「今後現場で求められるaiエンジニア像とは？」株式会社ホットリンク榊...

今後現場で求められるAIエンジニア像とは？

株式会社ホットリンク開発本部研究開発グループマネージャ

榊剛史

Copyright© Hottolink、 Inc。

▶TOPICS 自己紹介

榊剛史 (株)ホットリンク、研究開発G 主任研究員兼マネージャ

東京大学、客員研究員

• 興味領域– Web／データマイニング– 機械学習、人工知能、自然言語処理– 計算社会科学

• 経歴– 2004年～2004年：東大黒橋研学士– 2004年～2005年：東大石塚研修士– 2006年～2009年：某電力会社にて勤務– 2009年～2013年：東大松尾研博士

• ホットリンクでバイト• MSRAでインターン

– 2014年：東大ポスドク／ホットリンクで業務委託– 2015年～現在：ホットリンクにて勤務／東大客員研究員


▶TOPICS

2

発表概要

発表の目的

弊社でのAI技術を利用した開発事例を通じて，今後求められるであろうAIエンジニア像を明らかにする

前提：今後もAIブームが継続するとして


▶TOPICS

3

発表概要

弊社＆弊社サービスの紹介

実務上で不足しているAI系エンジニア

今後必要になる（と予測している）エンジニア

人工知能とは何か？？

• 「知的な機械，特に，知的なコンピュータプログラムを作る科学と技術」

• 歴史的には

– 1923年小説家Karel Čapekが戯曲「Rossum‘s Universal Robots」の中でロボットという言葉を使う（チェコ語で労働）

– 1947年計算機科学の父Alan Turingがロンドン数学学会で人工知能の概念を提唱

– 1956年 John McCarthyがダートマス会議で「Artificial Intelligence」という用語を初めて使う

人工知能研究の歴史

• 1957年〜1969年 Good Old Fashioned AI– AI研究が進めば20世紀以内にはコンピュータは人間に勝てるぜ！！と思っていた時代

– 1958年に「10年以内にコンピュータはチェスチャンピオンに勝利する」とH.Simonが予測

• 1970年〜1979年現実からの反撃

– 少数の例でうまく動作した方法が大規模には適用不可能な事例が多数出現

– 答えを知っている問題しか解けない！

人工知能研究の歴史

• 1980年〜1988年人工知能の産業化

– 1980年 J.Sealeが強いAIと弱いAIを定義

– 人間の知的能力の一部だけでもいいから、できることからやろうぜ！！

• 1989年〜2000年代機械学習の成長と弱いAIの発展

– 確率理論・統計学をベースとした様々な機械学習手法が開発

– 上記をベースとして、検索エンジンやスパムフィルタなど、「弱いAI」の機能が発展

• 2010年代～現在 Deep Learningの発展

強いAI

• 真の推論と問題解決能力を持ったAI

モノ・ヒトを認識でき

る

感情を持つ

言語を理解する

自意識を持つ

記憶する忘却する

新しいことを思いつく

論理的思考が出来る

現時点において、強いAIと呼べるものは存在しません。

弱いAI

• 人間の知的活動の一部を再現

コンピュータペンシル

ほんやくこんにゃく

家庭科エプロン

スパルタコーチ

弱いAI

• 人間の知的活動の一部を再現

顔認識知識検索

機械翻訳

ロボットとのインタラクション

Deep Learningと機械学習

10

• 機械学習

– 確率統計を用いて、入力された特徴量から出力を予測するアプローチ

• Deep Learning– 入力されたデータから､出力の予測に有効な特徴量を自動抽出し、出力を予測するアプローチ※機械学習よりも一方「強いAI」に近づいた

本発表では、Deep Learning・機械学習・統計学・自然言語処理をひっくるめて、AI技術と呼びます


▶TOPICS

11

発表概要





▶TOPICS

社名株式会社ホットリンク

資本金 1，234百万円（2016年9月末現在）

本社東京都千代田区四番町6番東急番町ビル

設立 2000年6月26日

代表代表取締役社長内山幸樹

事業内容ソーシャル･ビッグデータの分析･販売事業クラウドサービス事業インバウンドプロモーション支援事業など

連結子会社株式会社トレンドExpress（100％子会社）EFFYIS、inc。（100％子会社）流行特急(100%中国小会社)

