テキストアナリティクスの知見を社会に活かすには？ -シーズ指向の視点とニーズ指向の視点- / How to make use of the knowledge of text analytics to society?

情報処理学会 第129回 情報基礎とアクセス技術研究会(IFAT)
（第12回 テキストアナリティクス・シンポジウム）
http://ipsj-ifat.org/index.php?id=165
http://www.ieice.org/~nlc/tm12p.html

Transcript

1. ςΩετΞφϦςΟΫεͷ஌ݟΛ ࣾձʹ׆͔͢ʹ͸ʁ -γʔζࢦ޲ͷࢹ఺ͱχʔζࢦ޲ͷࢹ఺- L I F UL L L a bɹओ੮ݚڀһ ਗ਼ాɹཅ࢘ 2018.02.16 ୈ129ճ ৘ใॲཧֶձ ৘ใجૅͱΞΫηεٕज़ݚڀൃදձ ʢୈ12ճςΩετΞφϦςΟΫεɾγϯϙδ΢ϜʣˏςΟʔΦʔδʔձٞࣨ େࡕӺલୈ3Ϗϧ Copyright© LIFULL All Rights Reserved.
2. ਗ਼ా ཅ࢘ LIFULL Lab ओ੮ݚڀһ ෱Ԭݝੜ·Ε→େֶ(Ӄ)ˏژ౎→౦ژ ؔ৺෼໺: ࣗવݴޠॲཧԠ༻ → ݕࡧɾਪન → ৘ใϦςϥγʔ (ਤॻؗ) → ੜ׆ྖҬ (ෆಈ࢈ɺհޢ etc.) ͰͷϝσΟΞٕज़׆༻ (ը૾ղੳؚΉ) ܦྺ: େֶڭһ → ݉ۀͰىۀ → ͦͪΒ͕ຊۀʹ → ങऩ ର֎త׆ಈ •  ৘ใॲཧֶձσʔλϕʔεγεςϜݚڀձ װࣄʢ࢈ֶ࿈ܞɾࣾձ࿈ ܞʣ •  WebDB Forum ࢈ֶ࿈ܞ୲౰װࣄ •  ਓ޻஌ೳֶձ ฤूҕһ •  JSTʮ৘ใ؅ཧʯࢽ ֎෦ฤूҕһ •  Code4Lib JAPANڞಉ୅ද etc. 2
3. LIFULLάϧʔϓʹ͍ͭͯ Ԋֵ •  1997೥ גࣜձࣾωΫετઃཱ •  2006೥ ౦ূϚβʔζ্৔ •  2010೥ ౦ূୈҰ෦ʹࢢ৔มߋ •  2017೥ גࣜձࣾLIFULLʹ໊ࣾมߋ ֓ཁ •  ࿈݁ച্ߴɹ299ԯԁʢ2017೥3݄ظʣ •  ओྗࣄۀ •  ૯ܝࡌ෺݅਺No.1ͷෆಈ࢈ɾॅ୐৘ใαΠτ ʮLIFULL HOME’SʯͷӡӦ •  ͦͷଞࣄۀ •  LIFULLϒϥϯυʹΑΔੜ׆ີணܕ৘ใαʔϏ εͷఏڙ •  Trovit: ੈք50ϲࠃ޲͚ʹల։͢Δෆಈ࢈ɾத ݹंɾٻ৬৘ใͷΞάϦήʔγϣϯαʔϏε ɹʢຊࣾ: εϖΠϯɾόϧηϩφʣ 3
