2018年12月13日（木）に株式会社レッジ主催で開催された「AI TALK NIGHT 2018」に参加しました。

このセミナーはAIとディープラーニングがテーマでしたが、印象的だったことは、登壇者のみなさんが共通して、

・習うより慣れろ。（やってみないと分からない、やってみれば分かるようになる）
・本質は「計測できること」であり、「計測したデータをどう活用するか？」が知恵の見せ所。

とおっしゃっていたことです。



備忘録的なメモをアップします。

【レポート：AI TALK NIGHT 2018（2018年12月13日開催）】
◆トークセッション�@：これって、AIでできますか？
畠山大有氏（マイクロソフト株式会社プリンシパルソフトウェアデベロップメントエンジニア）
児玉拓也氏（株式会社電通事業企画局チーフ・プランナー）
中村健太氏（株式会社レッジCMO）
橋本和樹氏（株式会社レッジ代表取締役社長）



●質問：店舗に来店するお客様の満足度測定や、経営業績向上はAI（画像認識系）でできますか？
（畠山氏）
・「伊勢のエビ屋」の取り組みを紹介したい。
・来客者数が予測できれば、ご飯を何合炊くかなどの対応ができる。
・神宮の参道の往来者を画像で定点観測し、来店数予測をし、炊き立てのご飯をムダなく、不足なく提供する試みをした。
（児玉氏）
・満足度とはなにか？ブレークダウンすることで、満足度のシッポをつかむ。
・店頭はミッシングリンク。マーケティングサイドからは実態が把握しずらいことも多い。
・仮説をつくることは、将来的にはAIでもできるようになるのかもしれないが、現状は経営者の腕の見せ所。
・AIの活用で、今まで言語化しにくかったところをできるようになる。例えば、取りっぱなしのアンケートのデータマイニングなど。
（中村氏）
・画像認識から直接的にお客様の満足度測定を行うのは難しい。
・画像認識系では、ネガテイブ系の解析は比較的進んでいるが、ポジティブ系の解析はまだまだ。

●質問：記事コンテンツの生成や、広告キャッチコピーの生成などはAI（自然言語処理系）できますか？
（児玉氏）
・AIでできる。
・AI Planner「MAI＆AICO」（http://www.dentsu.co.jp/business/case/ai_planners.html）のデモ版を公開中。
（畠山氏）
・記事コンテンツの生成は大変。
・チャットボット形式が多い。
・音声→判定→振り分け。
・単純がゆえに実装が簡単で、効果も高い。
（児玉氏）
・マイクロソフトのリンダなどもある。
（中村氏）
・完全な生成系は難しい。
・チャットボット系がやはり多い。
・中部経済新聞との新聞記事自動生成の取り組み、など。

●質問：サブスクリプションサービスの加入／定着／解約などの予測はAI（予測系）でできますか？
（畠山氏）
・xboxのサブスクリプションサービスは、日本では売れなかったが、欧米ではかなり売れた。
・ゲームの場合、解約に至る前にオンラインで様々な行動をユーザーが取るので、このデータをもとに予測がある程度可能。
・数字は覚えていないが、ポイントサービスなどを提供することで、解約率の低下につながった事例もある。
（児玉氏）
・予測系は既にサービスも多い。
・データの取り方の設計は必要。
・施策につながらないといけない。
・複雑な予測モデルよりも、普通の統計分析モデルの方が実践的だったりもする。
・シェアレストというサービスがある。
・予測精度を高めるためには、どのようなデータをどのように入れ込むかを、かなり苦労しながら開発している。
・電通の場合、貴重なデータをたくさん持っているテレビマンへのヒアリングなど。
（畠山氏）
・エクセルで見える範囲の解析だけしても足りない。

●動画のディープラーニングはどのような状況か？
（畠山氏）
・発展途上。
・思ったよりも多くの情報を取れるようになってきている。
・音声技術も進んできている。
・処理時間がものすごい掛かるのが課題。（1時間や2時間くらいは普通に掛かる）

●データを前提としないAIはつくれるか？
（児玉氏）
・人の姿勢を検知するなどは、
・今までデータを取れなかったことを取れるようになる。
（畠山氏）
・強化学習。
・結局は、中でデータを取っているし、いかにデータを取れるかがポイント。
（中村氏）
・ありものを組み合わせることで、サービスをつくることはできる。

◆トークセッション�A：これから必要なディープラーニング人材とは
小林由幸氏（ソニーネットワークコミュニケーションズ株式会社／ソニー株式会社 シニアマシンラーニングリサーチャー）
井崎武士氏（日本デープラーニング協会 理事）
吉崎亮介氏（株式会社キカガク代表取締役社長／東京大学客員研究員）
飯野希氏（株式会社レッジ 執行役員）