連結従業員数 120名（2016年6月末現在）

主要株主内山幸樹Salesforce。com、 inc。シナジーマーケティング株式会社

12

会社概要

株式市場東京証券取引所マザーズ


▶TOPICS

13

事業ミッション

わたしたちは、

データとAIで

意思決定をサポートする

事業ミッション〜我々が事業をする意義〜


▶TOPICS

Big Data

Social

AI14

事業コンセプト


▶TOPICS

15

ビジネス・ポートフォリオ

1。ソーシャル･ビッグデータ解析ツール事業

2。ソーシャル･ビッグデータ流通･販売事業

3。クロスバウンドマーケティング支援事業

「クチコミ＠係長」･「e-mining」の提供

AI（人工知能）を活用したソーシャル･ビッグデータをリアルタイムで解析できるサービスです。市場調査や広告の効果測定をリアルタイムで検証できる「口コミ＠係長」や、ネット上でコーポレートガバナンスを監視する「e-mining」を提供しています。

世界中のソーシャルメディアデータの提供

Twitter、２ちゃんねる、中国の有名ソーシャルメディアのデータや、世界中のブログ、掲示板、位置情報データの販売権を保有し、主に大手企業に対して販売しています。

インバウンド＆クロスバウンド支援サービスの提供

現在は中国の有名ソーシャルメディアのデータを活用し、訪日中国人の消費動向やインサイトの分析・調査・プロモーションを支援しています。

今後は、日本の観光立国や地方創生への貢献はもちろん、世界中の観光需要や消費動向を分析し、サービス化していきます。


▶TOPICS

16

1。ソーシャル･ビッグデータ解析ツール








インバウンド＆アウトバウンド支援サービスの提供




▶TOPICS

17

ソーシャル・ビッグデータ×マーケティング

投影

俯瞰

サポート販売宣伝・広告商品企画商品仕入れ

市場調査

ネット世界

リアル世界

•生活者ニーズ把握•流行予測•過去の動向調査

•ブランドイメージ調査

•商品企画のヒント獲得

•キャンペーンの効果調査

•広告クリエイティブのヒント獲得

•需要予測•販売方法の改善

•不具合情報発見•顧客サポート

•商品改善のヒント獲得

マーケティング活動のあらゆる段階に応用可能


▶TOPICS

・キャンペーンの効果測定・インサイト調査・市場調査

・風評監視・情報漏えい監視・炎上の早期発見

ソーシャル・ビッグデータによる「攻め」と「守り」

ソーシャルメディア分析ツールネットリスクモニタリングツール

累積導入数1900社以上！18

マーケティング向けのツール


▶TOPICS

19

ソーシャルデータ分析とAIで見える世界

19

text

image

voice

video

Social Data AI User Insights

様々なフォーマットデータが存在する中、ユーザインサイトを見つけ出すにはAI技術が不可欠


▶TOPICS

20

AIの市場規模

20

言うまでもなくAI関連ビジネスは超成長市場

２０１５年３兆４、450億円↓

２０２０年２３兆６３８億円↓

２０３０年８６兆９、６２０億円


▶TOPICS

既存プロダクト（主力）

機械学習の実用

ホットリンクとAI（人工知能）技術の歴史

新プロダクト（開発中）

ディープラーニングの実用

2005年 2017年〜

ディープラーニングの実用

スパム判定属性判定（性別、年齢、職業等）

より高精度な属性判定より高精度な意味解析

画像解析より高精度な意味解析より高精度な属性判定マーケティング施策の効果測定マーケティング施策の提案等

センチメント判定意味解析リスク度判定

類似度判定

既存プロダクト（主力以外）

機械学習の実用株価予測自動レコメンド

選挙予測

2014年


▶TOPICS

22













▶TOPICS

23

世界有数のソーシャル･ビッグデータ流通プレイヤー

②データ流通プレイヤー

(Big4)