5. LIFULL Lab (ϦοςϧϥϘϥτϦʔ) •  ϧʔπ͸2007೥ઃཱͷ ౦ژେֶൃελʔτ Ξοϓ (ג)Ϧοςϧ •  ෆಈ࢈ςοΫͳͲʹؔ ΘΔ࠷ઌ୺ٕज़ͷR&D •  Ϩίϝϯσʔγϣϯ •  AIؔ࿈ٕज़ʢσΟʔ ϓϥʔχϯάͳͲʣ •  ϢʔβʔΠϯλ ϑΣʔε (UX) •  VR / AR / MR গਓ਺ʢ2017೥10݄ݱ ࡏ 6໊ʣͰଟذʹΘͨ Δ෼໺ΛΧόʔ ৽ײ͓֮෦԰୳͠ΞϓϦ
   )0.&`4ϔϠαΫʂ
   ෦԰࡞ΓγϛϡϨʔγϣϯ
   (3*%
   73*$,
   5
6. ͓෦԰୳͠Ϩίϝϯσʔγϣϯ ΞϓϦʮϔϠαΫʂʯ 6
7. ෦԰ͮ͘ΓVRγϛϡϨʔγϣϯ GRID VRICK 7
8. ࠃ಺ͷ௞ିෆಈ࢈෺݅σʔλ ໿530ສ݅ •  ॴࡏ஍ (༣ศ൪߸ɺ࠷دΓӺͳͲ) •  ௞ྉɺ໘ੵɺங೥਺ɺ෦԰λΠϓ etc. •  ݐ෺ߏ଄ (໦଄ɺమࠎɺమےίϯΫϦʔτ etc.) •  ֤छͩ͜ΘΓ৚݅ (ϖοτՄɺָثɺΧ΢ ϯλʔΩονϯɺόεɾτΠϨผ etc.) 物件画像 約8300万点 間取り図 約510万点 重厚な感じの エントランス 日当たりの 良いリビング •  国立情報学研究所(NII) の協力を得て2015年11 月より提供開始 •  学術機関の研究者であ れば無料で利用可能 LIFULL HOME’Sσʔληοτ 8
9. ෆಈ࢈෺݅ը૾΁ͷ ਂ૚ֶशͷద༻ 9
10. ؒऔΓਤ͔Βͷ3DϞσϧੜ੒ Simon Fraserେֶ ݹ઒ହོ।ڭतͷάϧʔϓʹΑΔ LIFULL HOME’Sσʔληοτར༻ݚڀ https://www.cse.wustl.edu/~chenliu/floorplan-transformation.html → ը૾ॲཧͷτοϓϨϕϧࠃࡍձٞ ICCV 2017ʹ࠾୒ 10
11. ਓ޻஌ೳֶձࢽ্Ͱͷ ಛूاըʮෆಈ࢈ͱAIʯ 2017೥7݄߸ʹܝࡌɺهࣄ11ຊɾ61ϖʔδ 11
12. Agenda •  γʔζͱχʔζͷΪϟοϓ͔Βੜ·ΕΔݚڀ՝୊ •  ςΩετΞφϦςΟΫεͷࢹ఺Λ׆͔ͨ͠ࣄྫ 1.  Webϩάσʔλ͔ΒͷϢʔβཁٻมભͷՄࢹԽ 2.  SNSͱΫϥ΢υιʔγϯάΛ׆༻ͨ͠ॅ·͍୳͠Ϣʔ βʔཧղͷࢼΈ 3.  SNSͱΫϥ΢υιʔγϯάʹΑͬͯ֗બͼͷ৽ͨͳࢦ ඪΛ૑ΔࢼΈ 4.  հޢࢪઃ୳͠αʔϏείʔϧηϯλʔͷςΩετ෼ ੳ •  ςΩετΞφϦςΟΫεͷ஌ݟ͕ࣾձʹ͓͍ͯΑ Γ׆༻͞ΕΔͨΊͷώϯτ 12
