收藏
【PLUG】
以人工智慧替代包裝設計消費者調查，產品開發流程可能徹底翻轉
――――包裝設計對商品銷售影響極大，因此運用深度學習來挑選。二○一九年四月開始引進「包裝設計喜好度評估預測AI服務系統」，將喜好程度分為五個等級來預測。目前有超過兩百間公司登錄使用。或許未來將大幅改變行銷活動中很費時的市場調查作業。
致力於市場行銷調查和包裝設計開發業務的PLUG（東京千代田區），每年春、秋兩季都會舉辦「包裝設計排行榜」。這項調查針對市面上新推出的約五百項商品，詢問消費者喜好程度。一項商品會對一千名消費者進行問卷調查，目前共計調查過四千一百一十五項商品，代表已經累積了四百一十一萬五千人份的資料。
「從過去累積的這些資料，成功推動了新的服務。」該公司小川亮社長說。所謂喜好度，係指將消費者是否喜好該商品包裝分成五個等級來評分時，受測者回答「很喜歡」、「喜歡」的比例。
該公司將這項調查當作資料庫的服務銷售，開發出讓這些龐大資料經過深度學習後能評估包裝設計的人工智慧系統。在針對消費者的調查中，將喜好度分成五個等級請受訪者回答，而現階段進行的人工智慧則藉由分析開發中的包裝來預測0～5評分範圍內的喜好度。
至於預測值的準確率，比較問卷調查結果實測值與人工智慧計算的預測值兩者之後判斷。得到的結果是，雖然會因為商品種類而有落差，仍得到相關係數（就整體而言實測值與預測值有多少相關性）為0.514，且數值絕對誤差低於0.25（百分之五）的比例（實測值與預測值之間誤差少的結果比例）為百分之七十二的佳績。
使用全數據的百分之八十五學習推導出的結果作為預測值，其餘的百分之十五資料當作實測值加以驗證。結果顯示，啤酒、調味料、保養品等類別可得到高準確率，甚至達實用階段。目前有十一個類別使用這套方法。
◎幾分鐘就能計算出喜好度的分析結果
一般而言，包裝設計開發案多半先將設計案篩選至十個左右，如果要做消費者問卷調查，就會再精選出三案左右。至於如何篩選到三個案子，小川社長表示，初步階段只能仰賴負責人員的品味。
「最初是設想在一開始篩選的階段用來輔助。在篩選出要進行問卷調查的設計案過程中，很可能出現優秀設計落選的遺珠之憾。如果能先透過人工智慧大致了解喜好程度的數值，就能當作決策時的參考。」
這項服務可以在網路瀏覽器上使用。上傳想要查詢的商品影像，再選擇商品種類。用商品名稱和公司名稱作為反映品牌能力的係數，在雅虎上搜尋，將搜尋符合結果的數量當作「品牌分數」輸入。
這麼一來，只要幾分鐘就能計算出結果。此外，分析結果還能以PDF或CSV檔案的形式下載，方便客戶在公司內部簡報時使用。「喜好度的平均值大約是3.8。一般來說近4分就非常好，如果只有2分左右最好放棄。大致是這個標準。」小川社長說明。至於使用費，查詢十個影像以內免費，若是簽約則會因為合約期間長短而有不同的月費；但如果是上傳張數無上限的方案，一年需支付六百萬日圓。
◎如何判斷人工智慧分析結果的可信度？
這項服務使用在包裝設計開發第一線時，客戶如何判斷人工智慧分析結果的可信度，進一步決定簽約呢？
「坦白說，我們也一直在摸索。因為消費者問卷調查也不可能精算出絕對準確的數字。新型態的服務具備各種潛力，我們希望客戶嘗試各種途徑。」小川社長補充。
如果消費者問卷調查的結果非常好，是否就會大幅提高該商品的銷量呢？答案是未必。新服務採取定額的訂閱型服務，可不限次數嘗試，成本比一般的消費者問卷調查便宜許多。此外，以往的問卷調查大約要花上一個月才能得到結果，這項新服務只要幾分鐘。
