AI技術で業務の高度化・効率化～実は身近なAIの世界～ / Improving Business Efficiency with Mathematical Optimization: From Identifying to Solving Challenges

2024年6月14日開催 Women in Data Science Tokyo @ IBM
CLOSING KEYNOTE 資料
Speaker: 江澤 美保 氏
株式会社クレスコ
デジタルモダナイゼーション本部 先端技術事業部
AI&Dataテクノロジー第一部
部長

https://widstokyoibm2024.splashthat.com/

Transcript

1. AI技術で業務の⾼度化・効率化 〜実は⾝近なAIの世界〜 デジタルモダナイゼーション本部 先端技術事業部 AI＆Dataテクノロジー第⼀部 部⻑ 江澤 美保 Women in Data Science Tokyo @ IBM 2024 CLOSING KEYNOTE
2. 1 はじめまして︕ n 楽しい課外活動 p ⽇本ソフトウェア科学会 機械学習⼯学研究会 組織運営委員 p IBM Champion（公認社外エバンジェリスト）2019-2023 p 技術系コミュニティ運営 p 「現場で使える! Watson開発⼊⾨ 」 （共著・翔泳社） p 「現場で使える! Python⾃然⾔語処理⼊⾨」（共著・翔泳社） 江澤 美保（えざわ・みほ） 株式会社クレスコ AI&Dataテクノロジー第⼀部 部⻑ 企業向けWebポータル製品の開発、⼤規模事務管理の海外移管プロジェクト、企業向け決済サービ スのフィールドエンジニア等を経て先端技術（⼈⼯知能・RPA・コミュニケーションロボット）の 法⼈営業に転向。2015年よりIBM Watsonに携わり、経営層へのWatson導⼊提案を多く経験。営 業経験とエンジニア経験を活かし、企業のAI導⼊⽀援を⼿掛けるAIコンサルタントに。2024年4⽉ より現職。2022年7⽉第1回JR九州ビジネスコンテスト「Q」uest for the bestにて優秀賞受賞。
3. 2 クレスコとは ITサービス × デジタルソリューション ⼈が想い描く未来､その先へ クレスコグループは 最⾼のテクノロジーと絆で “わくわくする未来”を創造します 設 ⽴ ･ 上 場 本 社 所 在 地 従 業 員 数 東京都港区 品川インターシティA棟 連結︓3,088名 単体︓1,487名 ［2024年4⽉1⽇時点］ 1988年4⽉ 設⽴ 2022年4⽉ プライム市場 上場 2001年9⽉ 東京証券取引所 ⼀部 上場 ビジョン CRESCO ラテン語で 「成⻑する」 事 業
4. 3 事業 - ITサービス - 各セグメントに適したサービスをご提供 エンタープライズ 製 造 l モノ+サービスへの変⾰､ソフトウェア主導でのモノづくりなど､ビジネスモデルの 変化に対し､UX/UIの検討から設計･開発･評価､運⽤保守まで⼀貫したサービスで⽀援 l セーフティ、セキュリティのコンサルや⽣産効率の向上、開発プロセスの「⾒える化」 など製品開発を側⾯から⽀援するサービスも提供 l 市場の変化、新技術へのスピーディーな対応で、DX推進を⽀援 l 企画から開発、運⽤保守までのワンストップサービスを提供 ⾦ 融 l ⾦融の基幹系から、さまざまな業務分野のシステムの構築・運⽤実績あり l 蓄積した業務ノウハウ×最新ソリューションで、サービス向上 銀 ⾏ 証 券 保 険 ⼈材派遣 運 輸 航 空 旅 ⾏ 不 動 産 公 共 エレクトロニクス ⾃ 動 ⾞ 医療/ヘルスケア システム資産を活かしながら、 システムリニューアルや クラウドを活⽤したシステムを構築 デバイス制御から 先端の技術導⼊まで、 ⾼品質/⾼信頼の組み込み製品を開発 先端技術の実績を組み合わせ、 お客様の事業に適⽤する アプリケーションを開発 IT開発技術と⾼品質なサービスで、 世の中のさまざまな仕組みづくりを⼿がけています プラットフォーム構築 組み込み開発 アプリケーション開発
