このページの本文へ

業界を知り、業界をつなぐX-Tech JAWS第18回

MLやコンテナ活用が目立った第8回X-tech JAWS前半レポート

X-Tech JAWSで聞いたナビタイム、Resola、千のAWSの使いこなし

2019年07月16日 07時00分更新

文● 大谷イビサ/TECH.ASCII.jp

  • この記事をはてなブックマークに追加
  • 本文印刷

 2019年7月11日、「時代を突き抜けるX-Tech企業の真髄」をタイトルにした第8回目となるX-Tech JAWSが開催された。ビジネスとテクノロジーという両面でさまざまな業界でのAWSの使いこなしを学びあうX-Tech JAWS。今回は前半となるナビタイムジャパンやResola、千のセッションをサポートする。

EC2フリートでスポットとリザーブドをうまく活用するナビタイム

 冒頭、LTとして「オンデマンドインスタンスを極限まで減らしたらこうなった」を披露したのは、会場提供元であるナビタイムジャパン田中一樹さんだ。ナビタイムではほとんどのサービスでAWSを用いているが、既存システムから移行するのにともない利用費用が激増。「AWS使ってるのに、なんでこんなにかかってるの?」という経営陣の声に応え、コスト削減に取り組んだのが今回のテーマだ。

ナビタイムジャパン 田中一樹さん

 ナビタイムのシステムはEC2ベースのECSでコンテナを管理しているため、コストが上がっていた。もちろん、ECSをやめて、サーバーレスのFargateを使うという手段もあったが、ストレージが10GBしかないので、地図や探索データが格納できなかった。結局、ECSのときと必要な台数が変わらなかったほか、障害時の調査方法がまだまだクラウドネイティブになっておらず、調査に時間がかかりそうで、Fargateの利用は断念した。

 EC2と手切れするのが難しいということで、EC2インスタンスのコスト削減に手を付けた。EC2にはいくつかの購入形態があるが、同社では年間契約することで割引が効くリザーブドインスタンスを毎年かなりの数を購入しており、高い利用率をキープしている。「確保しにくいインスタンスもAZごとに購入しており、バランスよく使っている」(田中さん)。また、ダウンするリスクを許容することで最大9割の値引きが行なわれるスポットインスタンスも、オンデマンドインスタンスの半分程度の価格で入札。スポットインスタンスのローテーションを条件にあわせて自動的に管理しているスポットフリートの機能で管理していた。

 さらに2018年5月には「EC2フリート」を利用することにした。EC2フリートは、同じオートスケーリンググループで、オンデマンド、スポット、リザーブドなどの混在したインスタンスの台数や割合等を指定できるEC2の管理機能。CPUベースでスケールアウトするので、同じコア数のリザーブドインスタンスを指定し、今回はオンデマンドをゼロに指定。これにより、変更直後からオンデマンドが減り、ほとんどリザーブとスポットになったという。

オンデマンドインスタンスがいったんは減ったが……

 しかし、変更後、途中からオンデマンドが増えて来たという。EC2フリートでは、極力先頭のインスタンスタイプで起動するのだが、起動できない結局後続のインスタンスタイプを使ってしまう。後続のインスタンスタイプはリザーブドで購入していないので、オンデマンドで起動してしまうわけだ。

 田中さんは、「EC2フリートを使えば、リザーブドとスポットだけの構成がみなさんでも簡単に作れますが、予想外のオンデマンド起動にだけは気をつけてください。あとスポットインスタンスは余裕で落ちるので、ドレイニング(Draining)処理をきちんと入れておくと、うまくいくと思います」とまとめた。

行動と会話のデータでパーソナライズ対応を実現する「SYNALIO」

 2番手はマーケティングプラットフォーム「SYNALIO(シナリオ)」を手がけるResola(リソラ)代表取締役社長、ギブリー取締役の奥田栄司さんだ。半分が外国人で構成されるエンジニア集団であるResolaは、今回紹介するSYNALIOを開発しており、技術やライセンスを顧客やグループ企業であるギブリーに提供している。

Resola 代表取締役社長、ギブリー 取締役 奥田栄司さん

 ResolaのSYNALIOは簡単に言えば、「マーケティング向けのチャットボットツール」だという。もともとは「インターネットでの企業と消費者間の情報伝達方法をアップデートしたい」という目的で作られており、20年来用いられてきたユーザーによるキーワード検索から、ユーザーに最適な情報提供を実現するために作られた。

 これまでのマーケティングツールは、Webサイトに来た訪問者の行動データをベースにユーザーをスコアリング・クラスタリングして、ステップメールやキャンペーンを展開するものだった。しかし、そもそも行動してくれないとユーザーがターゲティングできないという点と、行動からは見えてこない「非観測要因」が見えないため、ユーザーが意思決定しにくいという弱点がある。

 この解決方法として、SYNALIOは「なにを探しているか」を理解するための行動データに加え、「ユーザーがなぜを探しているのか」という会話データをチャットから取得。これらのデータを分析することで、1人ごとに最適な会話のシナリオを作り、異なるスコアリングと接客を実現していくという。