設計出爐之後套用到新服務上看看，得到結果再據此修正設計，然後再次用新服務看看反應。像這樣，快速啟動PDCA循環（循環式品質管理）。這麼一來，確實能讓分數越來越高。在減少時間和成本的情況下，仍能得到好的結果。
◎運用擁有的資料和分析獲得的知識，自家公司開發人工智慧系統
令人驚訝的是，開發這套人工智慧系統的竟然是PLUG副社長坂元英樹。坂元過去是市場行銷調查員，據說完全沒有程式開發相關經驗。
「委外的話一方面耗費成本，而且know-how會外流，因此最後還是決定內部自己嘗試。說起來真的滿辛苦，但只要有理想的開發環境，深度學習目前有很多資訊都是公開的，某種程度上確實能自行開發。如果沒搞清楚這一點就貿然委外，最後什麼都學不到。」小川表示。
PLUG的強項是在相同的規格裡擁有大量過去的研究調查資料。然而，小川表示，除此之外還有其他優勢。
「人工智慧的開發不是有程式和資料就行了，我們在評估包裝設計上，有很多過去累積的知識和見解。為了提高準確率，必須根據這些知識見解一步一腳印建立起訓練資料，然後持續不斷調整。」這才是該公司的優勢所在。
◎也可以進行「美味」、「可愛」等要因分析
二○二○年三月推出增加新功能的更新版本。在消費者問卷調查中設有自由作答欄位，這些以文字呈現的評價也作為調查資料大量保留下來。針對這類資料，用深度學習來進行自然語言處理，擷取關鍵字。
將「美味」、「感覺很高級」、「可愛」等關鍵字分別建立模型，藉由加上分析商品影像，就能知道這個包裝搭配哪個關鍵字會得到比較高的分數。由於能進行這類要因分析，非常有助於思考包裝設計的方向。
「用影像分析可以看出包裝的哪個部分反映在該關鍵字的加權上，並能以熱點圖來表示。我認為這套系統完成版本升級之後，對於設計決策會有很大幫助。」小川說道，同時展現未來開發的企圖心。
【SMBC日興證券 SMBC Nikko Securities Inc.】
了解股票投資組合的更換方式，讓總資產變成十三倍的機制
――――SMBC日興證券提供運用深度學習開發的協助投資服務「AI股票投資組合診斷」。服務上線半年來，用戶人數已經成長到四萬人。人工智慧會為一個月之後的股票預期收益評分，配合客戶持股提出適當的投資組合建議。由人工智慧提議個股的協助投資服務，在日本是首次推出。人工智慧建議的股票投資組合，能發揮多少實力呢？
這套系統是與人工智慧開發新創公司HEROZ（東京港區）共同合作開發。在SMBC日興證券可選擇兩種方案，一是顧客有專屬負責人並提供建議的「綜合方案」，另一種則是由顧客自行判斷之後直接上網進行股票交易的「Direct 方案」。「AI股票投資組合診斷」是針對「Direct 方案」顧客推出的免費服務。
「選擇『綜合方案』的客戶，我們可以因應得面面俱到，但仰賴自行判斷進行交易的『Direct 方案』客戶，未必能隨時獲得協助，很多人因此不再投資。這次我們最大的目標就是希望利用人工智慧來解決這個問題。」SMBC日興證券直效通路事業部長丸山真志表示。他進一步指出，自二○一九年三月二十九日服務推出後，已有四萬名客戶使用。
◎以排名方式預測一個月後的預期收益
無論是首次投資的客戶或已經持有股票的人，都可以使用這項服務。投資新手可選擇投資金額、想買的一檔股票，以及作為對象的目標市場。最後再設定股票投資的積極程度，也就是保本優先或積極運用，從投資態度來設定風險容許度。接著，靠人工智慧來提議除了先前自選之外的另兩檔股票。換句話說，這是一套包含三檔股票的投資組合。
