Create MLでレコメンデーションモデルをトレーニングする

(音楽)

(拍手) こんにちは Turiチームのホイトです Create ML Recommenderについて 説明します Create ML Recommenderを 使えば― アプリケーションのユーザ体験を カスタマイズできます 例えば 私がハイキングの 記録をつけていて― 評価もしていたとします 過去の傾向に基づき 次の行き先を提案してくれたら すばらしいと思いませんか？

また 算数の クイズアプリケーションで― ユーザは制限時間内に 問題を解く必要があるとします この時 過去の正誤結果に基づき 次の問題が表示されたら いいですよね では買い物リストの場合は？ 買う必要があるものを 一覧にしています これは非常にシンプルです でも忘れているものを 教えてくれるなら― より魅力的で 面白い経験になります

今日はCreate ML Recommenderで このようなユーザ体験を― 実現する方法を説明します では始めましょう まずはデータの話から

Recommenderはアイテム同士の パターンを探すことで機能します 例えば 私が 店に買い物へ行く時に 献立を考えていたとします 材料を買って おいしいものを作りたいんですが レシピはどうしたら？ これは食材のグループです そして― Recommenderで使えるデータの 完璧な例でもあります 実は ユーザがやるべきことは これらのレシピを― グループ列とアイテム列を持つ表に 落とし込むだけです 各グループと各アイテムは ひもづいています この場合 グループはレシピで アイテムは食材です 算数のクイズアプリケーションのほうが 分かりやすいでしょう グループ列は 出題された問題のセッションで アイテム列は問題です ここで重要なのは フィードバックすることです 正解した問題と 間違えた問題を教えると― Recommenderは 評価列と連携します 特定のインタラクションの 評価を示す尺度です ここでは 正解すれば“１” 間違えたら“０”と表示されます では ハイキングの アプリケーションの場合は？ グループ列にはユーザの名前 アイテム列には ハイキングコース 評価列にはユーザが― ハイキングコースに つけた点数が表示されます

アプリケーション内に 似たデータがないかクエリを行います ローカルの インタラクションを追跡し 一連のアイテムや その評価をモデルに入力します すると入力されたデータの 評価やパターンに基づき モデルが新たなアイテムを 勧めてくれます では例を見てみましょう これはハイキングの記録です まだログがないので 人気や評価に基づいて お勧めが表示されています 気になるコースはあるかな？ 冒険的なコースを 見てみましょう 暑くて乾燥しているようですね 気に入らないので “Not for Me”を選択します するとどうでしょう 今 私が下した評価に基づき “For You”に表示される お勧めのコースが更新されました

このコースはよさそうですね コロラド育ちで 高い山が好きなので― 評価は“Fantastic”にします これでモデルは 私の好みをさらに学習しました キーワードは 山や岩 色鮮やかな葉 では もう１つ試しましょう 評価してみます

１日に３つも山を登れば 疲れますよね (笑い声) スライドに戻りましょう (拍手)

モデルに学ばせるデータの例を 今 紹介しました では どうやって Create ML Recommenderが データからパターンを抽出し モデルを構築するかを説明します Create ML Recommenderは― アイテム間の関係を 学ぶことで機能します アイテム間の共通点は？ この３つのコースのうち左の２つは 私好みの急勾配で標高の高い山です そして右のコースは 砂浜に近く 散策向きです ただ モデルは この情報を持っていません 持っている情報は ハイカーとコースと評価だけ ですが 高い山が好きな人は 高い山に高評価を下します つまり そういう人は― これらの山に 似た評価を下すでしょう 同様に 浜辺の近くで 散策を楽しんでる人が― 寒く 風の強い高い山を 好むとは思えません その逆も同様です 従って この２つの山には 違う評価をするでしょう Create ML Recommenderは こうしたパターンを見つけ 最初の２つの山が 似ていると学びます この２つは仲間で ３つ目は違います すべてのアイテムを 投入すると― 関連性を示すグラフを Recommenderが作成します そして グラフが モデルに格納されます トレーニングデータ内の ユーザデータとグループデータは 最終的なモデルには 存在しません

こうしたモデルを 作りたいと思ったら Create MLアプリケーションの― Recommenderのテンプレートを 使うと便利です 他のテンプレート同様に 導いてくれます データのロードに モデルのビルド モデルのパフォーマンス評価 Core MLへのエクスポートです

プログラムから組みたい場合は Create MLフレームワークを 使います プロセスは同じです CSVかJSONファイルから トレーニングデータをロードし グループまたはユーザ列 そしてアイテム列を指定します 評価列の指定は任意です

トレーニングデータにない データがある場合は？ モデル評価メソッドを使えば どれほど正確に― モデルが新しいデータを 予測できるかを評価できます そして最後に Core MLに書き出します これでインタラクションを ローカルで追跡できます モデルに評価を使わせる場合は アイテムのディクショナリを追跡し そうでなければ アイテムのリストを使います 次にモデルへの入力を 構築します アイテムの数を 指定してください すると モデルは リストを返します 入力された好みに基づき ランクづけされたリストは― ユーザの入力セットに 一致するはずです

では 最後のまとめに 入りましょう

まず このモデルは 非常に柔軟です 従来のRecommenderによる 評価システムに― 該当しない多くのシナリオで 使用できます いくつか例を挙げました そこで 開発者である皆さんが これを どう利用するか 楽しみです 次に このモデルは アプリケーションと共に変わります デバイスを使いオフラインで 作業すると速いのです ユーザ体験にカスタマイズを 加えるのに最適です 最後に これは オフラインで動くので プライバシーも守れます ユーザの好みに合わせて 対応していても データは安全であると 保証できます では セッションの総括です テキスト分類における進歩を 説明しました 入力データが少なくても テキストの意味論的意味を― 利用できるようになったのです アクティビティ分類では― ユーザの動きを理解し 意味を付与できます そして 紹介した Recommenderでは― アプリケーションのユーザ体験を 自分好みにカスタマイズできます さらに詳しい情報を ご希望であれば Webサイトをご覧いただくか 明日 ラボへお越しください ご清聴どうも (拍手)