ビジネスを加速するために、AI で実現したこと、したいこと/To accelerate business, what we realized with AI, what we want to do

■イベント
Sansan Builders Box 2018
https://jp.corp-sansan.com/sbb2018/

■登壇概要
タイトル：「ビジネスを加速するために、AI で実現したこと、したいこと」
登壇者：Sansan株式会社 テクニカル・エヴァンジェリスト、博士（工学）
大隅 智春

▼Sansan Builders Box
https://buildersbox.corp-sansan.com/

Transcript

1. ビジネスを加速するために、
   AI で実現したこと、したいこと
   

   View Slide

2. Sansan Builders Box
   - What’s Artificial Intelligence
   - Sansan の AI
   - Sansan のこれからを⽀える AI
   Agenda
   

   View Slide

3. ⼤隅 智春（Tomoharu Ohsumi）
   慶應義塾⼤学⼤学院理⼯学研究科計算機科学専攻、博⼠（⼯学）。複数
   の外資IT系企業にて部⾨マネージャを歴任、ビッグデータ関連技術の開
   発、応⽤、普及に務める。その後、ソニー本社研究所シニア・リサー
   チャとしてリコメンデーション、パーソナライゼーション技術の研究開
   発、実⽤化に従事。グループ会社の開発部⻑を歴任後、レアジョブにて
   情報戦略部⻑。ビッグデータ解析とデータドリブンによる事業改⾰に従
   事。現在、Sansan株式会社にて「ビジネスの出会いを資産に変える」た
   めの基盤技術の構築とAI関連技術の啓蒙に従事。
   テクニカル・エヴァンジェリスト、博⼠（⼯学）
   

   View Slide

4. What’s Artificial Intelligence ?
   

   View Slide

5. Sansan Builders Box
   ⼈⼯知能（AI：Artificial Intelligence）
   広義では、知的な振る舞いをする情報処理（コンピュータ）システム
   狭義では、機械学習やそれに基づく予測そのものを指す場合もある
   ⼈⼯知能と機械学習
   機械学習は⼈⼯知能の⼀部
   正解データに基づいて、⼈間のスキルをコピーする機能
   間違ったデータを与えれば、間違った学習をする
   AI：⼈⼯知能 Artificial Intelligence とは
   

   View Slide

6. Sansan Builders Box
   チューリング・テスト
   アラン・チューリングが1950年の論⽂の中で提案したAIと⼈
   間を判定するテスト
   ⼈⼯知能の最初の定義として知られる
   ⼈間らしさとは何か
   ⼈⼯無脳（chatbot）：単なるキーワードマッチングでも⼀⾒
   ⼈間らくし⾒えてしまう
   2014年 ロンドンの王⽴協会のテストで、ロシアの AI が史上
   初めてチューリング・テストにパスした 出展：Wikipedia
   AI：⼈⼯知能 Artificial Intelligence とは
   

   View Slide

7. Sansan Builders Box
   イギリスの数学者、論理学者、暗号解読者、コンピュータ科学者
   コンピュータの⽗（チューリング、シャノン、フォン・ノイマン）
   第87回アカデミー賞 脚⾊賞受賞（8部⾨ノミネート）
   出典：Gaga.ne.jp
   アラン・チューリング（1912〜1954）
   

   View Slide

8. Sansan Builders Box
   アメリカのコンピュータ科学者、認知科学者、⼈⼯知能の⽗
   MIT⼈⼯知能研究所創設者、メディアラボ教授
   1959年 MIT⼈⼯知能研究所設⽴とともに⼈⼯知能の幕開け（1960年代 第⼀次⼈⼯知能ブーム）
   1969年 チューリング賞受賞
   1969年 著書「パーセプトロン」でその限界を⽰す（1970年代 ⼈⼯知能冬の時代到来）
   1974年 フレーム理論を発表
   1986年 著書「The Society of Mind（⼼の社会）」出版（1980年代 第⼆次⼈⼯知能ブーム）
   2006年 著書「The Emotion Machine（ミンスキー博⼠の脳の探検）」出版
   2010年代 第三次⼈⼯知能ブーム
   マーヴィン・ミンスキー（1927〜2016）
   