這套系統最多提出三種模式，如果不喜歡人工智慧一開始的提議，也可以選擇其他建議。至於已經有持股的用戶，事先登錄目前的資產，然後和前者一樣，設定追加投資金額、對象市場和風險容許度之後，系統會建議再平衡（rebalance）後的投資組合。SMBC日興證券管理的股票可以自動同步，如果是在其他證券公司管理下的股票，也能手動登錄。
「將一個月後的預期收益以排名的形式列出預測結果來提出建議，這麼一來，最少會有一個月一次再平衡的機會。」丸山表示。
◎以過去的資料測試，總資產變成一二點九九倍
話說回來，人工智慧提議的投資組合究竟可以信任到什麼程度？丸山說明這套系統的實力。
「我們用二○一○年十二月一日到二○一九年二月一日的資料來測試。把採用這個架構的人工智慧提出的前十檔股票，製作成投資組合，比較操作後的資產總額，最後成長到高達一二點九九倍。若全額在日經平均指數操作，則是二點零九倍，效果顯而易見。」
該公司當初和負責開發人工智慧的HEROZ是在「SMBC Brewery」結識，這是三井住友金融集團主辦的一個開放式創新工作坊專案。HEROZ的高層不少人曾任職NEC。這間公司不僅擁有優異的人工智慧開發技術，另一項吸引人之處是熟知大企業的「作風」，能用共同的語言來溝通。
「AI股票投資組合診斷」的開發運用了深度學習。以十多年來的所有上市股票股價資料和結算資料來學習，總金額高達數億日圓。
「在考量本益比（PER）、股東權益報酬率（ROE）等各式各樣因素的情況下，要從結算資料與股價的複雜組合中找出『答案』，我認為這是因為有深度學習才辦得到。靠人工是無法處理的。」HEROZ的工程師棚橋誠說明。
究竟什麼樣的演算法讓總資產十年翻漲十三倍？棚橋回答：「細節無可奉告。」他能透露的只有一點，「如果要預測一個月之後的股價，上限值參差不齊而發散，統計處理非常棘手。不過，如果是用預測預期收益的排名，馬上變得很容易學習。」
◎深度學習擅長掌握非線性
除了「AI股票投資組合診斷」之外，二○一九年七月二十六日開始也提供「AI股價監看服務」。這項服務是由人工智慧預測一星期後的股價走勢，通知賣出時機。開發這項人工智慧使用的是機器學習而非深度學習。
「股價監看服務中每檔股票有各自的模型，相對比較單純，採用機器學習也能達到足夠的準確率。以道瓊工業指數三十家企業平均值和雇用統計等，用人工智慧來判斷這檔股票會受到哪些因素影響後，自動產生模型。另一方面，在股票投資組合診斷上，每一個模型都需要分析所有股票，相對複雜。例如，即使本益比相同，股價有時上漲、有時會下跌，代表本益比與股價之間呈現非線性關係。深度學習非常擅長掌握這類非線性關係。」棚橋說明。
未來將評估應用這項技術，發展出針對投資信託、債券等股票之外的服務。「以汽車領域來說，過去開始加裝動力方向盤或空調的時代，光是講到『哇，這輛車有動力方向盤』就是引人注目的話題。但現在成了理所當然，也沒人特別注意。同樣地，現在眾所矚目的人工智慧，未來運用在股票投資領域想必也會成為理所當然。」丸山對於人工智慧的廣泛運用表達期待。
【misosil】
以社群網站服務廣告揭發網紅不當行為，用人工智慧發現灌水的追蹤者
――――網紅在社群網站上有莫大影響力，判斷的標準是追蹤者人數。因此之故，追蹤者人數灌水的現象層出不窮。對於這種現象，misosil（東京港區）目前可做到有效監測，並運用技術展開暢銷的創意分析。