13. γʔζͱχʔζͷΪϟοϓ͔Β ੜ·ΕΔݚڀ՝୊ 13
14. 2011೥࣌఺Ͱͷݚڀ։ൃܭը ॅ·͍ ஍Ҭ άϧϝ ϑΝογϣϯ ϏϡʔςΟ Ξϛϡʔζ ϝϯτ ۚ༥ ҩྍ ڭҭ 分野別DB ユー ザー 検索 最適な情報 レコメンデーションΤϯδϯ Ϣʔβʔ̙̗ʢ٬؍৘ใɺߦಈཤྺɺᅂ޷ੑʣɹɹ 14
15. ॅ·͍୳͠ʹ͓͚Δ৘ใਪનʁ あなたにおすすめのお部 屋はこれ！ まったく同じ 部屋は一つしか ない どれだけ探せば満 足できる部屋が見つ かるの？ ? ڠௐϑΟϧλϦϯάͳͲɺطଘͷ৘ใਪનΞϧΰϦζϜ͸༗ޮͰͳ͍ 15
16. ॅ·͍୳͠ϓϩηεͷಛੑ Ϣʔβ͕ܾஅ·Ͱʹ௕͍࣌ؒɺଟ͘ͷखؒΛ͔͚Δ •  ಈػ͚ͮ → ৘ใऩू → ൺֱݕ౼ → ܾஅ Ϣʔβཁٻ͕࣌ؒͷܦաͱͱ΋ʹมԽ͢Δ •  τϨʔυΦϑʢՁ֨ vs ◦◦ʣ •  ஍ҬɾӺɾ࿏ઢ •  ങ͏ – आΓΔ •  Ϛϯγϣϯ – Ұށݐͯ •  ֤छͩ͜ΘΓ৚݅ʢϖοτɺόετΠϨผɺ…ʣ → Ϣʔβͷཧղ͕ஶ͘͠ࠔ೉ 16
17. ϥΠϑΠϕϯτཧղ΁ͷ χʔζͱݚڀ՝୊ ͩΕʹͱͬͯ΋ܾஅ͕ٻΊΒΕΔϥΠϑΠϕϯτ •  ॅ·͍୳͠ɺਐ࿏બ୒ɺब৬ɺ݁ࠗɺग़࢈ɺ࣏ྍɺ հޢɺ૴ّ... ʹ ڊେͳϚʔέοτ͕ଘࡏ ৽ͨͳݚڀ՝୊ •  ௿ස౓ͷϥΠϑΠϕϯτʹ͓͍ͯద੾ͳ৘ใਪન Λ͢Δʹ͸Ͳ͏ͨ͠Β͍͍͔ʁ •  ઍࠩສผʹΈ͑Δʮਓੜͷܾஅʯͷશମ૾ΛͲ͏ ͨ͠ΒཧղͰ͖Δ͔ʁ 17
18. ࣄྫ1: Webϩάσʔλ͔Βͷ ϢʔβཁٻมભͷՄࢹԽ 18
19. LIFULL HOME’S Webϩάσʔλ ղੳͷ໨త •  Ϣʔβ͸ॅ·͍୳͠ͷաఔʹ͓͍ͯͲͷΑ͏ʹߦ ಈ͓ΑͼཁٻΛมԽͤ͞Δͷ͔ʁ •  ͦ΋ͦ΋ͲͷΑ͏ͳߦಈ΍ཁٻ͕͋Δͷ͔ʁ 19
20. ςΩετΞφϦςΟΫεͷ ஌ݟ͕ੜ͔ͤͳ͍͔ʁ τϐοΫϞσϧʢLDAʣʹιϑτΫϥελϦϯάΛ ར༻͢Ε͹ɺӅΕͨϢʔβཁٻΛු͔ͼ্͕ΒͤΔ ͜ͱ͕Ͱ͖ͳ͍͔ʁ •  จॻ ⇒ Ϣʔβͷݕࡧηογϣϯ •  ଟ͘ͷϢʔβ͸Կ೔͔ؒ୳͚ͭͮ͠Δ •  ୳͚ͭͮ͠ΔதͰͲͷΑ͏ʹߦಈɾཁٻ͕มΘΔʁ •  Ωʔϫʔυ ⇒ Ϣʔβͷݕࡧߦಈ •  ϢʔβͷӅΕͨݕࡧཁٻ͕ɺ໨ʹݟ͑Δݕࡧߦಈͱ ͳͬͯ؍ଌͰ͖Δʢ͸ͣʣ 20