●ディープラーニング人材の定義
・ビジネス力、データサイエンス力、データエンジニアリング力。
・ディープラーニングを使ってビジネスを推進できる人
（小林氏）
・数式の活用ができる人というよりは、クリエイターに近い。
・課題を発見する力が重要。
（井崎氏）
・ビジネス側で応用できる人、実装できる人をジェネラリストと呼んでいる。
・問題が生じたときに、問題を理解し、解決に向けて推進できる人。
・ディープラーニングで何ができるのかを理解するのは意外と難しい。
（小林氏）
・習うより慣れろ。
・とにかく使って、経験して、腹落ちすること。
（吉崎氏）
・論文が出てくるスピードが早い。
・プリファーネットワークのおかのはら氏のツイッターを参照する。
・頭の中でインデックスづけし、必要な時に情報を取ってこれる、引き出せるようにする。
（小林氏）
・英語ができるかどうかで情報収集能力の差がついてしまう。
・英語ができる人には、収集した情報を発信する役割も担ってほしい。
（吉崎氏）
・データサイエンス人材と近い。
・学習と推論の2フェーズある。
・ディープラーニングはそれぞれのフェーズでのアプローチが必要。
（小林氏）
・商社マンが欲しい。
・ディープラーニングの世界はデータの有無と量が勝負。
・商社マンのように、世界中の情報やネットワークが必要。
（井崎氏）
・データにも、使えるものと使えないもの、使える状態になっているものとなっていないものがある。
（飯野氏）
・使えないデータの事例は？
（井崎氏）
・工場のラインで不具合感知をしたいというケースで、画像はあるけど、解像度が低い、データのゴミが多くてクレンジングが必要なケースなど。
（吉崎氏）
・そもそも顧客満足度の定義ができていなかったり、指標となるデータの取得ができていなかったりするケースも多い。

●人材育成のキモ
（吉崎氏）
・コンサルティングのフレームワークを身につけること。
・まずは、人材育成に関する�@ゴールを決める、�A現状のチェック、�Bギャップ、�Cギャップを埋める施策、という4つの基本的な枠組みから。
（井崎氏）
・ディープラーニングで何ができるのか？をまずは理解することから。
・手段を持った上で、状況に応じて判断ができるようになっていく。
・統計の一つの形。
（吉崎氏）
・得意な領域がある。
・画像解析など。
（小林氏）
・実際に使わせてみると、機械学習型（課題の分解→パッチ当て）が得意な人とディープラーニング（目的志向（結果志向））が得意な人が異なることが多い。
・得意な人を見つけ、育てること。
（井崎氏）
・外注する時に、従来型のモデル（機械学習型、ウォーターフォール型）を作ると失敗することが多い。
（吉崎氏）
・成長のスピードの違い。
・文系出身の人で急成長する人。
・大枠だけ理解し、オープンソースのものを使って実際にやってみるタイプは成長が早い。
・中身が気になってしまい、自分で考え解決しようとするタイプは成長が遅い。
（小林氏）
・プログラム言語が分からなくても、パソコンを使いこなすことは可能。
（飯野氏）
・教科書から入るタイプの人は時間がかかる。モチベーションが続かないことも多い。
（吉崎氏）
・バディ制や教え合い制で、学習のフォローとモチベーション維持の助けになる。
・一人はつらい。
（井崎氏）
・「期限までにデモをつくる」とゴールがあるときに、エンジニアは楽しんでいる。
（飯野氏）
・目的志向が勝利の方程式。
（小林氏）
・楽しく学べるデザインをしてあげることが重要。
・新しいオモチャを与えられた子どものように。

●活躍するディープラーニング人材
（飯野氏）
・活躍しているディープラーニング人材とは？
・必要なこととは？
（井崎氏）
・学術的に評判が高い人と企業からの評判が高い人。
・顧客の要求を理解し、適切なソリューションを提供できる人。
（飯野氏）
・いわゆるビジネス力が必要。
（小林氏）
・観察力がある人。
・女性のエンジニアに、ディープラーニングの性能向上に貢献できる人が多い。
・細かく観察することで、細かな違いを発見できる。
（吉崎氏）
・アセスメント人材。
・精度と売上が連動するモデル。
・契約書（権利系の定義）や納品形態も大事。
・構想ができる人を育てることがビジネスサイドでは重要。
（飯野氏）
・必要な人が必要な能力をもち、チームとして機能することが大切。