5. 事例１）テキスト分類AIで業務効率化
6. 5 危険報告 200件/週 AI導⼊前 重要 通常 分類 確認 分類・確認 60秒/件 危険報告 200件/週 重要 通常 AI導⼊後 確認 修正 確認 分類 確認・修正 ??秒/件 ⾼まる安全意識、年々増える報告 安全性を損ねず⼈員を増やさず対応したい︕ お客様の課題 ??% 削減
7. テキストを分類するAIを作る⽅法 分類器 カテゴリA カテゴリB カテゴリC 文書を適切な カテゴリに分類するAI 文書X
8. もっと簡単にテキストを分類できないか︖ クラウド型⾃然⾔語分類サービスを活⽤ ・学習データを与えるだけで分類器（分類AI）が使えるようになる ・複数分類器の作成も⽐較的容易 ・⽇本語に強いクラウド型の⾃然⾔語分類サービスである IBM Watson NLC（Natural Language Classifier）を採⽤
9. クラウド型テキスト分類AIのメリット・デメリット 〇︓容易に活⽤可能 ・モデル構築が不要なため、すぐに活⽤可能 ・複雑な前処理なしで極めて良い精度 ×︓カスタマイズができない ・複数意図を含む⽂章の分類は苦⼿ ・扱える⽂章⻑に制限がある メリット デメリット どのくらい の精度︖
10. ①真陽性 (TP) ④偽陰性 (FN) ③偽陽性 (FP) ②真陰性 (TN) 重要 重要以外 重 要 重 要 以 外 実 際 の 分 類 ①真陽性(True Positive) 重要と分類すべきで、正しく重 要に分類された件数 ②真陰性(True Negative) 重要以外と分類すべきで、正し く重要以外に分類された件数 ③偽陽性(False Positive) 重要以外と分類すべきが、誤っ て重要と分類された件数 ④偽陰性(False Negative) 重要と分類すべきが、誤って重 要以外と分類された件数 混合⾏列（Confusion matrix） このマトリックスはAIの精度評価をする場合、⾮常によく使われます。 横⽅向が予測したクラス、縦⽅向が実際のクラスとなります。 AIの分類 評価の⽅法
11. Accuracy 全体正解率 (TP+TN) (TP+TN+FP+FN) 本来重要に分類すべきアイテムを重要に分類し、本来重要 以外に分類すべきアイテムを重要以外に分類できた割合。 総合的な判断に使います。 Precision 適合率/精度 TP (TP+FP) 重要と判定されたもののうち、正しく重要と分類されてい る割合です。分類結果の確からしさを表します。分類結果 を重要以外とした場合の確からしさは、分かりません。 Recall 再現率/検出率 TP (TP+FN） 本来重要となるべきもののうち、正しく重要と分類された 割合です。網羅性を図る指標です。どのくらい間違ったの がわかりません。確実に重要を検出したいときに重視する 指標です。 F-measure F値 2 × Precision × Recall Precision + Recall 適合率と再現率の調和平均。適合率と再現率のバランスの 良さを確認する指標。F値が適合率もしくは再現率と⽐べ て極端に低い場合バランスが悪いことになります。 ①TP ④FN ③FP ②TN ①TP ④FN ③FP ②TN ①TP ④FN ③FP ②TN ①真陽性 (TP) ④偽陰性 (FN) ③偽陽性 (FP) ②真陰性 (TN) 重要 重要以外 重 要 重 要 以 外 実 際 の 分 類 AIの分類 評価の⽅法 ピタッと来 てほしい︕ ⾒落とした くない︕