①データ保有プレイヤー

③データ活用プレイヤー

23

オラクルセールスフォース。

comSAPIBM その他、

データ活用企業国内企業

Twitter Tumblr/Wordpress

日本国内ソーシャルメディア

世界中のBBS/ブログ

Socialgist ホットリンクGnip DatasiftTopsyApple社が

買収Twitter社が

買収

日本のソーシャル・ビッグデータに加え、世界のソーシャル･ビッグデータ流通のBig4である

米国Effyis社(ブランド名:Socialgist)を買収することで世界トップクラスのソーシャル･ビッグ

データ流通プレイヤーに！

StockTwit中国の

ソーシャルメディア

Foursquare

Facebook社と事業提携世界で唯一

日系企業が買収

取引停止


▶TOPICS

24

流通･販売しているデータ(例)No 流通･販売データ詳細データエリア

1 グローバルブログデータ世界中から集めた2000万以上のブログ。グローバル

2 掲示板世界中から収集した1500以上のアクティブなコミュニティ報道。グローバル

3 YouTube 世界のYouTubeのコメントデータ（一日あたり250万以上のコメントデータ）。グローバル

4 ニュースデータリアルタイムな報道ニュースデータ。グローバル

5 カスタマレビュー投稿アマゾンやトリップアドバイザーのようなWebサービス内のカスタマレビュー投稿(200万以上)