年輕族群高度關注 Instagram、Twitter，追蹤者多、對口碑影響力大的「網紅」的發文，從化妝品使用、衣著穿搭，甚至用餐選擇的餐廳，都與年輕族群的生活有深刻共鳴，舉足輕重。
換句話說，網紅推薦商品或店家，都具有廣告效果。網紅灌水追蹤者人數的不當行為，引發社群網站上廣告的問題。致力開發社群網站分析服務的misosil提供了一項新功能，使用深度學習來檢測網紅這類不當行為。
misosil的社長木村忠雅表示，「社群網站上的廣告刊登，網紅的追蹤者人數是一項指標。如果追蹤者人數有不當灌水的狀況，廣告主無法獲得付費相對應有的效果。希望有個新的社群網站廣告正確指標，因此我們認為需要一項功能來驗證網紅的不當行為。」
最近不少網紅花錢買追蹤者人數，企圖藉此獲得高報酬。「幾年前我們慢慢發現這個問題，就是所謂追蹤者人數這些指標究竟是不是真正的數字。廣告主這方的意見也出現越來越多質疑的聲音。於是，二○一八年底正式著手開發這項檢驗不當行為的功能。」木村提到研發的背景。
◎社群網站效果測試服務採用機器學習
misosil創立於二○一五年八月，包括木村在內的多位高層當時任職於瑞可利（Recruit）。隔年二○一六年，獲得GMO Venture新創援助資金，正式展開運作，並以分析社群網站服務「Tofu Analytics」為核心推動業務。
Tofu Analytics提供的服務是針對使用Instagram、Twitter的行銷行為，鎖定對資訊傳播有幫助的網紅加以分析。透過帳號發文數量、品牌名稱和主題標籤等關鍵字的發文可視化、轉發與「讚！」的數量等分析，鎖定對活動有貢獻度的網紅，協助用戶企業進行行銷活動。Tofu Analytics主要的演算法採用機器學習，將發文內容分類為正面發文和負面發文。至於新增的「附加功能」，也就是網紅不當行為檢測功能，使用的則是深度學習。
目前已有大型廣告商採用這項服務，分析廣告的效果；旗下有眾多演藝人員的經紀公司，也導入這套系統分析藝人在社群網站上發文的效果。最新開發出的檢測不當行為功能，以這項服務的附加功能形式提供。在原本測試網紅廣告效益的服務上多加了這個新功能，可事先判斷網紅是否有灌水追蹤者人數的不當行為，並提供報告，藉此執行準確率更高的網紅行銷策略。
即使對灌水追蹤者人數的網紅發文支付報酬，當然也不可能達到期望的效果。這些灌水的追蹤者大多從國外購買，「表面上有十萬名追蹤者，但轉發量卻極少，完全看不出十萬的實力」，這種情況時而發生。類似這種灌水網紅，實際上看到貼文後多半能分辨。
「檢查發文和圖片內容、時間軸的內容變化，或是從過去發文的『按讚』數以及轉貼分享等互動狀態與追蹤者人數的比例來檢視，就能大致判斷出灌水網紅。不過，有些類型就算用人力判斷也覺得遊走在灰色地帶，因此我們才想到開發以深度學習自動化檢視過去人工判斷的不當灌水行為。」木村說明。二○一八年底剛好稍有餘裕，一行人自行嘗試開發。
◎可達到人工判斷「正確答案」的約九成，由自家公司開發
開發是在公司內部進行。程式使用 Python 撰寫，深度學習函式庫運用包括Google的應用程式介面（API）加上現有資源的複合技法，以獨特量身定做的方式來運作PDCA循環。
訓練資料主要使用Instagram的資訊，包括張貼照片拍攝的內容、使用者屬性、年齡和居住地等個人資料、追蹤者人數、貼文數等數值資料。至於「歡迎兼差」、「投資物件介紹」之類有別於一般社群網站使用者貼文的另類帳號，連文字內容都讀取。準備好這些資料集後，以人工分辨是否為灌水網紅，用「土法煉鋼」（木村的說法）的方式來建立正確資料。