サイト訪問者全体の行動/会話データをベースにパーソナライズドされたコミュニケーションを実現

 たとえばリスティング広告からサイトに訪問し、2分間滞在したユーザーに対しては、離脱を防ぐために最新のランキングを提案。ユーザーがランキングから商品ページまで進んだら、スコアを格上げする。ここまで来たら、ほしい商品はわかっているので、「なぜ探しているのか?」をチャットで聞き出す。ここで「彼氏の誕生日プレゼント」「予算は3万円」まで引きだせば、最適な商品をリコメンドでき、クロージングアクションにまで至るわけだ。

 これらSYNALIOの行動データ・会話データはダッシュボードや各種レポートのほか、ポップアップやチャットウインドウの出し分けに用いられる。ユーザー属性と行動にあわせてウィンドウを出し分け、最適なものを学習していくという。

 取得している行動データは、「どのチャネルから訪問したのか」「どのページに何秒滞在したのか」「何度目の訪問か」「デバイス・OS・ブラウザ」などのページビューと、「チャットボットを表示した」「チャットボットを使った/意図的に閉じた」「ポップアップを表示した」「ポップアップをクリックした/意図的に閉じた」などのイベントデータになる。ポイントとしては、Google Analysticに近づけ、利用感を共通化させているとおこと。また、会話データはユーザーが押した会話内容、特定の会話に到達した際るラベルに付与、決裁権限者などにラベルを付与する。

 取得した行動データは大量になるのでまずは生データ用のS3バケットに送り、EC2上のETLサーバーで前処理を行なうS3へ。一方の会話データと行動データを統合されたデータはETL処理で不要なものを除去し、EC2上で分析され、ダッシュボードに表示される。また、会話データはSageMakerによる機械学習でも利用され、生成済みのモデルはユーザーごとに最適なポップアップを表示するのに用いられる。

行動データ/会話データ利用のアーキテクチャ

 今後の展開としては、「自動運転レベル3」のように特定の場所でシステムがすべて操作し、緊急時にドライバー操作するくらいのレベルまで引き上げたいという。具体的にはラベルの自動付与、ラベルのアトリビューション(貢献度)分析、AIによるサジェスト、クロスカンパニーデータの利用、システムによる自動改善まで進めたいという。

■関連サイト

1万枚の写真から我が子を探せる顔検索の実現

 3番手は千の吉田健太さん。千が提供する「はいチーズ!」は幼稚園や保育園での撮影代行サービス。プロカメラマンが園児1人1人が主人公となる写真を撮影するだけではなく、写真の印刷や掲示、代金回収までをカバーしており、日本国内で6000団体の利用があるという。

千 吉田健太さん

 はいチーズで昨年導入されたのが、写真を選ぶ際の顔検出機能だ。従来の幼稚園や保育園では、数多くのイベント写真から探す必要があり、我が子を選ぶのは一苦労。実際、とある幼稚園の運動会の写真は約1.3万枚を超えていた。しかし、ユーザーとなる保護者は共稼ぎ世帯も多いので、写真探しに時間をかけられない。しかし、顔検索機能があれば、忙しいパパ・ママも我が子の写真をスマホから簡単に探すことができる。

とある幼稚園の運動会の写真は1万3000枚を超えていた

 この顔検出で採用したのがAmazon Rekognitionだ。Amazon Rekognitionは学習済みAIを利用できるマネージド型の画像認識サービスで、画像内の物体やシーン、顔などの検出、表情の分析、写真内にある顔と顔が似ているかも検出できる。初期コスト不要で、使った分のみの従来課金というメリットのほか、処理速度も高速で、試作品で試したところ精度も十分だった。「子どもの顔は大人の顔より特徴量が少ないので学習が難しいが、きちんと検出できた」と吉田さんは語る。

 具体的なRekognitionで実現した購入フローとしては、まず保護者が子どもの写真をアップロードすると、同じ顔の写真を検索して候補を表示してくれるというもの。また、過去に購入した写真から子どもの顔を抽出し、おすすめ写真として表示するという機能も実装した。顔研修導入の結果、ビューに対して購入した割合に当たるコンバージョン率が向上し、忙しいパパ・ママの写真探しも容易になったという。

 技術的な悩みとしては、1万枚以上の写真の学習をどうするか?これに対してRekognitionは「コレクション」という機能があり、検出した顔に関する情報をサーバー側のコンテナに保存することができる。特徴ベクトルをあらかじめインデックスできるようになるため、APIを1回叩くだけで高速な検索が可能になる。

 この顔コレクションで利用するAPIは「顔コレクションを作成する(CreateCollection)」「顔のメタデータを顔コレクションに追加する(IndexFaces)」「指定した画像で顔コレクション内の類似画像を検索する(SearchFacesByImage)」の3つ。前述の通り、Rekognitionの顔コレクションは特徴情報(メタデータ)のみ保持しており、検索画像はすべてS3に保存されている。吉田さんはAWS CLIから顔写真のアップロードや検索のデモを披露。顔検索が容易に利用できるRekognitionのメリットをアピールした。

Rekognitionで顔検出するまでの手順

■関連サイト

カテゴリートップへ

この連載の記事