   View Slide

9. Sansan Builders Box
   パーセプトロンへの批判と期待
   現在のディープラーニングへと続く、ニューラルネットワーク解析の基礎を確⽴
   フレーム理論
   コンピュータの知識表現に関する理論で、現在でも広く使われている
   ニューラルネットワークの可能性
   ニューラルネットワークがいかにして⾃動的に⽣成され⾃⼰複製するかを⽰した
   ⼼の社会 The Society of Mind
   知的でない機能の相互作⽤から知能が発現するとした⼈⼯知能の基本原理
   弱い学習機を統合して⾼精度の学習機を作る等のアイデアにも⽣かされている
   ミンスキー博⼠の発想
   

   View Slide

10. Sansan Builders Box
    第三次⼈⼯知能ブーム（2010年代、現在）
    2000年代にいくつかのブレイクスルーがあった
    ・多層ニューラルネットワークにおける学習法の進化
    ・計算機能⼒の⼤幅な向上（クラウドの普及等）
    ・ビッグデータ（⼤規模訓練データの調達の容易化）
    RPA: Robotic Process Automation や Expert System への応⽤
    定形業務や⾼度に専⾨化された⼀部業務の代⾏が可能
    知的ではあるが、知能と⾔えるのか？
    統合された常識的な知能に⾄るには、まだいくつかのブレイクスルーが必要
    2016年 アルファ碁とプロ棋⼠の対戦（AP通信）
    深層学習（ディープラーニング）
    

    View Slide

11. Sansan Builders Box
    ⼈⼯知能が⾼度に発展して、⼈間の想像を超越した知性が誕⽣するとした仮説
    古くは1951年にチューリングも同様の指摘をしている
    ビル・ゲイツ、イーロン・マスクらが、⼈⼯知能が⼈間の仕事の⼤半を奪うと発⾔
    英 PwC の報告書
    ｢AIが技術的失業を招き、2037年までにイギリスにある仕事のおよそ20%と置き換わる
    だろうと⾒ていたが、今回の調査は、AIがそれと同じくらいの数の新たな仕事を⽣み出
    すだろうことを⽰唆している｣
    ｢約700万⼈の雇⽤がAIに取って代わるだろうと予測されていたが、約720万⼈の雇⽤が
    新たに⽣まれる⾒込みで、結果的に約20万⼈の雇⽤が増えることになる｣
    シンギュラリティ（技術的特異点、2045年問題）
    

    View Slide

12. Sansan Builders Box
    産業⾰命と就労構造の変化
    第1次産業⾰命（蒸気機関）
    → 軽⼯業の発展 、⾦融経済の発展、中産階級の誕⽣
    第2次産業⾰命（⽯油動⼒）
    → 重⼯業、流通業の発展、⼤量⽣産・⼤量輸送の時代へ
    第3次産業⾰命（IT、コンピュータ）
    → IT、ソフトウェア等の新しい職種を含むホワイトカラーの時代へ
    → 企業・経済の⼤規模化、グローバル化
    第4次産業⾰命（AI？）
    → 健康、教育、科学技術、情報、コミュニケーション関連産業の発展？
    AI は本当に仕事を奪うのか
    

    View Slide

13. Sansan Builders Box
    機能しない AI、機能する AI
    13
    機能しないAI
    • データ不⾜（RPA等の導⼊企業の６割以上）
    • 不明瞭な導⼊⽬的（使われない機能）
    機能する AI （現在まで）
    • 専⾨家の知識に基づくエキスパートシステム（⾼機能データベース）
    • 蓄積されたデータに基づく⼈のスキルのコピー
    • 画像認識における⾶躍的な成果（画像の理解）
    • 校閲、監査（コミュニティサイト、監査法⼈、企業コンプライアンス等）
    • ⾏動予測（レコメンデーション等）
    

    View Slide

14. Sansan Builders Box
    スマートスピーカ：⾳声コマンド
    それ以上になれるか？
    量⼦コンピュータ：IBM Q
    計算⽅式の確⽴が急務
    ·ͩ·ͩ͜Ε͔Β
    これからの AI の可能性
    

    View Slide

15. Sansan の AI
    名刺管理から未来を予測するプラットフォームへ
    

    View Slide

16. Sansan Builders Box
    多様な研究者
    博⼠学位
    ※
    研究開発拠点
    Kaggle のタイトルホルダ
    博⼠
    （物理学）
    、博⼠
    （数理科学）
    、博⼠
    （計算機科学）各1名
    画像処理、データサイエンス（統計学、⾃然⾔語、機械学習）、
    社会科学・⾏動経済学、データ視覚化の各スペシャリスト
    Grandmaster 2名
    ※世界的機械学習コンペ
    本社 R&D、⻑岡ラボ、神⼭（徳島）ラボ、
    Sansan Innovation Lab（京都）、札幌ラボ
    専⾨的な研究を⾏うR&Dチーム
    

