【レポート】AWS Summit Tokyo 2019：Amazon SageMaker で好みのプロファイリングを爆速でつくった話 #AWSSummit

当エントリでは2019年06月13日に行われた『Amazon SageMaker で好みのプロファイリングを爆速でつくった話』に関する内容をレポートしたいと思います。

• AWS Summit Tokyo 2019 | 2019 年 6 月 12 (水) 〜14 (金) 幕張メッセで開催

セッション概要

当セッションの登壇者及び概要は以下の通りです。

セッションレポート

以下、セッションレポートです。

会社およびサービス紹介

（辻様より）

• ミッション
  • 「発想」と「IT」で人々の日常に新しいワクワクを創造する
  • Recruit | 株式会社エアークローゼット
• サービス紹介
  • airCloset
    • プロのスタイリストがユーザに合わせたコーディネートをお届け * 【公式】洋服レンタルならairCloset(エアークローゼット) | スタイリストがコーデする借り放題のファッションレンタルサービス
  • airCloset × ABLE
    • airClosetの店舗版
    • ファッションレンタルショップ ｜ airCloset×ABLE（エアクロエイブル）
  • pickss
    • パーソナルショッピングアプリ
    • pickss - プロが「似合う」をピックする。パーソナルショッピングアプリ
• airCloset
  • 25万人超のユーザ
  • 利用ステップ
    • ユーザ情報や好みを連絡
    • スタイリストから提案されたコーディネートが届く
    • レンタルして楽しむ
  • 登録情報
    • 身長/体重、顔/全身写真、洋服のサイズ、好み、など
  • スタイリング情報
    • スタイリスト、コーディネートされたアイテムの説明、など
  • フィードバック情報
    • デザイン、着心地、カラー、サイズ感、等
  • データ活用のポイント
    • ユーザ分類　※一番大切なところ
    • 人と人や服と服のマッチング
    • 倉庫、場所、ショップ
    • など

airClosetにおける機械学習に関する取り組み

（松本様より）

• 自己紹介
  • エンジニアチーム（兼任）
    • フロントメインでインフラ、サーバサイドも扱う
  • データサイエンスチーム（兼任）
    • 経営層と意思疎通を行う為に社長室所属に
  • React Native、統計学が得意
• 既に機械学習を取り入れているサービス
  • 退会検知
    • 退会しそうなお客様を通知
    • 行動→モデル→警告
    • Doc2Vecを利用
    • precision、recallの塩梅が難しい
    • 70%程度の精度
  • 返却数推定
    • 7日後の返却数を推定し、倉庫内の人員配置を行う
    • アイテム返却→倉庫対応
    • 負の二項回帰、stepwise法
    • 誤差12%以内に収まった
    • GWや大雨など突発的な増減があった場合は外れる
    • LSTM、状態空間モデルも試す予定
• airClosetにおける機械学習の取り組み
  • スタイリングの将来的な課題
    • お客様の増加に対してスタイリストの確保が難しい
  • ユーザープロファイリング
    • スタイリングの効率化
    • スタイリングの質の担保
    • お客様理解→スタイリング
    • AIによってお客様プロファイリングを効率化したい
  • スタイリストによるスタイリング
    • お客様にとって似合う服
    • お客様の現在の趣向
    • お客様がなりたい自分
    • →パーソナルスタイリング
  • お客様に似合う服をAIでレコメンドしたい
    • 似合うとは？
      • ドメイン知識の習得
        • パーソナルスタイリストの作田麻衣子さん
          • イメージコンサルタント（米国大統領選でも使われている）
          • 心理セラピスト
          • airClosetスーパーバイザー
            • 4年間で1万件のスタイリング
        • ヒアリングの結果
          • 服には様々なベクトルがある
          • お客様にも同様のベクトルがある
          • これらによって似合うが決まる
          • 顔、目、骨格など
    • やりたいこと
      • ユーザ情報+写真
      • スタイリングが決まる
        • 甘辛
        • モダ・トラ
        • 色味
    • アノテーションで苦戦
      • 作業できる人が限られる（実質2人）
      • アノテーション作業専用のの独自UIを作成（改修3回ほど）
      • とにかく時間がかかる（1日でも50件）
      • ようやく700件のデータが集まった
    • 機械学習
      • 開発
        • PyCharmで開発
        • data scientific mode
        • 5 epochで回す
      • 学習
        • SageMaker便利
        • gpuインスタンスを使って高速学習
      • 検証→開発→学習
      • 100回
    • SageMaker
      • 結果としてはかなり助けられた
      • jupyterノートブック→学習インスタンス→S3
      • entry_pointのデバッグがなかなかつらい（やり直しに時間がかかる）
      • AWSサポート便利
        • PyTorchのサポートバージョンなどでハマったところ助けられた
      • 移行ハンズオンとかも良さそう
    • モデルの推移
      • v1
        • OpenCVをつかって、顔認識させ、顔面期のパスを取得
        • 損失関数が全然下がらない、推定位置だいたい0近辺
      • v2
        • 顔パーツの比率に着目し、新たな指標を試す
        • ほとんど学習が進まなかった
        • 指標を作るのはあきらめた
      • v3
        • Resnet18を組み込んだモデル
        • Fine Tuning
        • 過学習になって落ちてるだけ
        • 教師データに対してMSEが高すぎる
      • v4
        • Resnet152
        • バッチ正則化も挟んだ
        • MSEが1以下まで低下
        • 実測値とのズレ、大きくハズレてしまうパターンがある
    • 実測値とのズレの原因
      • 写真の質
      • 複数人写っている
      • 照明
      • 顔の向き
      • 画素数
      • →統一されたフォーマットである必要がある
    • 課題
      • データ不足
        • テストデータと教師データ
        • データ数が足りない
      • 写真のフォーマットを固定したい
        • アプリの中でフォーマットする
        • 動的に顔認識させて正面かつ顔認識できる状態
    • 展望
      • お客様のプロファイル分析だけでなく、似合うコーディネートの提案までをAIでできるところまでやっていく予定

まとめ

サービス改善の為に機械学習がどのように活用されているのか、AWS SageMakerの利用ポイントがよくわかるセッションでした。まだまだ課題もある中で、エンジニアがそれを楽しみ、改善していることが何よりも素晴らしいと感じました。引き続き、現場からのレポートを続けたいと思います。

• AWS Summit Tokyo 2019 ｜ シリーズ ｜ DevelopersIO