21. LIFULL HOME’SͷϢʔβߦಈՄࢹԽ ブ ラ ウ ジ ン グ ---- 具 体 的 な 検 索 行 動 典型的な物件探しの行動 （路線・駅選択 or 地域選択⇒リスト表示⇒物件閲覧） 非典型的な 物件探しの行動 （地図検索など） 物件見学後に サーチエンジン 経由で再訪 21
22. ࣄྫ2: SNSͱΫϥ΢υιʔγϯάΛ ׆༻ͨ͠ॅ·͍୳͠Ϣʔβʔཧղͷ ࢼΈ ిؾ௨৴େֶɹ܀ݪݚڀࣨͱͷڞಉݚڀ 22
23. ΧελϚʔδϟʔχʔϚοϓ ユーザー理解の⼀技法: ユーザーの視点からユーザー経験の全体像を概観する 23
24. TwitterλΠϜϥΠϯʹண໨ͨ͠ ཧ༝ ›  ユーザーの住まい探しプロセスにおける⾏動、思考、 感情を⽰すデータを豊富に含む •  情報発信の⼼理的ハードルが低い（字数制限） •  コミュニケーションのチャネルになっている（リ プライ機能） ›  タイムラインによって、数週間〜数年にわたる住ま い探しプロセスを追跡できる 24
25. ॅ·͍୳͠ʹؔ࿈ͦ͠͏ͳ TwitterΞΧ΢ϯτͷநग़ •  アカウントの選択 –  今回は @homes_kun のフォロワー(約40,000アカウント)を対象とした •  タイムラインに以下のキーワードを含むアカウントを抽出 –  礼⾦、内⾒、家賃 •  不動産会社のアカウントを除外 –  リンクを含むツイートの割合(25%以上)で判断 → 86アカウントを抽出 25
26. Yahoo!Ϋϥ΢υιʔγϯά マイクロタスク型のクラウドソーシングプラットフォームを提供 報酬はTポイントで⽀払われる 26
27. Ϋϥ΢υιʔγϯάͰͷઃ໰ྫ 27
28. Ϋϥ΢υιʔγϯάͷ λεΫϑϩʔ Twitterデータの 抽出 σʔλͷ൑ผ Ϋϥ΢υιʔγϯά ×1 住宅物件探索に関するデータ 住宅物件探索フェーズの推定 ϑΣʔζͷਪఆ Ϋϥ΢υιʔγϯά ×6 ⾃動分類器の作成 ෼ྨثͷධՁ Ϋϥ΢υιʔγϯά×1 潜在 ニー ズ 情報 収集 物件 ⾒学 契 約・ 引越 28
29. αϯϓϧ1 •  うーむ。引っ越したばかりだけど、何か急激に住宅購⼊熱 が上がってきている。物件の内覧会に⾏ってさらに⾼める か •  現在、購⼊に向けた住居選びが佳境です。現在、マンショ ン優位。⼀⼾建て⾼いんだもの。でも、優柔なのでしばら く決めれないと思う •  @foo そうなんです。いまメゾネットなんですが、⾝重な 奥さんが階段をひぃひぃ⾔いながら登っているのを⾒る と….。「70歳超えたら無理」だと思いますねぇ。結局、 おっくうになって、ほとんど1階で過ごしてそう 29
