Submit Search
Upload
小売業界の実AIプロジェクトから見る、現場で活躍するエンジニアに必要なスキル
•
2 likes
•
2,102 views
Deep Learning Lab(ディープラーニング・ラボ)
Follow
DLLAB Engineer Days Day2: Conference Room3-5 リテールAI研究会 今村 修一郎 氏 株式会社キカガク 西沢 衛 氏
Read less
Read more
Technology
Report
Share
Report
Share
1 of 36
Download now
Download to read offline
Recommended
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
深層学習による自然言語処理の研究動向
深層学習による自然言語処理の研究動向
STAIR Lab, Chiba Institute of Technology
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?
Kazuyuki Miyazawa
G2o
G2o
Fujimoto Keisuke
【論文レベルで理解しよう!】 大規模言語モデル(LLM)編
【論文レベルで理解しよう!】 大規模言語モデル(LLM)編
ARISE analytics
Recommended
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
深層学習による自然言語処理の研究動向
深層学習による自然言語処理の研究動向
STAIR Lab, Chiba Institute of Technology
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?
Kazuyuki Miyazawa
G2o
G2o
Fujimoto Keisuke
【論文レベルで理解しよう!】 大規模言語モデル(LLM)編
【論文レベルで理解しよう!】 大規模言語モデル(LLM)編
ARISE analytics
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
SHAP値の考え方を理解する(木構造編)
SHAP値の考え方を理解する(木構造編)
Kazuyuki Wakasugi
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
系列ラベリングの基礎
系列ラベリングの基礎
Takatomo Isikawa
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
Rakuten Group, Inc.
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
Deep Learning JP
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
cvpaper.challengeについて
cvpaper.challengeについて
cvpaper. challenge
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
Tokoroten Nakayama
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
harmonylab
GPT解説
GPT解説
MasayoshiTsutsui
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
Deep Learning Lab(ディープラーニング・ラボ)
ロジカルシンキング力養成講座
ロジカルシンキング力養成講座
Yusuke Kuroda
More Related Content
What's hot
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
SHAP値の考え方を理解する(木構造編)
SHAP値の考え方を理解する(木構造編)
Kazuyuki Wakasugi
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
系列ラベリングの基礎
系列ラベリングの基礎
Takatomo Isikawa
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
Hamage9
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
Rakuten Group, Inc.
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
Deep Learning JP
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
cvpaper.challengeについて
cvpaper.challengeについて
cvpaper. challenge
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
Tokoroten Nakayama
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
harmonylab
GPT解説
GPT解説
MasayoshiTsutsui
What's hot
(20)
深層生成モデルと世界モデル
深層生成モデルと世界モデル
SHAP値の考え方を理解する(木構造編)
SHAP値の考え方を理解する(木構造編)
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
系列ラベリングの基礎
系列ラベリングの基礎
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Pythonでカスタム状態空間モデル
Pythonでカスタム状態空間モデル
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
cvpaper.challengeについて
cvpaper.challengeについて
Active Learning 入門
Active Learning 入門
Data-Centric AIの紹介
Data-Centric AIの紹介
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
MLOpsはバズワード
MLOpsはバズワード
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
GPT解説
GPT解説
Similar to 小売業界の実AIプロジェクトから見る、現場で活躍するエンジニアに必要なスキル
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
Deep Learning Lab(ディープラーニング・ラボ)
ロジカルシンキング力養成講座
ロジカルシンキング力養成講座
Yusuke Kuroda
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
Tsuyoshi Hisamatsu
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