●質疑応答
Q.観察力とは具体的に？
A.
（小林氏）
・例えば画像解析であれば、どのようなエラーがどのような不足原因で生じているのかを把握できる。

Q.ディープラーニングは中がブラックボックス的。どのように理解し、成長させるのか？
A.
（小林氏）
・ディープラーニングは人間に近い。
・人を育てるような感覚で育てる。
（井崎氏）
・理屈ではなく、感覚的な領域が多い。
（吉崎氏）
・インとアウトしか分からないからこそ、コンサル的な直感力が必要。
（飯野氏）
・感覚的な領域が多いからこそ、とりあえず試してみることが重要。

◆トークセッション�B：AI導入成功のための勘所
干場久仁雄氏（ALSOK営業統括部次長）
伊藤明裕氏（西川コミュニケーションズ株式会社 AI事業開発室次長）
飯野希氏（株式会社レッジ 執行役員）



●どうやって車内に啓蒙活動をしていますか？
（干場氏）
・2014年頃からAI登場。
・2015年頃から経団連などでも話題にあがるように。
・オーナー会社なので、トップの意向の影響は強い。
・トップがテクノロジーが好きなので、比較的スムーズに立ち上がった。
（飯野氏）
・初期投資の決め方は？
（干場氏）
・最初は数千万円の企画書を提出した。
・社内の研究所の中にも関心を持っていたメンバーがいたので、連携しながらスタート。
（伊藤氏）
・創業4代目の印刷を中核とする企業。
・新しいもの好きの社風。
・それまではITとロジスティックスに力を入れる計画だったが、本年2月の経営会議で、AIを経営方針の中核に置くことを宣言。
（飯野氏）
・トップダウンのスタートの場合、現場の混乱はなかったのか？
（伊藤氏）
・トップダウンではあったが、ゴリ押しではなかったので混乱はなかった。
・JDLAに加入
（干場氏）
・警備系の企業なので、テクノロジー系への距離感、やらないとまずそうだという意識の醸成は比較的早かった。
・「万引き検知AI」の紹介。
・日本の犯罪件数は減少している中、万引きは減少しておらず、高齢者による事犯が増えている。
・AIで事前に検知することで、逮捕ではなく、予防にもつながる。
（飯野氏）
・システム開発との違い、内部で開発するか？外部で開発するか？の意思決定は？
（干場氏）
・当初は社内で開発していたが、一向に進まない。
・外注し、短期で成果が見えるようになったことで、社内の理解も進んでいった。
・AIの登場でうちの会社の仕事が無くなるという危機感が、あきらめないモチベーションに。
（伊藤氏）
・社内の課題はいくらでもある。
・品質保証の会議の際に、機械的なチェックではクオリティが低いという課題があり、ここにAIを活用したらという案が出た。
・googleのautomlが便利。
・やってみると分かること、見えてくることが多い。

●社内で新しいことをするのに、いちばん大切なことは？
（干場氏）
・よくわからないことをする人、タネになる人がいると良い。
・保守的な会社では、リスク重視、慎重な人も多いのは仕方ない。
・お互いを尊重した上で、丹念に議論を重ねていくこと。
・外から来た人だけでなく、プロパーの人も必要。
（飯野氏）
・自然発火的に手をあげる人が出てくるというのはイメージ出来る。
（伊藤氏）
・新しい企画については社内公募制度もある。
・やりたい人でないとうまくいかない。

●質疑応答
Q.新規事業を一人で担当している。既存業務との兼ね合いはどのように？
A.
（伊藤氏）
・ディープラーニングについてはまだ一人で推進。
・社内の体制や人材育成はこれからの課題。
（干場氏）
・新規事業が始まり、関連性のある領域の営業マンを連れていっていると、徐々にチームになっていく。
・口説き文句は「君のお客さんに会いに行くのだから、一緒に付いてきてよ」と言うことで、自分ごとにすること。
（伊藤氏）
・自分ごとにすることがポイント。

Q.外注先に期待することは？
A.
（伊藤氏）
・システム開発より現場に寄った開発になる。
・現場に実装するところが難しいので、実装まで含めたトータルの難しさを教えてくれること。
（干場氏）
・うちの商売に関心を持ってくれ、一緒にやるという意識と責任感を持っていること。

Q.どこに適用すれば上手くいきそうか、タネを見つけるこつは？
A.
（伊藤氏）
・あくまでも道具なので、なにができるのか？道具の使い方は？を知っていることは前提として必要。
・社内でも、共通言語化するために、社員にG検定の取得などはしてもらっている。
（干場氏）
・今までの当たり前、前提が通じなくなるかもれない、というゼロベースに立つ、一回引いて考えることが必要。
（伊藤氏）
・自分たちの部署で活用できるアイデアを出し合った。
・突き詰めるとワークフローの見直しで終わるようなことが多いので、注意が必要。