30. αϯϓϧ2 •  @bar 池袋駅から徒歩5 分くらいらしい? 私もやっと職場探 せるよー。早くしないと住むところ決められない?。 •  @bar そうなんだ(^^)部屋探すの楽しい?！今、都⽴にし ようか⺠間にするか悩んでてさぁ。困った(；´Д`A •  新潟在住ですよ?4 ⽉から都内に引っ越し予定であります ♪(´ε｀ ) •  Mさんには会えなかったけど、マンション決めて来たー！！ 順調！ただ、職場がまだ決まってないw 30
31. αϯϓϧ3 •  内⾒たのしー。いよいよ都⺠になるときがやってきた！ •  電⾞使いづらくてもちょっとボロい下町臭い都内が好き。⾞通 勤できるし・・・と⾔っても混んでるだろうけど •  ちょっと内⾒⾏って来るわ •  ひとりでいいから今より節約できる所に越したいよね •  ドアtoドアで考えたらこの物件でも通勤時間変わらないな・・・ 内⾒と共益費詳細次第で確定しちゃおうかな・・・６階だから さすがに引越業者呼ぼうｗ •  鍵に悪戯されちゃったから怖くて̶んでこの距離だと同棲は ちょっとと⾔われたので23区内で調べている •  池袋の物件も内⾒したいなーー •  @baz 北本桶川蕨上尾あたりは⼤宮通勤者にとっては激安⼟地 だからねー(⊃?ω?⊂)いいなーああせめて住宅⼿当くらい出ない かなー 31
32. ʮ෺݅ݟֶʯϑΣʔζͷߦಈ ʢ45ઃ໰ɺ27Ϣʔβʣ 32
33. ʮજࡏχʔζʯϑΣʔζͷߦಈ ʢ34ઃ໰ɺ22Ϣʔβʣ 33
34. ސ٬ཧղͷͨΊͷΞϓϩʔν •  ログデータの解析 –  PC、スマフォ以外のタッチポイントのデータ取得が困難 •  cf. アプリによる来店検知 •  アンケート –  ⾃⾝が⾔葉にできないニーズは拾えない •  ⾏動観察 –  数週間〜年単位にわたるプロセスを継続的に観察するのはコスト的に困難 Twitterデータは、上記のアプローチを補完しうる 住まい探し以外（保険、クルマ、職探し、etc）にも応⽤可能 34
35. ࣄྫ3:SNS͓ΑͼΫϥ΢υιʔγ ϯάʹΑͬͯ֗બͼͷ৽ͨͳࢦඪ Λ૑ΔࢼΈ ژ౎େֶ΄͔ 100ninmap projectͱͷ ڞಉݚڀ 35
36. 100ninmap projectˏژ౎ ୈ1ճ ࡾ৚ɾ࢛৚ฤ ୈ2ճ ळͷࠧեཛྷࢁฤ 36
