Select Columns Layout

大東建託

大東建託的導入事例:
利用機器學習與 Google Cloud Platform 削減 70 %工作時數


擁有業界最多的物件登錄數、大東建託的房屋物件搜尋網站【Good Room Net】,不僅擁有大量的物件,而且在刊登房屋照片上,也花費了很多時間與勞力。對於這個問題,透過了機器學習的房屋照片自動刊登系統得到了很好的解決。關於這次的系統開發,我們採訪了擔任系統開發的大東建託租賃的社長、2位大東建託行銷部負責人員,以及支援開發工作的 BrainPad 公司(以下簡稱 Brainpad)的兩位人員。


大東建託集團以【租賃經營委託系統】 為事業中心,展開了建設事業和不動產事業,目標是為業主提供穩定的房屋租賃業務以及為入住者提供安心.安全的居住環境和便利的生活。目前,大東建託集團管理的物件數為110萬戶,租賃仲介業務的件數為21萬件。兩個業績都是業界第一。另外還有經常在電視上看到廣告,顛覆一般租賃住宅常識,能為大家創造快捷豐富的新住環境綜合品牌【DK SELECT】,另一個是提供包括日語在內共7國語言的房屋物件搜索網站【Good Room Net】。

Good Room Net 以前只刊登公司自己管理的物件訊息,但是現在已經可以提供包括其他公司管理的物件,幾乎刊登了日本所有的房屋物件情報,目前已經達到了110萬件以上。近藤先生說「目前大約有7成的客戶諮詢都是來自網路,在這樣的情況下,充實 Good Room Net 的房屋物件情報是必要的,其中房屋物件照片的刊登更是不可少的。」

日本全國238家店鋪的800多名業務人員,親自前往刊登在 Good Room Net 的房屋物件,並實地拍攝照片,每個房屋都拍攝30-40張照片,回到辦公室後再一件一件上傳到 Good Room Net ,所以花費了很多維護物件情報的時間。另外,由於是手動作業,總是會發生一些失誤,例如把客廳照片上傳到應該是廚房照片的地方。守先生回顧了當時的情況說到「現在是客戶更了解這些房屋情報的時代,我們如果讓客戶自己將房屋情報交給我們的話,可以得到品質更好的情報。儘管我們必須確保照片的張數,但是隨著物件數量的增加,手動操作已經沒有辦法對應如此龐大的情報量了。而且還必須考慮如何減少手動作業的失誤以及 Good Room Net 的營運維護效率。”

為了解決這個課題,我們在 Google Cloud Platform(GCP) 上構築了活用機器學習進行自動上載房屋照片的系統。2018年6月開始,首先在19個營業處開始在自己公司管理的房屋物件上進行了運行實驗,7月開始在全部的店鋪展開運用。從2019年1月開始,不止自己公司管理的物件,包含其他公司的房屋物件也開始運用物件照片自動上載系統。每年大約有30萬件的登錄作業,因為透過採用物件照片自動上載系統,每個物件只需花費大約5-10分鐘就可以完成登錄作業,比過去減少了70%的工作時數,每個月可以累計減少約3,000個小時的作業時間。


機器學習用 Software Library TensorFlow 實現圖像的自動分類


這次開發的房屋物件照片自動上載系統,是採用 UserApplication 的開發、以及實行環境的 Google App Engine ,並且使用進行批次處理與分析用伺服器的Google Compute Engine。另外,使用 Google Cloud Storage 作為 Online Storage 存放物件的圖像,物件圖像的屬性情報也在 Cloud SQL 裡面進行管理,並從 Goolge Stackdriver 進行整合管理這些 GCP 環境。


物件照片自動上傳系統是先將房屋的照片進行分類,分為廚房、臥室、浴室、玄關等21種類別,之後再自動將物件照片上傳到 Good Room Net 。這裡使用的圖像自動分類技術是通過TensorFlow來實現。遇到分類錯誤的地方就自動存儲修正紀錄,再藉由 BrainPad 的數據科學家進行機器學習,從而提高分類的準確度。


柿原先生說「過去是要到實地拍攝物件的照片,將 SD 卡的照片儲存到電腦裏,然後一張一張地進行分類整理後上傳到網頁。如果一個物件有20張照片,那麼上傳的作業要反覆操作20次。更麻煩的是,同樣的工作要在數十個物件上反覆進行。現在的話,只要將整理好的物件照片拖曳到物件自動上載系統的位置,就可以自動將照片分類和上傳了。」


開發過程中最關鍵的地方是,如何為沒有使用過機器學習的業務人員提供簡單的操作環境。另外,學習了錯誤情報後,會無法獲得更好的準確率度,因此提高學習源的情報品質也是一個關鍵點。由於每個店鋪的準確率都不同,對於手動操作時發過3成左右失誤率的店鋪來說,透過導入物件自動上載系統實現了9成的準確率。


近藤先生又補充了以下的說明「如果業務人員都將時間都花費在刊登照片上的話,就會減短與客戶洽談的時間。透過物件刊登作業的自動化和效率化,增加了與客戶洽談的時間也有顯著的效果。因此,我們也很期待可以提升顧客服務的品質。」


守先生說「現在已經不是一個埋頭花費時間去工作的時代了,因此如何增加物件的契約數,變成了一個重要的課題。增加員工人數是很簡單的工作,但是這樣會增加成本而無法使利益成長。如何不增加員工人數的同時發揮最大的效率,是目前工作方法改革的一個經營課題,因此我們認為藉由機器學習進行物件照片自動上載系統,對工作的自動化與效率化能發揮非常好的效果。」


Google Cloud Platform Partner 的支援服務


這一次,協助我們開發物件照片自動上載系統的是 BrainPad Inc. 。決定選擇 BrainPad 的柿原先生說:「我們在尋找可以開發物件照片上傳系統的開發商時, Google Cloud 的負責人為我們介紹了 BrainPad 公司。該公司擁有80多位數據分析科學家,並且在藉由人工智能(AI)來解決商務問題的支援案例方面有很高的評價。我們想既然有這麼多的案例,那應該沒有其他更好的選擇了。」

另外,塚原先生為我們介紹了開發時比較費功夫的重點「這一次,作為一個圖像分類的範例,我們使用稱為 CNN(Convolution Neural Network) 的方法。在 CNN 中,我們還使用了一種叫做 VGG16 的算法,並且通過轉移學習的方法,在其他的數據中學習的內容,也可以在追加數據中再學習。學習速度比較快的算法,從2017年9月開始,我們使用2,000~4,000件數據,來驗證數週時間可以達到多高的準確度。此外,2018年1月開始,使用了超過10萬件以上的數據,在一個月半的短時間內就完成了對圖像種類的再定義,並且構築模型以及實行驗證。」

對於今後的工作,早川先生說到「AI 和機器學習有許多還在試驗和PoC(概念驗證)的階段,但是到目前為止的業務好好地活用,運用大約1年且效果有提升的案例並不多。對於 Business Impact 來說,我認為這是一個很好的案例。今後,我們還想使用 AI 和 Google Cloud Vision API 來自動淡化映入在物件照片裡的車,以及使用 Google Maps API 來分析物件的周邊情報,以及目前還需要手動處理的作業都進行自動化處理。」

公司簡介

公司名稱

大東建託

大東建託-logo
Cell
Cell
Cell
Cell
Cell
Cell
Cell
>