Kazutoshi Tanaka プレゼンター紹介

Slide 3

Slide 3 text

トゥエンティーフォーセブンの紹介・ダイエット目的のパーソナルトレーニングジム・全国67店舗 RIZAP社につぐ業界2位・11月21日、東証マザーズに上場

Slide 4

Slide 4 text

AIの広がり・自動運転・医療各種診断(ガンなど) ・タクシー配車・チャットボット・ネット投稿分析・製造業不良品検査

Slide 5

Slide 5 text

ダイエット向けパーソナルジムでのAI活用・カウンセリング時体重予測（新規契約獲得）・卒業間近体重予測（延長契約獲得）・ダイエット向け食事リコメンドなど

Slide 6

Slide 6 text

一番の課題ダイエット向けパーソナルジムでのAI活用・AI人材の不足当社の解決策・SPSS modeler + Watson Studio ・田中 + インターン数名で開発

Slide 7

Slide 7 text

SPSS modeler

Slide 8

Slide 8 text

SPSS modeler の紹介・IBM社が提供するデータマイニング専用のソフトウェア元々はSPSS 社が「Clementine」の名称で販売 2009年にSPSS 社をIBM社が買収現在、国内データマイニング市場で国内シェア1位・ニューラルネットワーク、サポートベクターマシーン(SVM)、ランダムフォレストなどの機械学習モデルの開発が可能・GUIベースでデータ入力、データ加工、分析、機械学習、モデル評価、グラフ作成、エクスポートを実行

Slide 9

Slide 9 text

SPSS modeler の紹介長所短所 SPSS modeler ・データ事前処理が容易・ノープログラミング・ハイパーパラメータのチューニングをお任せできる・できあがったモデルの評価が容易・ディープラーニングはできない (隠れ層2層までのニューラルネットワークしかできない) TensorFlow, Keras, Caffe, Chainer など・ディープラーニングを柔軟に作ることができる・データ事前処理が工数大・プログラミングが必要・ハイパーパラメータのチューニングが必要・できあがったモデルの評価に時間がかかる

Slide 10

Slide 10 text

TensorFlow, Keras, Caffe, Chainerなど SPSS modeler の紹介 SPSS modeler 機械学習ハイパーパラメータチューニングモデルの評価プログラミングデバッグデータ事前処理機械学習モデルの評価データ事前処理・体重予測、食事リコメンドでは、ディープラーニングではなくSPSS modelerで十分・一番こわいのはバグに気付かずモデルをリリースしてしまうこと

Slide 11

Slide 11 text

どうしてもディープラーニングしたいときは… Watson Studio の Neural Network modeler を使えば本格的なディープラーニングがGUIで可能(BETA版で提供中) ・活性化関数がtanhだけでなくシグモイド、ReLU、ソフトマックスなどが使える(SPSS modelerはtanhだけ) ・畳み込みニューラルネットワーク、リカレントニューラルネットワーク (LSTMも)ができる・その他各種手法ができる詳細は下記URL https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-data/ml-canvas-nnd-nodes.html

Slide 12

Slide 12 text

Neural Network Modeler Flow Editor 502 Bad Gateway エラーが頻発ブラウザのキャッシュとCookieのクリアをすれば修正が可能

Slide 13

Slide 13 text

カウンセリング時体重予測アプリ・入会カウンセリング時点の性別、年齢、身長、体重、体脂肪率、内臓脂肪レベル、血圧を入力入会してして2ヶ月後の体重、体脂肪率を出力として機械学習を行い体重、体脂肪の予測モデルを作成・標準的に到達する体重・体脂肪率と95%信頼区間においてmaxの減量となる体重・体脂肪率をグラフ表示・どのくらいダイエットできるかを数値で見ていただき入会カウンセリングからの契約率の向上を図る

Slide 14

Slide 14 text

データ取込・クレンジング・整形モデリング精度分析 SPSS modelerのフロー

Slide 15

Slide 15 text

ODBC接続したDBから身体測定データを読み込むデータの読み込みお客様の身体測定データ身長、体重、体脂肪、内臓脂肪レベル、血圧など

Slide 16

Slide 16 text

データスクリーニング・古いデータは除外・15~80歳の範囲で抽出データスクリーニング・トレーニングでは16回以上行ったお客様だけを抽出データのスクリーニング

Slide 17

Slide 17 text

データ整形・お客様ごとに16回のトレーニングデータを1行にまとめるデータ整形

Slide 18

Slide 18 text

アンサンブル学習であるブースティングかバギングかを選択ニューラルネットワークモデル入力と出力を設定

Slide 19

Slide 19 text

各種パラメータの設定はmodelerにお任せニューラルネットワークモデル

Slide 20

Slide 20 text

できあがったモデル線の太さは重みの大きさを表す

Slide 21

Slide 21 text

PMML(Predictive Model Markup Language)