37. Ϋϥ΢υιʔγϯάͰਘͶͨ֗ͷง ғؾࢦඪ (ژ౎ࢢ಺36ΤϦΞ) 1.  ੩͔ͰΏͬͨΓͱ͠ ͨ஍Ҭ 2.  ౎ձతͰݱ୅తͳ஍ Ҭ 3.  ਌͠Έ΍ۙॴ͖ͮ͋ ͍ͷັྗ͕͋Δ஍Ҭ 4.  ࣏͕҆Α҆͘৺ͯ͠ ॅΊΔ஍Ҭ 5.  ֗ฒΈ΍෩ܠ͕ඒ͠ ͍஍Ҭ 6.  ॅΜͰΈ͍ͨ஍Ҭ 7.  ަ௨͕ศརͳ஍Ҭ 8.  ങ͍෺ʹศརͳ஍Ҭ 9.  ڭҭ؀ڥ͕੔͍ͬͯ Δ஍Ҭ 37
38. 3ΤϦΞͷงғؾൺֱ 38
39. ෺݅୳͠ʹϑΥʔΧεͨ͠ ֗า͖ϫʔΫγϣοϓ ఩ֶͷಓ ੢ਞ 39
40. งғؾʹΑΔ෺݅ݕࡧΠϯλ ϑΣʔεͷࢼ࡞ 40
41. ಘΒΕͨ஌ݟ •  ΤϦΞؒͰࢦඪΛൺֱ͢Δ͜ͱͰ৽ͨͳؾ͖ͮ •  ࣮ࡍʹ֗า͖Λߦ͏͜ͱͰ͞Βʹଟ͘ͷ֗ͷັྗ͕ ൃݟ͞ΕΔ •  ICTΛ׆༻ͯ͠ͲͷΑ͏ʹߦಈม༰Λى͔͜͢ʁ •  ଟ༷Խͨ͠ݸਓͷՁ஋؍Λ൓өͤ͞ΔͨΊʹ͸ɺ ΋ͬͱͨ͘͞Μͷࢦඪ͕ඞཁ •  ͩ͜ΘΓͷ٤஡ళ͕ଟ͍֗ •  ҿΈา͖Λָ͠ΊΔ֗ •  etc. 41
42. ࣄྫ4:հޢࢪઃ୳͠αʔϏε ίʔϧηϯλʔͷςΩετ෼ੳ ۝भ޻ۀେֶ Ҫ্ݚڀࣨͱͷڞಉݚڀ 42
43. ૬ஊ ΞυόΠε ࢪઃ঺հ ೖډऀ঺հ հޢࢪઃ୳͠ͷεςʔΫϗϧμʔ 43
44. ࢪઃ͕ͳ͔ͳ͔ܾ·Βͳ͍ཁҼ ૬ஊ ΞυόΠε ࢪઃ঺հ ೖډऀ঺հ Ո଒಺ͷ ҙݟͷରཱ ඞཁͳҩྍ αʔϏε ༧ࢉͷ໰୊ 44
45. DICOMO 2017ʹͯ༏ल࿦จ৆Λड৆
47. հޢͷσʔλ෼ੳ͔Βͷ஌ݟ •  ⽋損値の多少が相談期間に影響 •  相談者との信頼醸成が重要 •  数⼗年前からの⼈間関係が⼤きく影響 •  しかし、課題に直⾯するまでは「⾃分⾃⾝のリアルな 問題である」という実感が薄い •  不動産、医療、保険などと密接な関係 •  しかし、別々の業界であるためほとんど連携できてい ない 47
48. ςΩετΞφϦςΟΫεͷ஌ݟ͕ ࣾձʹ͓͍ͯΑΓ׆༻͞ΕΔͨΊͷ ώϯτ 48
49. ςΩετΞφϦςΟΫε෼໺ͷ ਓࡐͷڧΈ ίϯϐϡʔλՊֶͱਓจࣾձՊֶͷ૒ํʹਫ਼௨ͯ͠ ͍Δ͜ͱ •  ίϯϐϡʔλՊֶ •  ςΩετΞφϦςΟοΫεʹऔΓ૊Ήʹ͸ɺٕज़ͷຊ ࣭Λཧղ͍ͯ͠ͳ͚Ε͹ͳΒͳ͍ •  ը૾΍Ի੠ͳͲଞͷϝσΟΞٕज़ʹऔΓ૊Ή্Ͱ΋ͦ ͷ஌ݟ͸ڧྗͳ෢ثͱͳΔ •  ਓจࣾձՊֶ •  ղੳ݁ՌΛݱ࣮ͷ՝୊ղܾʹམͱ͠ࠐΉʹ͸ɺਓͷ৺ ཧ΍ࣾձͷࡏΓํ΁ͷਂ͍ཧղ͕ෆՄܽ 49