剛開始遲遲無法提升準確率，木村回顧，「這其實是艱難的挑戰。」該使用哪一項資料才好，過去的資料要看多少才夠……不停反覆試誤學習，過程中慢慢提升準確率。等到獲得一定的準確率之後，在訓練資料中「正確答案」是否為不當行為的區分作業上，再加入深度學習得到的答案中準確率較高者，藉此增加資料集的數量，持續學習。
◎達到超過人工九成的準確率
以人工判斷的灌水網紅作為「正確答案」，相對之下，深度學習的判斷已經可達九成至九成五的準確率。木村表示，到了這個階段覺得開始上軌道。當初利用工作之餘開發，經過將近三個月總算有了進展。
「判斷灌水網紅的作業，即使人工來判斷也不可能百分之百正確。如果運用深度學習，與人工作業相較之下，可以獲得超過九成同樣的答案，製作檢測不當行為的輔助資料就有相當的意義。」事實上，讓現有客戶試用運用深度學習的不當行為檢測系統，「普遍的反應都表示能夠接受。」（木村）
有了這番成果，misosil正式提供服務。二○一九年五月，該公司公布以深度學習檢測網紅不當行為的功能成為Tofu Analytics的「附加功能」，全新上線，大力推銷。
◎不當行為的分布依商品和領域而異
公開網紅不當行為檢測功能後，misosil收到相當多詢問。「因為『misoshiru』（味噌湯）這個日本人一定忘不了的公司名稱，加上以全球通用的『Tofu』（豆腐）作為商品名稱比較少見，我們收到將近百件詢問。在這之前，Tofu Analytics有幾十位用戶，檢測不當行為的報告也有幾十件。當初我們認為有必要性才投入，看到這些反應很欣慰。」（木村）
目前不當行為檢測功能已經有一些大企業和大型廣告商採用。有些以Tofu Analytics分析活動效果時，事先一併使用不當行為檢測功能，採取綜合用法；或者只單獨使用不當行為檢測報告的功能，方式各有不同。
事實上，提供這項服務之後，「發現反應分成兩種，一種是灌水網紅『比想像中多』，另一種則是『比想像中來得少』。從反應的差異得知，灌水網紅多寡，與商品和領域有關。不當行為較多的領域，建議可事先進行檢測，雖然多少得花點費用，但能找到優質的網紅比較有利。」（木村）
回顧一開始的目的，是想揪出網紅本人刻意購買追蹤者帳號灌水的不當行為，但隨著深入分析，發現也有使用者正常發文，但由於熱情追蹤者支持而擅自購買帳號為網紅灌水追蹤者的案例。針對這類情況，也需要判斷出來，才能分辨出與投入成本效益真正相符的網紅。
木村表示，「資料怎麼解讀，就看廣告商的判斷。但我們希望藉由觸及未必正確的現況，讓客戶使用正確的指標來作為判斷依據。另一方面，要讓從事不當行為的網紅知道，這種行為很難繼續下去。」
misosil運用深度學習將檢測不當行為的功能實用化，下一步的發展是開發出以競爭對手角度來分析社群網站廣告創意內容的機制。以深度學習擷取出影像用於什麼用途，或是以什麼樣的文字為訴求等，分析出最直接有效的創意手法。
「機械能做的事情就交給機械。我們希望空出的時間去做些只有人力才能完成的事。」木村表示。不當行為的檢驗或有效創意的分析，都能利用人工智慧作為工具，同時將人力投入於深入思考，獲得更好行銷效果。不久的將來似乎能實現這種社會。
瀏覽器，並以Chrome開啟我的電子書櫃後，點選『線上閱讀』，即可閱讀您已購買的電子書。建議使用 Chrome、Microsoft Edge有較佳的線上瀏覽效果。
2024專利防護中