12. 11 AIの分類 重要 普通 ⼈間の分類 重要 3.5% 0.5% 普通 38% 58% 実際の業務でAI分類した結果 0.88 ※対象データ 約9,000件 結果
13. 12 社員の声 200件/週 AI導⼊前 重要 通常 分類 確認 分類・確認 60秒/件 AIと⼈の共同作業で1件の時間を60→20秒へ66%削減 安全性を損ねず増加する「声」に対応 ⾼まる安全意識に安全性を損ねず⼈員を増やさず対応 66% 削減 社員の声 200件/週 重要 通常 AI導⼊後 確認 修正 確認 分類 確認・修正 20秒/件 99.5% AI判定 正解
14. AIの業務導⼊のポイント 成功のポイントはデータ整備ができていたこと 業務全体を俯瞰しAI適⽤部分が明確にできたこと よくあるAI導⼊の失敗要因 今回の事例では ①⽬的を達成するためのデータが存 在しない 過去データが分類された状態で管理されており、AI導⼊部署が容 易に活⽤できるようになっていた。 ②⼈と同じ結果をAIに求める AIの特性(100%の精度は出ない)を理解した上で、どう⼈と作業 分担するかを柔軟に設計。 ③すべてをAIで実現しようとする 業務上AI以外の⼿法(ルールで分類可能なものはAIを使わない等) を組み合わせて実現。 精度指標においても「チェック量が多くとも、取りこぼしの少な い」⽅針を当初から明確に打ち出し、精度向上に取り組めた。
15. 事例２）数理最適化で顧客ニーズの取り込み
16. 15 ホテルのフロント担当って⼤変です
17. 「数理最適化」による課題解決 膨⼤な選択肢から利益が最⼤になる組合せを⾒つける コンピュータの得意分野を活⽤ 予約条件を満たし 清掃状況を考慮し 最⼤限の顧客希望・ホテル側配慮を満たし その⽇売れにくい部屋を優先的にアサイン ⾓部屋 希望 清掃済み 部屋から 平⽇⼈気 は低価格 休⽇⼈気 は⾼価格 VIP会員 upｸﾞﾚｰﾄﾞ ｸﾞﾙｰﾌﾟは 近い部屋 ｵｰﾊﾞｰ ﾌﾞｯｷﾝｸﾞ︕ 部屋割りは 機械に︕ 顧客対応に 注⼒︕ ⽬標を最⼤限に満⾜させる ⾼度な部屋割りを⾃動作成 最適な 部屋…︖
18. 数理解析とは 数学的⼿法を⽤いて 物理現象や⼯学的問題を解析 ⾝近な例︓⼈⼝増加のモデル あるシティーの⼈⼝が、毎年3%ずつ増加しているとします。 このとき、⼈⼝の変化を表す微分⽅程式は以下のようになります︓ dP/dt = 0.03P Pは⼈⼝、tは時間（年）、dP/dtは⼈⼝の変化率（導関数） 微分⽅程式を解くことで、未知の関数を求めることができます。 P(t) = P₀ × e^(0.03t) P₀は初期⼈⼝（t=0のときの⼈⼝）、eは⾃然対数の底（約2.718） 例えば、初期⼈⼝が10万⼈の場合、10年後の⼈⼝は以下のように計算できます︓ P(10) = 100,000 × e^(0.03×10) ≈ 135,000
