Uncover FashionAI technology

1. レコメンデーション技術から始める

ユーザー行動

レコメンデーション技術から始めます。まず、ユーザー行動に基づくレコメンデーションです。これにはユーザーのクリック行動、ブラウジング行動、購入行動が含まれます。レコメンデーション技術はユーザーが商品を発見する効率を向上させ、企業の売上増にも貢献してきました。しかし、レコメンデーションの効率が一定レベルに達すると、ボトルネックが現れます。たとえば、トップスを購入した後にトップスを推薦し続けるようなケースです。この問題は長年批判されてきました。ユーザー行動に基づくアプローチでは、この問題を改善する方向に発展していきます。

ユーザープロファイリング

次にユーザープロファイリングです。多くの人がユーザーインサイトに取り組み、正確なユーザープロファイリングを構築しようとしています。しかし、私はユーザープロファイリングに対して常に懐疑的でした。たとえば服を買う場合、ユーザー行動データとしてブラウジング、クリック、購入を取得できます。しかし、ユーザーの肌色、身長、体重、サイズが分かったとしたら、そのプロファイリングは行動データだけのものよりどれほど正確になるでしょうか。つまり、現在行われているユーザーインサイトやユーザープロファイリングは、実際にはかなり大まかなものです。

知識グラフ

第 3 に、知識グラフを構築して関連レコメンデーションを行う方法もあります。たとえば、釣り竿を購入したら他の釣り具を推薦し、カーライトを購入したら他のカーアクセサリーを推薦するといった具合です。しかし現時点では、関連レコメンデーションの効果はまだ十分ではなく、多くの課題が残っています。

以上がレコメンデーション技術で通常考慮される事項です。では、アパレルレコメンデーション分野で他にどのような可能性があるか見てみましょう。オフラインのアパレル店舗で、ショッピングガイドの重要な役割は何でしょうか。それは関連購入です。顧客が服を 1 着購入するだけではショッピングガイドの成果には含まれず、関連する他の服を追加購入してもらうことで初めて成果としてカウントされます。つまり重要なのは関連購入です。関連購入の重要なロジックはコーディネーションにあります。特定の分野でレコメンデーションを行う場合、その分野固有のロジックが必要です。それは日常生活で自然に行われているロジックです。

2. なぜ業界知識の再構築が必要なのか

次に、どのように良いコーディネーションを実現するかを見ていきます。多くのユーザーがうまくコーディネーションできない理由は、多くの知識と経験が必要だからです。服の属性とデザイン要素が出発点であり、その精度と充実度が十分でなければなりません。不十分であれば、信頼性の高いマッチングはできません。

知識グラフの典型的なケースでは、人間の経験やユーザーデータを通じて多くの知識ポイントを接続します。知識グラフの知識ポイントの生成は、常識に基づくものが多くなっています。たとえば、「私」という人物がいて、友人は誰で、上司は誰かといった関係です。「私」という知識ポイントは常識を通じて生成されます。

もう 1 つの手法としてエキスパートシステムがあります。たとえば、ある分野の専門家として認められた人々が蓄積した専門経験を活用するものです。各分野には専門家が存在します。医療分野の医師などがその例です。エキスパートシステムは、知識グラフが台頭する以前に人工知能で一般的に使用されていた手法です。

さらに、知識ポイントにはもう 1 つの基礎的なレイヤーがあります。知識ポイント自体に問題があれば、その上に構築される知識関係にも問題が生じます。この基盤の上で AI アルゴリズムを実行しても十分な効果は得られず、これが人工知能の実装を困難にしている理由の 1 つかもしれません。この知識ポイント体系を再構築する勇気を持つ必要があります。

Taobao の例を引用します。下図の上半分は、運用スタッフやデザイナーの知識体系です。「襟タイプ」の例で、丸首、斜襟、セーラーカラーなどがあります。構造がフラットで散在していることが分かります。以前は知識が人から人へと伝えられていました。特にデザイナーグループのような小さなコミュニティでは、知識は曖昧なままでもコミュニケーションできれば十分でした。医師の走り書きを他の医師は理解できますが、患者には読めないのと同じです。多くの知識は人間同士のコミュニケーションに使われており、曖昧さや不完全さが多く含まれています。たとえば服装スタイルで、「職場スタイル」と「ニュートラルスタイル」というラベルは視覚的に区別がつきません。人間の視覚で区別が難しいのに機械認識の精度が 80% を超えるのであれば、どこかに問題があるはずです。

