AI改變世界之勢已不可擋，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。
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。
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。
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？
AI股票診斷
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。
設定投資目標
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。
人工智慧深度學習
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。」
AI監看股價
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。
驗證網紅行為
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。
社群網站採機器學習
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。
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。
人工判斷灌水
「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。
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。」
《向AI贏家學習！》
作者：日經xTREND
出版社：臉譜
出版日期：2021/01/07