グローバル

6 Sina Weibo 一日あたり400万件以上の投稿。中国外で唯一の公式販売代理店。中国

7 Tencent Weibo 一日あたり200万件以上の投稿。中国外で唯一の公式販売代理店。中国

8 Vertical Scope世界のプレミアムフォーラムのコレクションデータ。唯一の公式販売代理店。

アメリカ

9 StockTwits 株式を議論するトレーダー･投資家等の通信プラットフォーム。アメリカ

10 Discuz! 25万件以上の中国国内の掲示板情報。中国

11 Public API ManagementFacebook･Instagram･ VK･Google+を含む、公開APIの管理。(データソースではない)

アメリカ

12 Foursquare7500万以上のグローバルな場所から発信される位置情報(一日あたり以上2万件以上)。

グローバル

13 Wechatパブリックアカウントデータ微博等その他SNSデータとの連動による分析が可能中国

14 中国ECサイト「タオバオ」商品購入者感想書き込みデータ SNSデータとの連動による消費者商品購入実態分析が可能中国

15 中国メディア記事データ上記SNS、ECデータとの連動によるトータル分析が可能中国

16 中国広告素材データ上記SNS、EC、メディア記事データとの連動によるトータル分析が可能中国

17 日本国内ブログ(２０ポータル以上) ３０億記事4000万ユーザーアメーバブログも９５％以上カバー日本

18 2ちゃんねる全量データの独占的商用利用権を保有日本

19 日本国内掲示板 textream、教えてgooなど国内主要掲示板をカバー日本

20 Twitter Twitter公式データを利用日本

21 ウェブニュース約２５０サイト以上の国内ニュースサイト日本

22 検索データ某ツールバーの検索データの検索件数日本

23 TVメタデータ Mデータ社提供のTVメタデータをツールを経由して提供日本

24 アプリレビューデータ AppStore、GooglePlayのレビューデータを評価別に提供可能日本


▶TOPICS

25













▶TOPICS

26

クロスバウンド事業のコンセプト

マーケティングを成功に導く

ソーシャルビッグデータ

マーケティングを成功に導く

効果的なソリューション

データに基づいてマーケティングを支援する

「エビデンスドマーケティング」


▶TOPICS

27

サービス概念図

マーケティングPDCAをワンストップで支援

現状認識

マーケティング施策の実行

マーケティング施策の企画･立案

効果測定

レポーティングサービス

プロモーションサービス


▶TOPICS

28

ホットリンクグループの役割

ホットリンクグループ

ホールディング機能として全社戦略の構築･人材調達･資金調達･プロダクト開発

世界中のデータを活用した消費動向の分析･需要予測・プロモーション事業を推進

世界中のソーシャル･ビッグデータの調達･流通欧米諸国での販路拡大

中国語圏のインサイト分析･翻訳･市場調査中国国内での販路拡大

データソース元や販路拡大を目指し企業買収や事業提携を更に拡大していく方針


▶TOPICS

29

ソーシャル･ビッグデータの可能性

ソーシャルメディアの普及の意味ネット世界の情報を通して、リアル世界を「俯瞰・予測」できるようになった

ネット世界

リアル世界

投影

俯瞰


▶TOPICS

30

活用領域が拡大

ビッグデータ

ITインフラ

分析エンジン

アプリケーション

ナレッジ

ソーシャル・ビッグデータ

政治

報道

自動車

教育

食品

行政

災害対策

アパレル医療

不動産

映画

コンサルティング

音楽

通信

金融

マーケティング

活用領域が拡大

ソーシャル･ビッグデータがあらゆる産業で活用


▶TOPICS

31

ソーシャル･ビッグデータ×政治

自民党では…

選挙情勢の把握と、応援演説方法の最適化岩手県の情勢が不利＆他候補とのネット活用度の違いから、安倍首相の応援演説日程にからめてネットで情報を拡散

世論の流れをつかみTV討論会でのコミュニケーションを変更原発再稼働問題に対する非難の立ち上がりを発見し、「安全を最優先」をメッセージとする

世論の流れをつかみ説得用データを準備「アベノミクスに対する良い実感が無い」という声の高まりを発見

自民党が選挙対策にソーシャル･ビッグデータを活用


▶TOPICS

32

ソーシャル･ビッグデータ×保険

農業、漁業、

酪農家などの

銀行顧客

地方銀行、

信用金庫

東京海上日動

火災保険

風評被害発生時に見舞金支払い

融資の契約

保険金支払い

見舞金保険契約

ソーシャル・ビッグデータを利用した風評リスクモニタリングサービス

2015年7月、「風評損害対策見舞金支払いサービス付き」融資商品へソーシャル・ビッグデータ提供開始


▶TOPICS

33

ソーシャル･ビッグデータ×金融

ソーシャル・ビッグデータ×金融

外資系ヘッジファンドがソーシャル・ビッグデータを利用して、株価の未来予測※2013年10月13日付の日本経済新聞に関連記事の掲載がありました。

ブログデータを利用した投資ファンドの出現※2013年10月16日付の日本経済新聞に関連記事の掲載がありました。


▶TOPICS

34

各メディアでソーシャル･ビッグデータを活用

日本テレビ様

共同通信社様

【ホームページ】【ニュース記事】

※日立システムズと提供

【ホームページ】

産経グループ様

【ホームページ】【ニュース記事】

【選挙特番】

ソーシャル･ビッグデータ×報道

恣意的な報道調査ではない、国民の真意をソーシャル･ビッグデータから分析調査


▶TOPICS

35

発表概要





▶TOPICS

36

日常業務（再掲）

業務サイクル

• 基盤技術開発– 研究計画の立案

– 研究の遂行

– 成果報告

• （場合によっては）プロトタイピング

• プロダクト駆動開発– ビジネスプランの作成

– 技術的可能性検証

– プロジェクトの立ち上げ

– システム化支援

• その他– 共同研究管理

– 論文執筆・社外発表

– その他のアカデミック関連タスク


▶TOPICS

37

AI技術を活用した開発プロセス

• １．ビジネスプランの作成

• ２．技術的可能性の検証