もう 1 つのカテゴリとして、ラベル付けする人自身の理解に問題がある場合があります。極端な例ですが、Taobao の商人が服にラベル付けしていた時期、レディースの半分が「韓国バージョン」とラベル付けされていました。しかし実際には韓国バージョンではなく、ただ売れ筋だからという理由でした。これは商人のラベル付けが完全に正確ではないことを示しており、画像から直接判断する必要があります。

3. 機械学習のための知識再構築

過去数年間、Taobao と Tmall のアパレル運用チームと協力し、運用知識を統合して体系化しようと試みましたが、まだ十分ではありませんでした。昨年、FashionAI コンペティションを開催し、香港理工大学の服飾学科と協力し、その後北京服装学院や浙江理工大学とも連携しました。しかし、服飾専門家から直接得た知識体系では不十分でした。必要なのは機械学習向けの知識体系だからです。機械は 0 と 1 への明確な分類、完全性、曖昧さのなさ、視覚的な区別可能性といった条件を満たす必要があります。私たちがまとめた原則をできる限り満たさなければなりません。

これまで散在していた知識を分類ロジックに従って整理します。たとえば襟の場合、生地、デザイン手法、ネックラインの縁という複数の次元から細分化し、散在していた知識ポイントを統合します。最初はバラバラだった知識が、最終的には階層的な構造として整理されます。レディースファッションの常用属性を整理した結果、206 種類になりました。これには「人気デザイン手法」のようなオープンで拡張中の属性は含まれていません。この「整理」は想像以上に複雑で、3 〜 4 年を要しました。知識自体の検討に加え、各知識ポイントに対応するデータ収集の難易度と必要性も検証する必要があります。たとえばレディースのスーツ襟は 9 種類に細分化できますが、視覚的にほぼ区別できないため、レディーススーツ襟の粒度で留め、それ以上の細分化は行いません。

属性が有効なモデルを学習できるかどうかは事前判断が難しい場合があります。その際は属性の定義を複数回反復修正し、再定義してからデータ収集とモデル学習をやり直し、モデルが要件を満たすまで繰り返します。知識の再構築完了後、十数種類の属性の認識精度が平均して 20% 向上しました。これは非常に大きな改善です。

現在、206 種類のレディーススタイル、166 種類のセマンティックカラー、素材、シーン、気温などの知識体系を構築しました。色の定義について説明します。ファッション業界では「黄色」というだけではほとんど意味がなく、「レモンイエロー」のように具体的に指定して初めて意味を持ちます。昨年はレディースでレモンイエローが流行しました。RGB カラーは 256 × 256 × 256 で、Pantone カラーテーブルにはアパレル関連の色が 2,310 色ありますが、これらは色番号だけで消費者には理解できません。そこで北京服装学院と協力して、セマンティックな対応関係を持つ 560 種類のレイヤーを構築しました。さらに、色で衣服を分類するには細かすぎるため、もう 1 つの 166 種類のレイヤーを構築しました。「レモンイエロー」や「マスタードグリーン」のようなセマンティックカラーで、この段階で初めて消費者が理解できる表現になります。

照明の問題や色差の問題など、まだ多くの技術的な課題があり、困難も少なくありません。ここでは主に機械学習のための知識再構築についてお話しします。

4. AI が知識再構築という大規模プロジェクトを可能にした

次の課題は、206 種類のレディーススタイルに対応するデータ収集とモデル学習をどのように完了させるかです。しかも、1 つの定義に複数回の反復修正が必要な場合もあります。

たとえば下図の袖スタイルは「ウインドベルスリーブ」と呼ばれます。適切なデータセットには約 3,000 〜 4,000 枚の画像が必要です。高品質な画像を十分に収集することは大きなチャレンジです。2016 年、3,000 〜 4,000 枚の高品質なデータセットを構築するには、10 万枚以上の画像にラベル付けする必要があり、アノテーションの保持率はわずか 1.5% でした。当時の手法は学術界と同様で、まずキーワードで大量の画像を検索し、その後ラベル付けするというものでした。ウインドベルスリーブの画像を十分に見つけられない可能性が高く、ラベル付けされていなければ検索もできません。したがって、知識の再構築は大きなチャレンジでした。以前は誰も取り組もうとしなかったのは、そもそも実現不可能だったからです。

2016 年、1 つの属性認識を完了するのに 200 日を要しました。これには定義の反復修正に費やした時間も含まれます。2017 年には 40 日、2018 年には 2.5 日、現在では約 15 時間に短縮され、2019 年末には 0.5 日への短縮を計画しています。これは大きな変革であり、私たちは「少数ショット学習」を提案しました。約 3 年前、学術界でこの課題を提起する人はまだ少なかったのですが、私たちは現場の課題として直面していたため、解決に取り組む必要がありました。