Slide 22

Slide 22 text

正規化活性化関数隠れ層１つのニューロンへの重み係数 PMML(Predictive Model Markup Language)

Slide 23

Slide 23 text

できあがったモデルの評価オーバーフィッティングが起こってないかを確認

Slide 24

Slide 24 text

できあがったモデルの評価入力の重要度出力に及ぼす影響の度合い評価曲線 (ゲインチャート)

Slide 25

Slide 25 text

Watson Studio

Slide 26

Slide 26 text

Watson Studioの紹介・IBM社が提供する機械学習、ディープラーニングのモデル作成のための IBM cloud 上のソフトウェア・ビジネスへのAI 活用のために必要な機能がオールインワンとなっている統合開発プラットフォーム・モデルの開発をプログラミング無しにGUIベースでデータのクレンジングや加工が可能に

Slide 27

Slide 27 text

modelerフローのアップロード Watson Studioでプロジェクトを作成し SPSS modelerで作ったフローをアップロード

Slide 28

Slide 28 text

モデルのSave 事前にWatson Machine Learningのインスタンスを作成しておく PMMLでモデルをSave

Slide 29

Slide 29 text

モデルのデプロイ SaveしたモデルをAPI化するためにデプロイする少し待ってデプロイ完了

Slide 30

Slide 30 text

デプロイしたモデルのTest テストデータを入力し Predictをクリックデプロイしたものが正常に動くか、まずはTest 結果レスポンスを確認 modelerでやった結果と比較

Slide 31

Slide 31 text

Implementationの確認 WebアプリからのAPI呼び出し方を確認

Slide 32

Slide 32 text

Node-RED

Slide 33

Slide 33 text

・Node-REDはフローベースドプログラミングツールで2013年にIBMのプロジェクトとして誕生、2016年10月にJS Foundationへ移行・単機能のノードを線（データの流れ）でつなぎプログラムを開発・Node.js上にフローエディタが構築されシングルクリックでアプリケーションを実行環境へデプロイ・コミュニティによって開発された新しいノードをインストール可能・作成したフローはJSONファイルによって共有 Node-REDの紹介

Slide 34

Slide 34 text

Node-REDで開発する理由 ①Webサーバーの運用をしたくない当社には数名の開発者しかおらず、しかも多くはインターン生。 ②プログラムの構造が視覚的にわかる半年から1年でインターン生はいなくなり、代わりの新しいインターン生が入ってくる。Node-REDプログラムは引き継ぎがし易い。 ③自動スケーリングできる IBM Cloud の Node-RED はCPU稼働率、メモリ、スループット、レスポンスタイムの状況より自動的にインスタンスを増やしたり減らしたりすることが可能。

Slide 35

Slide 35 text

実際の体重予測アプリのNode-REDプログラム

Slide 36

Slide 36 text

予測値をWatson Machine Learningから取得するNode-REDプログラム最初にトークンを取得 API化した15回分の予測モデルより各々の予測体重を取得 https://us- south.ml.cloud.ibm.com/v3/wml_instances/**** */deployments/*****/online POST header 'Content-Type: application/json' 'Accept: application/json' "Authorization: Bearer $IAM_TOKEN" "ML-Instance-ID: $ML_INSTANCE_ID"

Slide 37

Slide 37 text

Node-REDでいろいろ開発しています

Slide 38

Slide 38 text

最後に

Slide 39

Slide 39 text

無料カウンセリングクーポンをお配りします 1. 無料カウンセリング予約・お問い合わせ先(0120-017-247)に連絡 2. 予約が確定次第、裏面の店舗名・氏名を記入のうえ、ご予約店舗にご持参ください！表面裏面

Slide 40

Slide 40 text

仕事関連のお知らせご連絡ください！ [email protected], [email protected] この資料で紹介した業務をやってみたい方、正社員募集中ですこの資料の開発手法で貴社のAIアプリ開発をお手伝いします

Slide 41

Slide 41 text

EoF