    View Slide

17. Sansan Builders Box
    େྔͷ໊ࢗ σʔλԽۀ຿ͷ
    ⾃動化・精度向上
    αʔϏε޲্ͷͨΊͷ
    データ分析・活⽤
    「出会う、が、世界を変えていく」の実現
    4BOTBO における "* 活⽤の動機と背景
    

    View Slide

18. 脳科学 統計学・確率論 ⾃然⾔語処理
    Sansan における AI 活⽤の３領域
    χϡʔϥϧωοτϫʔΫ
    σΟʔϓϥʔχϯά
    ը૾ೝࣝʗ࠷దԽʗ༧ଌ
    ReLU/CNN/ResNet
    Tensorflow/MXNet౳
    ϧʔϧʗ౷ܭ࿦తػցֶश
    ωοτϫʔΫ෼ੳʗάϥϑཧ࿦
    ड़ޠ࿦ཧʗ஌ࣝਪ࿦
    ੍໿ղফ໰୊
    ΤΩεύʔτγεςϜ౳
    ࣗવݴޠཧղ
    ܗଶૉɺߏจɺจ຺ɺҙຯཧղ
    ߴ౓ͳ஌ࣝදݱ
    ߴ౓ͳ஌ࣝσʔλऩू
    εϚʔτίϛϡχέʔγϣϯ
    

    View Slide

19. Sansan Builders Box
    19
    4BOTBO ʹ͓͚Δ "* ׆༻ͷ̏ྖҬ
    ⽬的 主な強み 技術要素 応⽤ 製品
    脳科学 脳機能、知覚の再現 画像認識
    深層学習
    （ディープラーニン
    グ）
    ○データ⼊⼒の⾃動化
    ○名刺の項⽬、⾔語判定
    エラー検出
    Sansan / Eight
    名刺のデータ化
    統計学・確率論 ⾼度な予測機能 データ分析
    • ⾼度なデータ分析
    ネットワーク分析
    • データマイニング
    • ソーシャルフィルタ
    リング
    ⼈物属性の予測
    Sansan - Customer
    Intelligence / Labs
    Eight -レコメンデー
    ション
    ⾃然⾔語処理
    ⼈の理解、知的コ
    ミュニケーション
    ⽂章の理解、
    情報の拡張
    キーワード、ルールの
    ⾃動抽出
    

    View Slide

20. Sansan Builders Box
    ディープラーニングを⽤いた項⽬判定
    項⽬判別の結果を学習
    ○単体モデルで項⽬矩形、項⽬名の推定
    ○精度 98 %
    ※画像はダミー名刺です。
    参考資料:”Pyramid Scene Parsing Network” Hengshuang Zhao, Jianping Shi,
    Xiaojuan Qi, Xiaogang Wang, Jiaya Jia.
    IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017
    https://hszhao.github.io/projects/pspnet/
    

    View Slide

21. Sansan Builders Box
    名刺画像から⾔語を判定
    ○̐ݴޠ（⽇英中韓）に対応
    ○データ化フローの効率化
    ○オペレータへの振り分けの⾃動化
    ○精度 98 %
    参考資料:”Deep Residual Learning for Image Recognition” Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
    https://arxiv.org/abs/1512.03385
    ݴޠ൑ఆϞσϧ
    ೔ຊޠ໊ࢗ
    ӳޠ໊ࢗ
    தࠃޠ໊ࢗ
    ͦͷଞݴޠ
    ؖࠃޠ໊ࢗ
    ໊ ࢗ
    ディープラーニングを⽤いた⾔語判定
    

    View Slide

22. Sansan Builders Box
    約20層のディープ CNN による学習
    CNN：Convolutional（畳み込み）NN
    層数を増やすことで、複雑な特徴を階層的に捉えることができる
    ResNet：Residual Net
    層の⼊⼒を参照した残差を学習することで、多層化しても最適化しやすい
    ਫ਼౓ͱ࣮ߦ଎౓ͷτϨʔυΦϑΛ௥ٻͨ͠ਂ૚CNN
    