Tsuyoshi Hisamatsu
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
Tsuyoshi Hisamatsu
ビジネスインテリジェンスセミナー
ビジネスインテリジェンスセミナー
Yusuke Kuroda
合同会社エンジニアリングマネージメント会社説明資料 2023-016
合同会社エンジニアリングマネージメント会社説明資料 2023-016
Tsuyoshi Hisamatsu
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
Tsuyoshi Hisamatsu
グループディスカッション実践講座
グループディスカッション実践講座
Yusuke Kuroda
ロジカルシンキングセミナー
ロジカルシンキングセミナー
Yusuke Kuroda
CBCV媒体資料_.pdf
CBCV媒体資料_.pdf
ssuser157c23
Hisys omnichannel opt20131209share
Hisys omnichannel opt20131209share
Hiroshi Hatta
2023-12-15 EMゆるミートアップLT レンタルEM振り返り2023 EMの生存戦略
2023-12-15 EMゆるミートアップLT レンタルEM振り返り2023 EMの生存戦略
Tsuyoshi Hisamatsu
ケース面接対策講座
ケース面接対策講座
Yusuke Kuroda
ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座
Yusuke Kuroda
APIプラットフォームの進化とロードマップ
APIプラットフォームの進化とロードマップ
freee株式会社
日本語データの活用までの道のり
日本語データの活用までの道のり
Hideto Masuoka
カラヤブ!説明資料
カラヤブ!説明資料
gakumaruyama
Datumix - Recruit 採用資料
Datumix - Recruit 採用資料
Datumix
日本企業がシリコンバレーで成功するための7つのルール
日本企業がシリコンバレーで成功するための7つのルール
Chika Watanabe
Similar to 小売業界の実AIプロジェクトから見る、現場で活躍するエンジニアに必要なスキル
(20)
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
[Keynote-2] リターン・オン・モデル(ROM)で価値の最大化を目指す、社会実装されるための機械学習テクニック
ロジカルシンキング力養成講座
ロジカルシンキング力養成講座
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
ビジネスインテリジェンスセミナー
ビジネスインテリジェンスセミナー
合同会社エンジニアリングマネージメント会社説明資料 2023-016
合同会社エンジニアリングマネージメント会社説明資料 2023-016
合同会社エンジニアリングマネージメント会社・事業説明資料
合同会社エンジニアリングマネージメント会社・事業説明資料
グループディスカッション実践講座
グループディスカッション実践講座
ロジカルシンキングセミナー
ロジカルシンキングセミナー
CBCV媒体資料_.pdf
CBCV媒体資料_.pdf
Hisys omnichannel opt20131209share
Hisys omnichannel opt20131209share
2023-12-15 EMゆるミートアップLT レンタルEM振り返り2023 EMの生存戦略
2023-12-15 EMゆるミートアップLT レンタルEM振り返り2023 EMの生存戦略
ケース面接対策講座
ケース面接対策講座
ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座
APIプラットフォームの進化とロードマップ
APIプラットフォームの進化とロードマップ
日本語データの活用までの道のり
日本語データの活用までの道のり
カラヤブ!説明資料
カラヤブ!説明資料
Datumix - Recruit 採用資料
Datumix - Recruit 採用資料
日本企業がシリコンバレーで成功するための7つのルール
日本企業がシリコンバレーで成功するための7つのルール
More from Deep Learning Lab(ディープラーニング・ラボ)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
Deep Learning Lab(ディープラーニング・ラボ)
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
Deep Learning Lab(ディープラーニング・ラボ)
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Deep Learning Lab(ディープラーニング・ラボ)
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Deep Learning Lab(ディープラーニング・ラボ)
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
Deep Learning Lab(ディープラーニング・ラボ)
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
Deep Learning Lab(ディープラーニング・ラボ)
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
Deep Learning Lab(ディープラーニング・ラボ)
「言語」×AI Digital Device
「言語」×AI Digital Device
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Deep Learning Lab(ディープラーニング・ラボ)
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
Deep Learning Lab(ディープラーニング・ラボ)
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Deep Learning Lab(ディープラーニング・ラボ)
More from Deep Learning Lab(ディープラーニング・ラボ)
(20)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
「言語」×AI Digital Device
「言語」×AI Digital Device
深層強化学習と実装例
深層強化学習と実装例
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Recently uploaded
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
Recently uploaded
(9)
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
小売業界の実AIプロジェクトから見る、現場で活躍するエンジニアに必要なスキル
1.
2.
