Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
リサーチ&データサイエンスで「AI」をより良いものに / ReseachConference_goto
Search
Recruit
PRO
May 31, 2022
Technology
0
880
リサーチ&データサイエンスで「AI」をより良いものに / ReseachConference_goto
2022/05/28_RESEARCH Conference 2022での、後藤の講演資料になります
Recruit
PRO
May 31, 2022
Tweet
Share
More Decks by Recruit
See All by Recruit
AOAI をきっかけに 社内の Azure 管理を見直した話
recruitengineers
PRO
1
230
プロデザ! BY リクルート vol.18_リクルートのリサーチ実践組織「リサーチブーストコミュニティ」
recruitengineers
PRO
3
270
Datadog による 自己完結的アプリケーションモニタリング
recruitengineers
PRO
4
260
プロデザ! BY リクルートvol.17_『じゃらんnet』公式アプリの高速リニューアル事例を大公開
recruitengineers
PRO
6
190
自己完結な開発者組織を支える プラットフォーム作り
recruitengineers
PRO
3
300
検索エンジニアが考える、 生成AI時代の人間の付加価値とは
recruitengineers
PRO
3
130
エンジニア思考で解決! 家事育児を劇的に進化させる開発プロセス応用術
recruitengineers
PRO
3
110
GraphQL「良さ」・「難しさ」再探訪 〜スタディサプリにおける実例〜 / StudySapuri with GraphQL
recruitengineers
PRO
22
4.7k
プロデザ番外編_リクルートのデザイン組織のご紹介
recruitengineers
PRO
3
200
Other Decks in Technology
See All in Technology
NgRx Signal Store
rainerhahnekamp
0
140
Databricks:『生成AI World Cup』のご案内
databricksjapan
2
170
Next'24 事例セッションの紹介とクラウド資格を活用したキャリア形成について語りMuscle
yasumuusan
1
430
アクセシビリティを考慮したUI/CSSフレームワーク・ライブラリ選定
yajihum
2
990
コンパウンドスタートアップのためのスケーラブルでセキュアなInfrastructure as Codeパイプラインを考える / Scalable and Secure Infrastructure as Code Pipeline for a Compound Startup
yuyatakeyama
3
4.6k
Databricks における 『MLOps』
databricksjapan
2
160
20240416_devopsdaystokyo
kzkmaeda
1
210
DevOpsメトリクスとアウトカムの接続にトライ!開発プロセスを通して計測できるメトリクスの活用方法
ham0215
2
230
2024/4/26 コンピュータ歴史博物館解説告知
toshi_atsumi
0
210
よく聞くけど使ったことないソフトウェアNo.1 KafkaとSnowflake
foursue
4
330
現代CSSフレームワークの内部実装とその仕組み
poteboy
8
3.5k
最近たまに見かけるTiDBってなんだ? - Findy
pingcap0315
2
750
Featured
See All Featured
From Idea to $5000 a Month in 5 Months
shpigford
377
45k
10 Git Anti Patterns You Should be Aware of
lemiorhan
647
58k
The Cost Of JavaScript in 2023
addyosmani
15
3.8k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
18
1.7k
Debugging Ruby Performance
tmm1
70
11k
YesSQL, Process and Tooling at Scale
rocio
163
13k
Docker and Python
trallard
33
2.7k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
39
4.4k
Building Effective Engineering Teams - LeadDev
addyosmani
28
1.8k
Statistics for Hackers
jakevdp
789
220k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
77
42k
Documentation Writing (for coders)
carmenintech
59
3.9k
Transcript
リサーチ&データサイエンスで「AI」をより良いものに 後藤 真理絵
大学時代 社会人1−2年 社会人3-10年 社会人10年〜 慶應SFC デザイン思考 エスノグラフィ Flashプログラミング Web広告制作会社 ディレクター見習い
プロジェクト進行管理 マーケティングリサーチ会社 <データ収集> ・文献、各種統計情報 ・Webアンケート ・インタビュー調査 ・有識者インタビュー ・ビジネスエスノグラフィ <分析・報告> ・多変量解析、マイニング ・顧客向け報告会 ヤフー株式会社 <広告効果分析> ・広告効果分析 ・全社マーケティング最適化 <サービス利用状況分析> ・既存サービス分析支援 ・新規サービス立ち上げ伴走 2020〜 株式会社リクルート スタディサプリ 分析・データ活用リード 自己紹介 後藤真理絵 2018 Design for ALL設立 クリエイティブ系に憧れていた時期 営業・調査・分析の基礎 データサイエンスな世界
今日お伝えしたいこと リサーチとデータサイエンスの良いとこ取りを行い 人の人生を豊かにする世界を作りたい
データサイエンス・「AI」って?(本日の定義) ・観測した大量のデータを機械学習し、行動パターンを発見する (モデル化) ・モデルをアプリやシステムに組み込み、パターンに応じて ユーザーの行動支援をする(自動化) 機械学習 アルゴリズム データ モデル データ
モデル 行動支援 アプリ等
適切なデータから良い「AI」は生まれる ↑ データとアルゴリズムはビジネス課題に依存する
「AI」案件ではどんな沼に陥りがちか ・モデルが現実離れしている ・精度は良いがブラックボックス 使われない「AI」 →事業貢献できない
なぜ沼にはまるのか・・・?