    View Slide

23. Sansan Builders Box
    ⼈とAIの共存ʹΑΔߴਫ਼౓ʗߴޮ཰ͷ࣮ݱ
    AIの活⽤により、⼈のリソースをチェック⼯程に集中
    （ワークシェアリング）
    ਺ઍສຕʗ݄ ͷ
    ໊ࢗσʔλ
    "*ɿ໊ࢗը૾ͷ
    ࣗಈղੳͱೖྗ
    "*ɿϛεͷநग़
    ✓
    ਓɿ࠷ऴνΣοΫ
    ࠶ֶश
    "* 活⽤とワークシェアリング
    

    View Slide

24. Sansan Builders Box
    実現したこと
    名刺データ化の⾃動化率を約 80％に⾼め、処理能⼒⼤幅アップ
    ໊ࢗը૾ͷಡऔ
    ʹΑΔ໊ࢗ৘ใͷೖྗ
    Ϗδωεσʔλϕʔε
    ਓྗ ʷ ػցֶश
    ໊ࢗσʔλԽͷ精度 99.9%
    

    View Slide

25. Sansan のこれからを⽀える AI
    

    View Slide

26. Sansan Builders Box
    26
    "*׆༻ɾݚڀͷ঺հ
    Sansan Labs
    AI を活⽤した実験的機能 / サービスの提供
    ਓΛ஌ΓଞਓΛ஌ΓاۀΛ஌Δ
    όʔνϟϧ૊৫ਤ
    اۀؒڑ཭ͷมભ
    ࣾ಺ΩʔύʔιϯΛ୳ͤ
    "#.μογϡϘʔυ
    顧客ごとのタッチポイントを俯瞰
    ⾃社社員の強みをキーワード化
    ⾃社と親密／疎遠になっている顧客を抽出
    ⼈脈をもとに真のチームを可視化
    顧客との関係拡⼤に寄与した社員を抽出
    ϏδωεϚϯλΠϓ෼ੳ
    つながりの傾向から、強みがわかる
    

    View Slide

27. Sansan Builders Box
    ※名刺画像はイメージです
    

    View Slide

28. ABMダッシュボード
    ヴァーチャル組織図
    

    View Slide

29. ⼭⽥賢治
    ʮΩʔϫʔυʯ
    Λ࣋ͭاۀ
    ɾΩʔϫʔυΛΫϦοΫ͍ͯͩ͘͠͞
    

    View Slide

30. Sansan Builders Box
    名刺から予測される 取引先組織図
    ⼈脈から予測される ⾃社組織図
    Χ΢ϯλʔύʔτ
    ݱࡏͷҊ݅ʹ͓͚Δ
    ࣾ಺Ωʔύʔιϯͷࣔࠦ
    ҙࢥܾఆʹ͓͚Δ
    Ωʔύʔιϯͷ༧ଌ
    ネットワーク分析から⾼度なレコメンデーションへ
    

    View Slide

31. Sansan Builders Box
    R&D課題の例 ⽬的 必要な技術
    スマート AI による
    コミュニケーション
    知的なコミュニケーションによる
    情報提供と情報収集の⾃動化
    ⾃然⾔語の理解と
    各種予測に基づく対話の⽣成
    キーマン抽出
    ビジネスを加速する⼈物の発⾒や
    過去の⼈脈の再発⾒
    ⼈物属性の予測、成果の理解
    時間軸を伴う⾼度な名寄せ機能
    ⾏動履歴に基づいた
    ビジネス情報の提供
    パーソナライズされたタイムリーな
    情報提供をビジネスに活⽤
    ⾏動履歴に基づく⼈物の理解と
    ビジネスとの関連性評価
    業務分析に基づいた
    営業⽀援
    営業成績に基づいた分野別ターゲット・
    リストの作成や⼈脈形成の⽰唆
    個⼈業績予測と業界予測
    ⼈脈の活⽤実態の理解と予測
    ビジネスの出会いを加速するためのレコメンデーション
    レコメンデーションが変える未来
    

    View Slide

32. Sansan Builders Box
    成果の理解＋⼈物の理解 ＝
    出会いがもたらす成果の予測
    Sansan
    ビジネスデータベース
    Sansan
    レコメンデーション・エンジン
    出会うべき時、
    出会うべき⼈を確実に捉える
    AI
    Sansanレコメンデーションがもたらす未来の価値
    

    View Slide

33. 出会いの最適化によって働き⽅を⾰新する
    「出会う、
    が、
    世界を変えていく。
    」
    

    View Slide

34. View Slide