自己紹介 一般社団法人リテールAI研究会 テクニカルアドバイザー 今村修一郎 高校在学中の16歳に、マイクロソフト認定システムエン ジニアの資格を、日本最年少で取得。高校に通いなが ら個人事業主としてIT業界でのキャリアをスタート。 慶應義塾大学環境情報学部へソースコードを提出して、 AO入試に合格。1年生秋学期より清木研にてメタデー タベースの研究に参加。 卒業後、P&Gジャパンに入社し、ビックデータ分析や機 械学習関連の開発に従事。分析チームでは日本人初 の管理職に昇進。 2017年に一般社団法人リテールAI研究会に参加し、 テクニカルアドバイザーとして、IT技術を駆使した小売流 通業の改革に取り組んでいる。
3.
自己紹介 株式会社キカガク 執行役員 西沢衛 幅広い機械学習研修・案件に従事 ・ディープラーニングハンズオン ・機械学習徹底演習 ・リテールAI
ハンズオン ・法人研修・コンサルティング DLLABとの関わり ・2019年全国6都市でハンズオン ・Azure ML Serviceハンズオン
4.
どちらの事業に対して、AIは向いてい るでしょうか? AIが活躍する事業とは?
5.
パターンA:既存事業 AIなしでも売り上げを確保している 切片が0でなく、精度が向上するに連 れて、売り上げも伸びていく 例)棚割の最適化 既存事業のためのAIプロジェクト
6.
既存事業のためのAIプロジェクト パターンB:新規事業 精度がまったく出ないときは売り上 げも全くない 事業としての売上が確保できるの は、かなりの良い精度が出てから 例)自動運転
7.
データ アルゴリズム ビジネス ・POSデータ ・レジカートデータ ・映像データ ・ALS(協調フィルタリング) ・LSTM(時系列解析) ・YOLO(物体検出) ・売上向上 ・業務効率化 AIプロジェクトの核となる3つの要素
8.
これまではどうやってビジネスが動いていたのか? 経験・勘・度胸!
9.
POS 商品Aが2点、商品Bが1点 購入された 小売業界で活用できるデータ ID-POS ID-POS 顧客ID 32(20代女性)が 商品Aを2点、商品Bを1点購入 ID-POSでは、「誰が」何を購入したかわかる
10.
小売業界で活用できるデータ ID-POS 店名 購入日
時間 顧客ID 年齢 性別 商品ID カテゴリ 商品名 単価 個数 A店 2019/10/1 0 15:00 0021 32 女性 041 アルコー ル ビールA 300 10 A店 2019/10/1 0 16:00 0010 51 女性 033 アルコー ル ビールB 200 5 B店 2019/10/1 0 17:00 00141 33 男性 041 アルコー ル ビールA 300 2 A店 2019/10/1 0 18:00 0209 46 女性 098 ワイン ワインA 2000 1 B店 2019/10/1 0 19:00 1200 20 男性 004 ワイン ワインB 4000 3
11.
どの顧客が、何を、「どの順番」で 購入したかがわかる 小売業界で活用できるデータ レジカート
12.
小売業界で活用できるデータ 店内カメラ映像 カメラ映像から店内の状況を把握することができる (顧客、商品)
13.
これらのデータを用いて何ができるのか?
14.
協調フィルタリング 棚割最適化 これまで経験と勘と度胸によって棚割が行われていた 普通 少ない
多い 多い配置量
15.
4 2 5 2
2 3 4 4 2 協調フィルタリング 棚割最適化
16.
4 4 2
2 4 5 2 2 3 4 2 3 4 4 2 3 協調フィルタリング 棚割最適化
17.
どの商品が売れるポテンシャルが高いのかが、 過去の購買行動を元にわかる
18.
協調フィルタリング 棚割最適化 普通 少ない
多い 多い 多い 多い 少ない 普通配置量(後) 配置量(前) 高い 高い 低い 普通 AIによる需 要予測
19.
協調フィルタリングのアルゴリズム
20.
協調フィルタリングのアルゴリズムの流れ 1. 特徴量空間のkの値を決める 2. 評価行列
R (m*n)から顧客の特徴、商品の特徴を表す2つの特徴 量空間 P,Q をランダムな初期値をとり作成 3. Pの値を固定し、Qについて最小二乗法を用い、Qの値を更新する 4. Qの値を固定し、Pについて最小二乗法を用い、Pの値を更新する 3,4を指定した回数回繰り返す 損失関数 学習の流れ
21.