50. ೔ຊͷݚڀίϛϡχςΟͷ՝୊ •  ࢈ֶؒͷ૬ޓཧղෆ଍ʁ •  γʔζࢦ޲΁ͷۃ୺ͳภΓʁ •  ϦεΫςΠΫͷෆ଍ʁ 50
51. ৽ڵاۀͷR&Dͷݱ৔Ͱ ௚໘͢Δ՝୊ͷ਺ʑ •  ڞ௨ͷೝࣝΛϕʔεʹٞ࿦Ͱ͖Δ૬ख͕গͳ͍ •  ධՁ͢ΔͨΊͷϑΟʔυόοΫͷෆ଍ •  σʔλΛݚڀʹ׆༻͢Δ্Ͱ৐Γӽ͑Δ΂͖ϋʔ υϧ͕ͨ͘͞Μ͋Δ •  R&D෦໳ͱݱۀ෦໳ͷ࿈ܞͷ೉͠͞ •  ΤϯδχΞϦϯάͱαΠΤϯεͷ྆ํΛཧղͰ͖ Δਓࡐͷෆ଍ 51
52. ҏ౻و೭ઌੜˏ͓஡ͷਫঁࢠେ Visual Analyticsͱ͍͏ݚڀ෼໺ʹ͍ͭͯ ...Ұछͷχʔζࢦ޲Ͱੜ·Εֶͨज़ίϛϡχςΟͱ ͍͑Δɻͱ͜Ζ͕ஶऀͷܦݧͱͯ͠ɺ͜ͷֶज़෼໺ Λ೔ຊͰ঺հ͢Δͱ࿩͕טΈ߹Θͳ͍͜ͱ͕͋Δɻ ݚڀ෼໺શମͷϑϨʔϜϫʔΫ΍࣮༻ࣄྫʹؔ৺Λ ࣋ͨͣɺػցֶश΍ΠϯλϥΫγϣϯͳͲͷ֤ཁૉ ٕज़ͷཧ࿦త৽نੑ͚ͩΛࣥ፠ʹ࣭໰ͯ͘͠Δਓ͕ গͳ͔Βͣݟड͚ΒΕΔͷͰ͋Δɻʢதུʣཧ࿦΍ ج൫ٕज़ͷ৽نੑ͔Βग़ൃͨ͠ϘτϜΞοϓతͳ γʔζࢦ޲ʹͩ͜Θͬͨڱ͍ํ๏࿦͕ɺஶऀͷपғ ʹ͓͚Δ೔ຊͷֶज़քͰ͸ࠜڧ͗͢ΔͷͰ͸ɺͱ͍ ͏ײ૝Λ΋ͨ͟ΔΛಘͳ͍ɻ ҏ౻و೭. 2015. ΠϊϕʔγϣϯͷͨΊͷ࢈ֶ࿈ܞͱجૅڭҭʹؔ͢ΔҰߟ࡯. ಛूʮΠϊϕʔγϣϯͱAIݚڀʯ. ਓ޻஌ೳ, Vol. 30, No. 3, pp. 337-343. 52
53. χʔζࢦ޲ݚڀͷ׆ੑԽʹ ޲͚ͯ •  ʮχʔζ΁ͷϑΥʔΧεͰ͔͠ൃݟ͞Εͳ͍ຊ࣭ తͳݚڀ՝୊΋ͨ͘͞Μ͋Δʯͱ͍͏ೝ͕ࣝί ϛϡχςΟશମͰڞ༗͞ΕΔ͜ͱ͕େ੾ •  େֶʹ͓͚Δجૅڭҭͷॏཁੑͷ࠶ೝࣝ •  ઢܗ୅਺ɺ౷ܭֶɺΞϧΰϦζϜɺਓจࣾձՊֶɺetc. ΁ͷਂ͍ཧղ͕ɺχʔζࢦ޲ݚڀͷԼࢧ͑ͱͳΔ •  ݚڀۀ੷ͱಉ༷ʹڭҭۀ੷΋ߴ͘ධՁ͞ΕΔʹ͸ʁ •  ࢈ֶ࿈ܞͷத਎ͷॆ࣮ •  ͱ͘ʹɺ࢈ֶͷ૬ޓཧղΛਐΊΔࢪࡦʢਓࡐަྲྀɾΠ ϯλʔϯγοϓͳͲʣ 53
54. ͓ΘΓʹ: ςΩετΞφϦςΟΫε෼໺ͷ ൃలʹ޲͚ͯ •  ଞͷϝσΟΞྖҬʢը૾ɺԻ੠ɺIoTɺetc.ʣͱͷ ۓີͳ࿈ܞ •  ʮ͜Ε͸ςΩετΞφϦςΟΫεͷ՝୊Ͱ͸ͳ͍ʯͱ ݟૹΔͷ͸΋͍ͬͨͳ͍ •  Ұݟ౰ͨΓલͷݱ࣮ͷࣄ৅ͷཪʹӅΕ͍ͯΔຊ࣭ తͳ՝୊Λݟग़͢౒ྗ •  ෼໺શମͷϦεΫςΠΫͷ૯ྔΛ૿΍͢ 54