AIがヒアリングしながらレコメンドSyncLect Personalize
機械学習でWebやアプリの行動ログから
自律的にマッチング判定し、ユーザーの価値観を再学習し続ける
パーソナライズドAIレコメンドエンジン開発。
マッチング業務を自動化する
パーソナライズレコメンド
マッチング業務をAIが代替する
新しいテクノロジー
今まで人が行っていたマッチング業務を、AIによって一部代替するテクノロジーです。
AIがパーソナルレコメンドを行う事で、人の作業負荷を減らし、様々な場面での応用が増えています。
人は様々なデータから、判断を行っています。
主に、プロフィール情報などの文章データ、口コミ情報などの人気度、画像データからのフィーリング、
それらの情報を機械学習に覚えさせ、自動分類、自動判定を行う事ができます。
ユーザー毎に1to1レコメンドを
AmazonなどのECサイト商品レコメンドの仕組み（アルゴリズム）の発展形が、
AIマッチングで使われています。
ECサイトなどのレコメンドの仕組みは「その商品の人気度」からの判定が強く反映されるものです。
マッチングの場面において、「人気のもの」と「ユーザーにとって欲しいもの」とは違いが発生します。
AIマッチングでは「ユーザーにとって欲しいもの」まで判定するために、ビッグデータから細分化ができる機械学習を利用しています。
これにより、より細かい条件で「その人に見合った」データを抽出し、提案を行っています。
マッチング提案シーン
仕事マッチング提案
求人サイトでは、職務経歴書などのユーザープロフィールのデータと、
求人情報などの会社プロフィールデータが揃っています。
このデータ群から類似度判定し、過去の応募データから人気度を図り、マッチングを行います。
ビジネスマッチング提案
ビジネスマッチングにおいて、企業の持つ会社紹介データを使ってマッチングさせます。 過去のビジネスマッチング成立データによる類似度を判定して相性度を加味したマッチングが可能です。
婚活マッチング提案
婚活アプリや、結婚紹介所などにおいて、婚活向けマッチングを行っていますが、ユーザー一人一人の好みに合うお相手を探し出す事が可能です。
また人気の出やすいプロフィールの書き方をAIが示唆する事もできます。
物件マッチング提案
数多の物件や不動産情報からマッチングやレコメンドを自動的に行う事ができます。
物件サイトなどのユーザーの検索情報を保持し、検索傾向や内見にまで至ったユーザーの特徴を判定し、
AIマッチングを行っています。
人事異動マッチング提案
今まで人が行っていた企業内の人事異動や人材配置のマッチング業務を、AIによって代替したり提案したりする事ができます。
社員の経歴書の情報や部門が持つ固有の情報をベースとし、人事業務の負荷軽減を行う事が増えています。
ドライバーマッチング提案
タクシー配車サービス、配送サービスにおいて、運転手の位置情報や運転手プロフィール、運転データを学習データとし、
AIによるマッチングを行う事ができます。
専門家マッチング提案
仕業やマンツーマンレッスンなどの専門家とのマッチングサイトにおいて
「何の専門家でどんな事をしてきたか」などのプロフィールデータから、
自動的に専門家マッチングを行う事ができます。
保険マッチング提案
人によって見積や提案できるプランが変わる保険業界は、「InsTech」と呼ばれるデジタル活用が進んでおり、
AIマッチングが少しずつ導入されています。
パーソナライズされた保険の提案や、保険選びのアドバイスなどを自動で行う事ができます。
Web行動ログや売上データから自律学習し、
動的パーソナライズを行う
SyncLect Personalize
データから逆算した自動提案
Webサイトの回遊ログ、申込ログ、実際のコンタクト、売上データ、
顧客行動のあらゆるデータから、最適な商品やプランなどマッチング対象を提案します。
「SyncLect Personalize」は、人間が顧客対話を通じて接客や見積や営業を行っている業務の一部をデジタル上で実現する
パーソナライズマッチングを行うレコメンドエンジンです。
今までのレコメンドエンジンと何が違うのか
協調フィルタリングの拡張
アマゾンやネットフリックスなどで「オススメ」されるレコメンドアルゴリズムは「協調フィルタリング」をベースとしており、
日々レコメンド精度を上げています。
今までの協調フィルタリングの弱点は「データが溜まってないと始められない事」「新商品に弱い事」「人気商品に偏りが出る」
事があり、ユーザプロフィールや履歴からレコメンドを行う「ユーザベースレコメンド」、商品の閲覧回数や購入回数からレコメンドを行う「アイテムベースレコメンド」など複数のレコメンド軸を持たせるハイブリッドフィルタリングを行う事で、
精度向上を行っています。
嗜好性と価値観を重視したヒアリング
「SyncLect Personalize」は、機械学習により多くのハイブリッドフィルタリングを行っていますが、
プラス「嗜好性/価値観」というデータに重みづけ比率を増やしている事が特徴です。
例えば、食べたいもの、やりたい事、買い物する事、「あなたに合ったもの」というのは、
時期、コダワリ、期待値など人によって変わる事が往々にして存在します。
ヒトであれば「ヒアリング」を行う事で、絞り込みを行っていますが、そのアプローチをデジタルに置き換えた
レコメンドアルゴリズムが「SyncLect Personalize」です。
