先々週になりますが、こちらでは特に仕事をしている女性の方に人気のあるStitch Fixという服のパーソナル・スタイリング・サービスを提供しているシリコンバレーのスタートアップがIPO（株式公開）をしました。スタートアップの世界ではIPOは大きな成功のマイルストーンという意味があるので、たいへん盛り上がっていました。

この会社はこの業界では初であるChief Algorithm Officerという職を設けて、AIを使ってパーソナル・スタイリングを効率化させていくということを最初の段階からやってきたデータサイエンス先進企業です。

普通の会社ですと、データサイエンティストはサイドから分析サービスを提供するという立場が多いのですが、ここでは会社の中の主要なポジションを占め、さらにこの会社のビジネスにとってもっとも戦略的で価値のあるモノを作っている主体がデータサイエンティストです。こうしたStitch Fixのようにデータサイエンティストが異色人種だとみなされるのではなく、会社の主要なポジションを占める会社がシリコンバレーに増えてきているというのは、これからの５年、１０年を考えたときには無視できないトレンドだと思います。

ところで、Stitch FixがどのようにAIを使ってパーソナル・スタイリングを行っているのかというのをこちらのページでアニメーションを使ってわかりやすく説明しています。

先週もお伝えしましたが、ここでもAIで全てを自動化するのではなく、プロのスタイリストがAIを’パートナー’として使うことでより効率的にスタイリングを行い、よりクオリティの高いサービスをより多くのお客様に提供できるといういい例だと思います。

彼らはAIを使ってどの服をどの顧客に送るかというレコメンデーションを行っているのですが、こうしたレコメンデーション・エンジンを作るときは一般的に協調フィルタリングというテクニックが使われます。つまり、今までの顧客のフィードバックをもとに（例えばどの映画を見たか、好きかなど）、顧客名と製品名（映画の名前）のマトリックス（碁盤のようなもの）を作ります。そうするとそれぞれの顧客がまだ見ていない映画というのがたくさんあるので隙間の多いマトリックスになるわけですが、そこをクラスタリングのテクニックなどを用いて埋めていくわけです。こうして、あなたが気に入った映画を過去に気に入った人は他のこういった映画を気に入っていますよというレコメンデーションをすることができるわけです。

ただ、この手法にはコールド・スタートという問題があります。つまり、まだサービスを使い始めてばっかりの人はそもそもレコメンデーションするための過去のデータが全く無いわけです。しかしStich FixのようなAIを使ったパーソナル・スタイリングを売りにしているサービスの場合はこの問題は死活的になります。なぜなら、サービスを使い始めてから、最初の２、３回の間で自分のスタイルに合った気にいるようなものが送られてこなければ結局はそのサービスを使うのを止めてしまうからです。

そこでStitch Fixは最初に顧客がサインアップした段階で、スタイルに関しての細かい質問をします。さらに在庫の服に関してもたくさんの属性をスタイリストが登録していきます。

ただ、人に自分の服の嗜好を説明しようとしても難しかったりします。自分の好きなものを見た時は”これだ！”となりますが、なぜそれが好きなのかを説明するのは難しいからです。そこで、顧客が好きな服のイメージ（ここでは、Pinterestなども活用しているようです。）そのものをデータとして扱い、それに似たようなものを在庫から探して来るようです。ここではやはりディープラーニングを使っています。

さらに顧客のリクエストやフィードバックの記述テキストを自然言語処理の手法を使って数値データに落とし、それをもとにそれぞれの服、顧客にスコア（得点）をつけているようです。 こうしたAIによる服、顧客に対するスコアをもとにした情報は、最終的にそれぞれの顧客に割り当てられたスタイリストに渡され、これを参考にしてスタイリストは最終的に何を顧客に送るかを決めるわけです。

AIであれば、どのコンピュータでも同じですが、人間はもっと多様です。人間のスタイリストの場合は顧客によって合う合わないがあるので、このスタイリストと顧客のマッチングにもAIを使っています。これをするのに、まずは現在空いているスタイリストと発送をリクエストしてきた顧客のマッチングをスコアリングします。これは、もちろん今までの履歴も参考にしますが、そういった履歴そのものがない場合が多いので、顧客のスタイルの好みとスタイリストの好みをもとにマッチングします。