沼① 受発注の関係で発生しがちなこと 営業・プロダクト企画 ◯月までに XXをやりたい 担当A:取りまとめ 依頼 担当B:実作業 担当C:実作業 再委託
データ組織(横断組織)
〜〜で 困ってます 担当A:取りまとめ 依頼 担当B:実作業 担当C:実作業 再委託 データ組織 沼① 受発注の関係で発生しがちなこと
営業・プロダクト企画 課題すり合わせが うまくいかず迷宮入り
沼② 0→1を作る時に起こりがちなこと 課題 解決 手段 すぐに解決できる課題に目がいってしまう
沼② 0→1を作る時に起こりがちなこと 解決 手段 本質的な課題解決に なってない・・・ 解決するべき 課題??
一言で言えば、 データサイエンティスト側が サービスおよびユーザー・クライアント理解が 足りない時がある →不足しがちな情報を、質・量ともに吸収する ための取り組みが必要
どうやって相互理解を深めるのか?
「AI」プロジェクトの大まかなプロセス 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装
徹底的に当事者視点で考え目線・情報量を揃える時間を創出 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装
事例A:営業向けクライアントのリピート予測(0→1案件) クライアント名 予測 確率 根拠 データ1 根拠 データ2 根拠 データ3
根拠 データ4 根拠 データ5 A B C 直感的にわかる なぜ?がわかる 納得して次の行動に踏み出せる
領域に関連する情報を収集する 背景 理解 • 業界理解 • ビジネスモデル理解 • 事業戦略理解 •
事業KPI理解 • 業務プロセス理解 etc
社内で領域の有識者にインタビューする 背景 理解 営業マニュアル • 業務フロー • 使用ツール • どんな工夫しているか
• お困りごと etc
ユーザーの行動を最小単位に分解し、データ所在を整理 背景 理解
定量データから見えるリピートパターンを把握 背景 理解 事前 調査 • ファクトデータ収集、集計 • 統計的に有意な傾向を発見 ※ダミーデータ
営業と壁打ち:現場の肌感・違和感から見立てる 背景 理解 事前 調査 • 現場の肌感と合うか ◦ データで解ける問題か •
現場の違和感はないか ◦ 観測データ以外の要因の有無 繰り返すことで ファクト&理由→解決すべき課題
課題定義前の精度がその後の工程の精度を決める 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装 • スコープ設定 • 使用データ決定 • 予測内容決定 • アルゴリズム選定 • データセット作成 • モデル作成
営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 ※ダミーデータ
営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 • 現場の肌感と合うか ◦ 意思決定に使ってもらえるか • 現場の違和感はないか ◦
予測精度の限界はどこか モデルや見せ方を試行錯誤
ユーザーの行動を最小単位に分解し、データ所在を整理 背景 理解
探索的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 質的データ→量的データ ※設計に活かす
定量データから見えるリピートパターンを把握 背景 理解 事前 調査 • ファクトデータ収集、集計 • 統計的に有意な傾向を発見 ※ダミーデータ
収束的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf ・量的データ ・質的データ 解釈→設計
営業と壁打ち:予測結果が肌感と合うか、すぐに動けそうか観察 試作 実装 ※ダミーデータ
検証的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 量的データ←質的データ ※妥当性を検証・補完
探索的アプローチ+収束的アプローチ+検証的アプローチ 課題 定義 解決 手段 背景 理解 事前 調査 試作
実装 https://www.jstage.jst.go.jp/article/jaih/26/2/26_2_107/_pdf 質的データ→量的データ ※設計に活かす 量的データ←質的データ ※妥当性を検証・補完 ・量的データ ・質的データ 解釈→設計
まとめ ・AI案件のプロセスにリサーチは組み込める ・リサーチャーとサイエンティストの協業を 意識したプロセス設計を行う ↓ ・サービス仕様とユーザー・クライアント行動の 深い理解が良い「AI」設計につながる
一見小難しいデータサイエンスですが、 リサーチとの接点が伝わっていたら嬉しいです
ご静聴ありがとうございました