• ３．プロジェクト提案書・仕様書の作成

• ４．開発の実施

• ５．テストの実施

プロダクト駆動開発

特定プロダクトの開発を目的とし、当該プロダクト開発に必要な機能を実現するための技術について、研究・開発を行う

今回の例：Twitterのスパムユーザ判定器

※広告目的と思われるTwitterアカウントを判別する


▶TOPICS

38

AI技術を活用した開発プロセス

１．ビジネスプランの作成

２．技術的可能性の検証

４．開発の実施

３．プロジェクト提案書・仕様書の作成

５．テストの実施

プロダクトマネージャー

営業・コンサル

要望・企画依頼


リサーチャー


リサーチャー

データサイエンティスト（仮）

ソフトウェアエンジニア

インフラエンジニア

テストエンジニア


ソフトウェアエンジニア

インフラエンジニア


テストエンジニア

要望：Twitterにノイズが多い提案：ユーザ単位でスパムを判定する

検証：機械学習で、スパムユーザを精度良くを判定できるか？を検証

仕様策定：検証したアルゴリズムに基づいて、仕様書を作成

開発：仕様書にあわせて、使用技術を選定 → 開発を実施

テスト：仕様した機能が実現できてるかを検証

営業・コンサル製品確認

６．リリース

営業・コンサル

ヒアリング


▶TOPICS

39

発表概要





▶TOPICS

40

今後必要になる（予測している）エンジニア

機械学習・統計学・Deep Learning（・NLP）の知識

がある

プロダクト（プロジェクト）マネージメントの実

務経験がある

最新の（State-of-the-art）技術の動向を把握

している

RやPythonで簡単なデータ分析ができる

論文に書かれている概要を理解できる

AI系プロダクトマネージャー

AI系プロダクトマネージャ


▶TOPICS

41


リサーチプログラマ（AI系ソフトウェアエ

ンジニア）

リサーチプログラマ

機械学習・統計学・Deep Learning（・NLP）の

知識がある

プロダクトを想定した実装ができる

論文に書かれた技術を実装できるシステム開発における

実践経験がある

機械学習・統計学・Deep Learning（・NLP）のツールを使いこなし

ている


▶TOPICS

42


AI系インフラエンジニア（DB含む）

AI系インフラエンジニア

分析処理DB・フレーム

ワークについて実務経験がある

実務でオンプレ・クラウド双方のサーバを扱った経験がある

機械学習・統計学・Deep Learning（・NLP）の概要

知識を持っている

設計書に基づいて、オンプレ・クラウドを組み合わせた環境を構築す

ることができる

MLを用いたクラウド

サーバサービスについて、サービスの仕様書を読むことができる

※インフラ関係は強くないので、高すぎるハードルになっている可能性があります！


▶TOPICS

43


AI/MLモデルテスター

AI/MLモデルテスター

ソフトウェア・テストに関する実務経験がある



AI/MLのモデルのテスト

において、定性的な分析を行うことができる

AI/MLデータインテグレーター

AI/MLデータインテグレーター

仕様に関するヒアリング・調査ができる



AI/MLの学習のための

データセット構築を行うことができる


▶TOPICS

44

おわりに

• A今回は、R&Dの視点から、「いてほしい」AIエンジニアの例をあげました

• 今後AIブームがどうなるかはわかりませんが、AI技術を用いた開発が無くなることはないと想定されます

• 開発の様々な局面において、AI技術を「理解する｜使う｜開発する」ための知識が求められる(と思われる）ので、必要に応じて学んではいかがでしょうか？

• なお、弊社では下記の職種を募集しています

AI系インフラエンジニアになりたい方

（DBエンジニア含む）

リサーチプログラマになりたい方


▶TOPICS

45

おまけ：AI系エンジニアになるために

• 中級者向け資料Deep Learning／機械学習／自然言語処理／統計学を使えるようになるために

• 書籍

– 統計学：

• マンガでわかる統計学 http://shop.ohmsha.co.jp/shopdetail/000000001683/

– 自然言語処理：

• 言語処理のための機械学習入門 http://www.coronasha.co.jp/np/isbn/9784339027518/• ウェブデータの機械学習 http://www.kspub.co.jp/book/detail/1529182.html

– 機械学習

• Python機械学習プログラミング http://book.impress.co.jp/books/1115101122

– ディープラーニング

• ゼロから作るDeep Learning https://www.oreilly.co.jp/books/9784873117584/• Weｂ教材

– Coursera• Machine Learning, Stanford University https://www.coursera.org/learn/machine-learning

– 言語処理100本ノック http://shop.ohmsha.co.jp/shopdetail/000000001683/

http://shop.ohmsha.co.jp/shopdetail/000000001683/

http://www.coronasha.co.jp/np/isbn/9784339027518/

http://www.kspub.co.jp/book/detail/1529182.html

http://book.impress.co.jp/books/1115101122

https://www.oreilly.co.jp/books/9784873117584/

https://www.coursera.org/learn/machine-learning

http://shop.ohmsha.co.jp/shopdetail/000000001683/


▶TOPICS

46

「今後現場で求められるaiエンジニア像とは？」株式会社ホットリンク 榊...

Technology

「今後現場で求められるaiエンジニア像とは？」株式会社ホットリンク榊...