◆トークセッション�C：なぜ、今AIに取り組む必要があるのか
松本勇気氏（合同会社DMM.com CTO）
大隅智春氏（Sansan株式会社 テクニカル・エヴァンジェリスト）
橋本和樹氏（株式会社レッジ 代表取締役社長）



●機械学習／ディープラーニング／AI領域の各社の取り組み
（松本氏）
・AI部では、不正検知のプロジェクトなどを進めている。
・不正カード使用への対策。
・リアルタイム検知への展開などを検討。
・個人情報の不正利用、普段のユーザー行動と異なる動きは多い。
・AI部では、各部の困りごとをヒアリングし、AIでの解決策を模索する。
（大隅氏）
・名刺のデータ化の部分で、AIを活用している。
・もう一点は、データ化した名刺データの活用部分でAIを活用。
・2007年の創業以来、取り込んだ名刺画像を、人力でデータ化してきた。
・瞬時に見極めるプロセスを、人力からディープラーニングに置き換える。
・言語区分や項目区分はディープラーニングで判定することで、人力の出番を減らす。
・顔認識と似たような技術で、過去にデータ化されている名刺を作業から除外する。
・抜き出し精度は99.9%まで向上。
・人力の出番は2割程度まで減らしている。

●研究／R＆Dと事業の接合
（松本氏）
・R＆Dは分類できる。
・事業のシーズ研究的なものと事業改善的なもの。
・新しいアルゴリズムを一々研修する
・大学との連携研究アプローチが有効。
・エンターテイメント領域の研究など、新領域については権威者との連携研究を重視。
・潤沢なリソースがあるので、より広いところに当てつつ、事業のポートフォリオを踏まえた開発研究を進める。
・プルーフオブコンセプト（POC）貧乏。
・R＆Dを指揮するためにも、自分たちの技術リテラシーも必要。
・技術に関する知識と限界を理解していることが必要。
・ベンチャー企業やコンサルタントはありがたくても、事業会社にとっては結果が出ずに終わる。
（大隅氏）
・ベンチャー企業らしいR＆Dは、事業部からのニーズを起点にするのが基本。
・一方で、シーズ起点も大切。
・人脈の解析に力点を置いている。
・カグー（世界最大のビジネスコンペ）のグランドマスターが2名在籍。
・シーズからでてきた試作品を、SansanLabとして、お客様に試してもらえるようにしている。
・GoogleLabは一つのロールモデル。
（橋本氏）
・人脈に関する開発とは？
（大隅氏）
・マーケティングオートメーションではなく、その先を狙っている。
・CMの「早く言ってよ」の世界が実際にたくさん起きている。
・得意先のキーマンだけでなく、自社側のキーマンも抽出し推薦できるようになる。
・人脈の活用のポテンシャルを提示していきたい。
・名刺が一番確度が高い。
・匿名化したデータをもとに、大学との共同研究にも取り組んでいる。

●これから企業はどうAI／技術と向き合うべきか
（松本氏）
・DMMテックビジョンを公開。
・事業に対し、ビジネスとエンジニアの区別なく取り組めることが肝。
・計測可能性が急激に高まっている。
・より精度の高い予測モデルをつくり、一年後の乖離を検証し、ビジネスモデルを改善する。
・計測し、インサイトを導き出すことが求められる。
・IoTの本質は「計測できる」ことにある。
・意思決定は、どんなレベルのものでもデータに基づいて行われる。
・だからこそ、データを計測し、計測したデータを活用できることが必須。
・前職ではSQL書けないと昇進できないという制度にした。
・データは、これからの時代の石油。
（大隅氏）
・SQLが全員書けるようになろうという取り組みは前職でやったことがある。
・データサイエンティストではなく、データアナリストを各部に配置することを進めている。
・データアナリストは、フロントと開発の橋渡しをする人材。
・このような人材はまだいないので、人材育成から始めている。
・全員がSQLを書けるようになることと、橋渡しができるようになることは、考え方としては共通。
（松本氏）
・新卒採用を見ていると、テクノロジーのリテラシーを身につけている新人類が増えている。
（大隅氏）
・フロント職で採用した人の中にエンジニアバックグラウンドの人がいたり、その逆のケースも多い。
（橋本氏）
・文系／理系、ビジネスサイド／テクノロジーサイドの区分がなくなってきている。
（松本氏）
・勉強材料もたくさんあるので、優先順位をつけ、時間をつくること。
・目の前の仕事も大事だが、10年先を見すえて身につけること。

●最後に一言
（松本氏）
・テックビジョンを地道に進める。
・経営がデータ・ドリブンになること。
（大隅氏）
・エッジAIに力を入れている。
・近々、端末側に新しい機能を実装予定。
・2019年3月にSansanカンファレンスを開催。

以上