論文参照：価値観モデルを適用した協調フィルタリングによるハイブリッド型推薦手法
擬人化コンテンツがヒアリング
ヒトが何かを判断する際に、本当に必要となっているデータは何か？を追及すると、「その人の考えるコンセプト」を掴む必要があります。
営業を例に取ると、「なぜこの商品に興味があるのですか？」「なぜお問合せ頂いたのですか？」「なぜ来場/来店いただけたのですか？」「なぜこの商品を選んで頂けたのか？」という情報です。
この「人によって変わる情報」をチャットボットやAIアシスタントがヒアリングする事で、パーソナライズデータを補完していきます。
場面を問わず、より使いやすく
今取れているデータから利用
機械学習プロジェクトでよく陥る課題は「データが足りない」「データが揃っていない」という問題です。
また、具体的に「どのデータを具体的にどう揃えて行けば分からない」という声も多くあります。
これは、「とりあえず闇雲にデータを揃えようとする」所に問題があります。
「SyncLect Personalize」は、「ユーザデータ」「購入データ」「アイテム（商品）データ」からパーソナライズレコメンドを始められます。
自動継続学習
「SyncLect Personalize」では、主にWebサイト内行動や販売データの売れ筋商品が元データとなりますが、
そのデータに変化があった場合においても、自動的に再学習を行い、パーソナライズレコメンドを行います。
また、ヒアリング内容にユーザの変化があった場合においても、自動的に再学習を行い、最適なレコメンド結果を返します。
説明可能なAI
「AIが出してきた答えの理由が分からない」という事は、今まで多くありました。
その理由は「すべてをAIに依存させてしまう事」にありました。
「SyncLect Personalize」では、様々な自動フィルタリングの他に、
ヒューマンルールベースでコントロールできる領域を残しており、知りたいデータに関して参照できる余地を残しています。
これにより「なぜこれがオススメなのか？」の説明を可能にし、ユーザに対して「腹落ち感」を提供する事ができます。
チューニングCMS
ヒューマンルールベースでコントロール可能になったパラメータは、お客様の手でコントロールできるパラメータチューニングCMSを提供しています。
これにより「AIを運用するフェーズ」において、
軽微な改善作業を毎回AIエンジニアに委託せずに、「セルフ型の機械学習運用」を可能としています。
事例
@Type 求人レコメンド
機械学習エンジン
『＠type』を利用している求職者の行動ログや登録情報などの各種データ、『＠type』内の掲載企業の求人情報を含む膨大なデータを学習データとして蓄積しており、
希望条件や経験職種、好む会社の雰囲気などのユーザー特徴度、求人情報類似度、行動特性量を紐づけて提案判定しています。
これにより、自身の転職活動の特性を考慮した求人情報の提供を受けることが可能となり、ユーザの行動が変われば自動的にレコメンド内容を変更します。
Alexa旅行プランコンシェルジュ
旅行代理店の売上データ、申込データ、Web情報と機械学習に読み込ませ、
音声アシスタント「Alexa」がお客様ニーズ/ウォンツをヒアリングし、その情報を加味した再学習を通じて、最適なホテルのパーソナルレコメンドを行います。
ホテルを決める相関関係にあるデータとして、泊数、予算、年齢、お連れの方の人数と関係性（家族なのか）、観光目的と行きたい観光名所が強く反映される為、ヒアリングをショートカットさせるためにログインをさせたり画面タップさせる事で、煩わしさを改善しております。
当社が提供していること
データチェック
当社では、保有データサンプルを拝見する事で、活用できるかのチェックを施し、機械学習の手法を検討し、現状のデータを整理し、いらないデータを省き、「AIクローラー」などで足りないデータを補完する事で、 機械学習プロジェクトのスタートを切りやすくしています。
Alexaなどの対話インターフェース
機械学習プロジェクトにおいて、盲点になりがちなのは、ユーザビリティです。
機械学習への学習精度に目が行きがちな為、ユーザーが機械学習エンジンの結果をどのように享受するかまでの想定が抜けがちになります。
UIシナリオから考えた場合、機械学習のOutputしてほしい結果が違う事もあり、手戻りリスクとなります。
Webサービス、スマートフォンアプリ、エッジデバイスなど様々なインターフェースでAI開発を行っている当社では、学習とユーザビリティ設計は並行で進め、ユーザと機械学習のギャップを埋めるプロジェクト運営を行います。
実サービスAPI連携
作成した機械学習エンジンを、既存のサービスと連携させる為、API構築も行っております。
機械学習エンジンを密結合させない事で、機械学習エンジンのマルチインターフェース化を実現し、Web、アプリ、チャットボット、ロボットなどに水平展開する事を可能とし、メンテナンス性を高め、既存で動いているサービスとの連携を容易にします。
マルチチャネル
APIベースで機械学習レコメンド結果を受け取ることにより、Webサイト、スマートフォン、チャットツール、メッセンジャーなどオムニチャネル化を可能としています。
元データに関しても、Webサイト内データ、販売データだけでなくIoTデバイスのデータなど、様々なデータ資産から機械学習を実現しています。
マルチAIプラットフォーム対応の為、画像認識によるレコメンドや動画認識によるレコメンドも実現が可能です。