学術界では「少数ショット学習」や小規模データ学習が議論され、少数のサンプルから直接良いモデルを得る方法に重点が置かれています。私たちのアプローチは異なり、回り道からアプローチします。

現在、レディースファッションの 96 種類の常用属性を完了しました。少数サンプル学習ツール SECT (Small, Enough, Comprehensive) を使用し、「少ない」から「十分」へ、「十分」から「十分に良い」へと進化させています。SECT の最も重要な点は、FashionAI ビジネスだけでなく、汎コンテンツ認識にも対応できることです。正確に言えば、「単純なコンテンツ分類」タスクで優れたパフォーマンスを発揮します。

汎コンテンツ認識の領域では、SECT システムを使って 70 以上のタグ認識を完了しました。たとえば「イラスト、バルコニー、足元」といったタグです。ビジネススタッフとアルゴリズムスタッフの働き方を変え始めました。ディープラーニング以前、ビジネススタッフはアルゴリズムスタッフに認識モデルを依頼できませんでした。開発サイクルが長すぎたからです。何かを識別するためには、アルゴリズムスタッフと議論し、手動で特徴量を設計してもらう必要がありました。実用可能なモデルを完成させるには、最低でも半年から 1 年かかりました。これが以前のモデル開発の姿でした。2013 年にディープラーニングが普及すると、この問題は変化しました。アルゴリズムスタッフは「ディープラーニングの現在では、十分な画像を収集してくれれば良いモデルを設計する」と言うようになりました。モデルの精度が悪い場合はデータ品質の問題とされます。この段階で、運用側が 5,000 枚の画像を収集しようとすると、依然としてコストが高いことが分かりました。

現在、SECT を使っても機械ビジョンの「検出」問題を解決するのは難しく、検出タスクは少数サンプル問題ではなく、「弱監督」問題として捉えるべきだと考えています。弱監督は少数サンプルとは異なります。

5. 将来への展望

ビッグデータは 2 種類に分類されるべきだと考えています。1 つは、ビジネス洞察やパターン分析が大規模データ上でのみ可能な「真のビッグデータ」です。もう 1 つは、現在の機械学習能力が不十分なため、モデル生成に大量のデータが必要な「疑似ビッグデータ」です。AI の能力が向上するにつれ、必要なサンプル数は減少していくはずです。

過去の企業は顔データなどの大量データを保有していることを宣伝し、データを資産と見なしていました。この考え方は徐々に否定されていくでしょう。AI の能力はますます向上し、必要なデータ量は減少していくからです。SECT はどこまで進化できるでしょうか。中堅レベルのアルゴリズムスタッフは不要になり、ビジネススタッフが 10 数枚 (50 枚以下) の画像をシステムに提供するだけで、モデルがすぐに返ってくるようになるかもしれません。使いやすさをテストし、不十分なら反復学習で改善します。以前のラベリング、学習、テストの各フェーズがこれほど離れていた時代とは異なります。現在、反復はますます高速化しています。反復を時間単位や分単位まで短縮できれば、それは人間とコンピューターのインタラクティブな学習システムとなり、将来大きな変革をもたらすでしょう。

Taobao のコンテンツプラットフォーム運用チームは、過去 2 カ月でそれ以前の 3 年間よりも多くのモデルを作成しました。グループ内のアルゴリズムスタッフも属性認識以外のさまざまな課題解決に SECT を活用しています。たとえば、シリコンバレーへ出発する前に、チームは写真の人物が立っているか座っているか、肌の色が濃いか薄いかなどの識別を必要としていました。短期間で 6 つの識別モデルを作成する必要がありましたが、現在では 1 〜 2 週間でモデルをオンライン化でき、精度、再現率、汎化能力もすべて要件を満たしています。過去にはこの作業に 1 年近くかかり、ほぼ不可能でした。

ディープラーニングの限界については、ビッグデータが必要、解釈可能性の欠如など、業界内の多くの人がまとめています。今後数年間で、「サンプル」や「解釈可能」といった概念について新たな理解が生まれると考えています。昨年、朱松純氏が編集した「Visual Exploration」誌に「実用的な画像データセットの作り方」という論文を掲載しました。今年はその続編として「実用的な画像データセットの作り方 (2)」を執筆する予定で、少数ショット学習に関する経験と展望を詳しく述べる予定です。