19. 様々な数理モデル モデル分類 詳細 補⾜ 最適化系のモデル 数理最適化 複雑な制約の中で、最も良い結果を得るために意思決定を⾏うモデルです。応⽤数学や経営⼯学 のオペレーションズ・リサーチ分野で研究されています。 ゲーム理論 複数の意思決定者が存在する状況での戦略を分析するための理論です。 待ち⾏列 サービスシステムにおける待ち時間や⾏列の⻑さを分析するための理論です。 予測系のモデル 単回帰分析 過去のデータをもとに未来のデータを予測するための⼿法です。主に確率統計の分野で研究され、 「回帰」、「分類」、「クラスタリング」などの⼿法があります。 重回帰分析 複数の独⽴変数を使って従属変数を予測する⽅法です。 ロジスティック回帰 分類問題を解くために使われ、2つ以上のカテゴリにデータを分類する⼿法です。 時系列モデル ARモデル 時間と共に変化するデータを分析するためのモデルです。店舗の売上予測や需要予測などに使わ れます。 MAモデル 過去の誤差を利⽤して予測を⾏うモデルです。 ARMAモデル ARモデルとMAモデルを組み合わせたモデルです。 ARIMAモデル 過去のデータと誤差の両⽅を使って予測を⾏うモデルです。 ⾦融⼯学モデル ランダムウォーク 株価やオプション価格などの市場データを分析するためのモデルです。近年ではアルゴトレード などで、⾃動的に売買を⾏う際に使われています。 ブラウン運動 微細なランダム運動をモデル化したもので、⾦融市場の価格変動を分析するために使われます。 近年話題のモデル 階層ベイズモデル +MCMC 階層ベイズモデルとマルコフ連鎖モンテカルロ法（MCMC）を組み合わせたモデルで、マーケ ティングにおいて個別の顧客に最適なアプローチを⾏うために使われます。 スパースモデリング 少ない情報から全体像を推測するための⼿法です。ブラックホールの画像解析で話題になりまし た。模なデータから重要な情報を抽出するためにも⽤いられます。
20. 数理最適化〜もっともよい意思決定をするために〜 様々な制約のもと、数ある可能な選択肢から 最適な選択を決定する問題解決⼿法 ü 容量制限がある袋の中に、価 値が最⼤になるように荷物を 詰め込むには、どの荷物を詰 め込めばよい︖ ü ⼯場で⽊材から鉛筆、机、椅 ⼦を⽣産している。1つの⽊ 材から収益を最⼤にする鉛筆、 机、椅⼦の⽣産量は︖ ü セールスマンが全ての都市を 訪問して、出発地点に帰還す る場合、どのような順番で都 市を回るのが最短経路︖
21. 数理最適化〜もっともよい意思決定をするために〜 求める最適化された状態とは 「制約」の範囲内で「⽬的」が最⼤になる ü ⼯場で⽊材から鉛筆、机、椅 ⼦を⽣産している。1つの⽊ 材から収益を最⼤にする鉛筆、 机、椅⼦の⽣産量は︖ 変数（求めたいこと） 鉛筆、机、椅⼦の⽣産量 ⽬的関数（なって欲しい状態） 収益の最⼤化 制約条件（絶対に守ること） 1つの⽊材
22. ホテルの部屋割に当てはめると ホテル(30室) • デラックス 10室 • スタンダード 20室 予約リスト デラックス 8件 スタンダード 15件 予約リスト デラックス 6件 スタンダード 23件 変数（求めたいこと） 部屋割リスト ⽬的関数（なって欲しい状態） 部屋の稼働率を最⼤化 予約者の希望をなるべく叶える 制約条件（絶対に守ること） 宿泊⽇数の希望通りに部屋を割り当てる 予約より低いグレードには割り当てない 最適な 部屋…︖
23. 「数理最適化」による課題解決 考慮事項の多いアサイン業務を⾃動化・⾼度化し 従業員の⼿間の削減・省⼈化と機会損失の減少に貢献 リクエストが多いホテルでは、 アサイン業務に数時間かかることも アサインルールが可視化されておらず、 担当者によってバラつきがある Before After 過去事例では部屋割り担当者の作業負 荷が3分の1程度に軽減。 ルールを明確にし、アサイン品質を⾼ いレベルで平準化。 ニーズのある部屋から先に埋めてしま う等の機会損失を減少。 最適なアサインは考慮事項が多く、機 会損失が発⽣していることも。
24. Thank You 23