先程も申しましたが、人間とAIのパートナーはお互いを補完するところから始まりますが、Stitch Fixはその辺をしっかりと認識してうまくやっています。

AIはパターンをもとにした計算や学習は得意ですが、即興、社会的な常識（空気を読む）、顧客の気持ちを理解するといったタスクは得意でありません。そしてこうしたタスクこそは人間が得意とするものなので、ここでは私達のスタイリストが人間にしかできないようなコンピュテーション（計算処理）を行うわけです。

そして、AIまたは機械学習の予測モデルはフィードバック・ループというのが死活的に重要になりますが、実はここをうまくデザインできているからこそ、Stitch FixがAIを使って高いクオリティのサービスを提供できるのです。

彼女（顧客）が送られてきたパッケージを開けると、気に入ったもの以外は送り返すことになります。このタイミングで彼女がそれぞれのアイテムに関してどう思ったかをフィードバックとして私たちに言ってきてくれるのですが、この時に顧客と私達を結ぶ重要な関係が生まれます。ここでの洞察に満ちたフィードバックが次回の彼女に対するサービスの向上だけでなく他の顧客に対するサービスの向上にもつながるのです。

ファッションをアナリティクスと機械学習を使って解明する

もう一つ、少し前の記事になりますが、Stitch Fixでスタイリング・アルゴリズムのディレクターをやってるBrad Klingenbergのインタビューがこちらにあります。

こちらは前述のようなシステムを実際に作っている現場からの、もう少し足を踏み入れたインサイトが得られます。

例えば、私達のマーチャンダイジングのチームは新しい在庫を買う時にそれぞれのアイテムをかなり詳しく記述し、構造的なデータを作りだします。これは簡単なことではなく、ファッションの専門家の時間を必要とします。このデータをしっかり作るのはものすごく重要で、何が顧客が最終的に送られてきたものを気に入るかどうかに影響するのかを理解していなくてはいけません。服のサイズが会うだけではなく、それが顧客の要求するスタイルと値段に合うか、また彼女がすでに持っている他の服に合うかということが重要になります。

もう一つ重要なことは私達の顧客は私達とゴールを共有しているということです。これが実はものすごく重要です。顧客は私たちにいい仕事をしてもらいたいと思っていて、さらにフィードバックをもとに私たちにさらに良くなって欲しいと願っているわけです。こうした動機が、彼女たちが具体的で丁寧なフィードバックを私達に提供することを促します。そしてこれこそが私達のビジネスにとってもっとも重要な情報なのです。

最後にStitch Fixの求めるデータサイエンティスト像がこちらに。

この仕事をするにあたって二つの重要な素質があります。一つは問題をしっかりと定義した上でモデルを作ることに対してどれだけ熟練であるか。もう一つは不確定（あいまい）ということにどれだけ平気でいられるかということです。一つ目はデータとモデルに関する仕事の経験を積むことで得ることができます。ビジネスの問題を理解できてそれをデータを使って解決するためのアプローチを提案できる人材を私たちは求めています。最高の人材は、シンプルなソリューションが正しいものであるということが分かっていて、こういう時に取るアプローチを必要以上に複雑にしない人です。

今日は簡単にシリコンバレーの中でも得にデータの使い方が上手いStitch Fixという会社がどうやってAI をスタイリストのパートナーとしてうまく使っているのかということを簡単にまとめてみました。これから、こうしたAI・データサイエンスを使った新しい会社が既存のビジネス、会社を淘汰していく流れは加速度的に早くなると思います。そうしたサービスの顧客としてはエキサイティングでワクワクしますが、そうしたサービスと競争していかなくてはいけなくなる多くのビジネスにとっては隣の火事としてのんびりとはしてはいられないと思います。

なんといっても、ほんとに心配しなくてはいけないのは、AIに仕事を乗っ取られるかどうかではなく、AIをパートナーとして使う人、ビジネスに仕事を乗っ取られるかどうかなわけです。そしてそれは、起きるかどうかというよりも、いつ起こるのかという問題なのです。

皆さんもデータサイエンスをしっかり習得して、来るべき将来に備えていただきたく思います。