時系列解析 商品のレコメンド 買い物中の顧客に直接商品のレコメンドが可能
22.
時系列解析 商品のレコメンド どの顧客が何を「どの順番」で 購入したかがわかる 1. 牛肉 2.
卵 3. 白菜 4. ネギ 5. すき焼きの素 →糸こんにゃくをレコメンド 次に買いそうな商品をレコメンド すれば購入の確率が高くなる!
23.
時系列解析 Seq2Seq 私 は
キカガク です 。 EOS EOS . Kikagaku am I LSTM LSTM LSTM LSTM LSTM LSTM LSTMLSTMLSTMLSTMLSTM Encoder Decoder
24.
時系列解析 Seq2Seq 牛肉 卵
白菜 ネギ EOS しめじ すき焼きの素 糸こんにゃく LSTM LSTM LSTM LSTM LSTMLSTMLSTMLSTM Encoder Decoder
25.
物体検出
26.
事例紹介 協調フィルタリング
27.
AIが活躍する場面とは? AIプロジェクトを成功させるために重要な事とは?
28.
オペレーションへの組み込みが容易である事 棚割最適化の例 協調フィルタリングを用いると、どの商品がより売れそうかを予測 します。 しかし、その結果を実行に移し、検証することができなければ全く 意味はありません。実際に売上UPに繋がるところまでを実現できる という点が重要です。
29.
100%の精度を求めない問題設定である事 棚割最適化の例 機械学習のモデルに100%の精度を求めることは困難です。 AIは100%の精度が出なくても支障のない問題設定に適しています。 棚割最適化の例では少し歪な棚割になったとしても、大きな損害が 発生するわけでもないため、AIを用いる良い問題設定と言えます。 人間がカバー可能
30.
既にあるデータを活用できる事 データ収集は大きなコストと時間を要します。 手持ちのデータを活用するところから始めることが望ましいです。 ID-POSデータ 棚割最適化の例
31.
「活用」の時代のエンジニアに求められるスキル 前処理・構造化を行うスキル ・Python、SQLなどのプログラミング言語 ・NumPy、Pandas、Matplotlibなどの機械学習によく用いられるパッケージ 機械学習の手法への理解と実装スキル ・各アルゴリズムの特徴 ・機械学習・ディープラーニングのフレームワーク モデルをデプロイするスキル ・デプロイに必要となるDocker、Linux ・エッジデバイスへデプロイ方法 ・モデルの軽量化技術 前処理、学習、推論、運用を効率よく行えるサービスの理解 ・Azure Databricksなどの分散処理が行える環境・フレームワーク ・Custom Visionなどの学習済みモデルを活用できるサービス ・Azure
ML Services、Automated ML、DevOpsなどの自動化ツール
32.
「活用」の時代にさらに求められるスキルとは?
33.
「活用」の時代のエンジニアに求められるスキル ビジネス課題を解決するためにAIを活用できるスキル ・AIを活用できる問題設定を発見するスキル ・実際にAIを用いたプロジェクトの検証まで、企画・実行できるスキ ル ・課題解決のために、幅広い技術の引き出しを持ち、様々な試行錯誤 が行えるスキル
34.
各種ハンズオン リテールAI検定 シルバー ・協調フィルタリングの概要から実装、活用まで一 気通貫で学ぶことができる研修です。 ・法人様向けに個社データを用いた研修も可能で す。 ディープラーニングハンズオンセミナー(E資格認定) ・ディープラーニングの基礎から実装方法までを一 気通貫して学ぶことができる研修です。 ・画像処理、自然言語処理について学びたい初学者 に最適な研修です。 機械学習徹底演習セミナー ・Pythonの基礎から機械学習の実装までを学ぶこと ができる研修です。 ・豊富な演習を通して、初学者から機械学習を自身 で実装できる力を身につけることができます。
35.
ご清聴いただきありがとうございました。
36.
アンケートへのご協力お願 いします。 http://bit.ly/2LOnkQq 小売業界の実AIプロジェクトから見る、 現場で活躍するエンジニアに必要なスキ ル
Download now