大數據文摘出品
作者：劉俊寰
「比起管理，或許研究和工程方面的工作更適合我。」
在一家從事產品包裝研究和設計的公司擔任副社長的坂本英樹如此感嘆道。
50多歲，文科背景，一家市場調查公司的社長。
這幾個標籤和AI似乎看上去並沒有什麼關係。
但是，坂本英樹現在所在的公司Plug正在開發一款AI服務「Package Design AI」，簡單來說，這是一種能夠評判包裝設計的AI。目前包括卡樂比和日本雀巢在內的多家大型食品製造商都已經將其正式投入商用了。
利用「Package Design AI」評估卡樂比兩個產品的新包裝。
在雀巢的一個系列產品中，用熱圖評估了消費者關注的地方。
儘管這個AI服務是與東京大學的聯合研究項目，但實際上從編程到實際測試以及最終的落地，全部都是坂本英樹一個人完成的。
開始這個項目之前，坂本說，「我連Python是什麼都不知道」。
那麼副社長坂本英樹到底是如何入手開發AI服務的，又是什麼促使了他選擇獨自開發這款項目，趕快和文摘菌一起來揭秘吧。
如何進行資料庫和設計的數字化轉變
如果先告訴你，Plug是由兩家公司合併而來的話，或許會更好理解公司如今的發展和抉擇。
1957年，坂本的公司還在從事市場研究，現任Plug社長小川亮從1989年以來就一直從事包裝設計，兩家公司與2014年合併，目前約有70名員工。
或許你會疑惑，為什麼一家設計公司會和市場研究公司合併，這是因為調查消費者反應的時候，他們對於產品包裝設計持何種感情十分重要。
比如說，假設剩下兩個最終的設計候選方案A和B，當決定使用哪種方法時，傳統的方法是讓數十至數百個消費者聚在一起，收集他們的意見和想法，統計得出哪種方法更得人心。
換句話說，大多數產品包裝都是由客觀數據確定的，「這是因為它在市場上更受歡迎」，而不是某種主觀因素，「這在某種意義上說是更好的」。
但是，當同時抓住市場研究和設計兩頭的時候，這個數字化問題就成了一個商業挑戰，而AI正好可以作為這個問題的最優解。
目標是一年學習1000個小時，5個月後就豁然開朗了
其實，這個問題，也完全可以用外包的方式來解決。
但是，坂本英樹表示，「外包的話，知識無法在內部積累」。
同時外包生產的AI模型也不總是能達到理想的精度。如果沒有內部知識，那麼後期的準確性也就無法得到保證，比如說你可能不知道未來如何去提高準確性。
「實際上，我們在開發之初就試圖將其外包，但是坂本和同事因為遇到種種問題，最終轉向了內部生產。」
但是，還有一個問題，公司最初並沒有進行AI相關的培訓，如果要公司自己開發，研發人員從哪來？
於是，坂本英樹決定從零開始學習Python。
坂本先生在接受採訪時表示，這是他第一次接觸到編程，在使用Python的時候，甚至都不知道for語法是什麼。
於是，阪本先生第一件事就是報名了一所編程學校並在家學習，目標是一年學習1000個小時，「如果工作日學習2個小時，節假日學習5個小時，那麼一周就是20個小時，堅持一年，大約就是1000個小時」。
在一所編程學校學習了兩個月的基礎知識後，阪本先生還學習了一些機器學習相關的課程，再加上本身具有的統計知識，整個過程還是比較輕鬆的。
最初，該項目是在工作時間以外啟動的。雖然這是一個重要的管理問題，但公司也不知道能否將其轉變為正式的項目。」我私下裡每周花20個小時在編程和AI上，我的家人都對此感到了厭煩，說『你滿腦子都是AI』"。
開始開發的5個月後，阪本先生意識到，他們能夠開發出一個模型。雖然設計的實際評價和人工智慧的評價的相關性很低，只有0.3；但經過後續的研究和討論，終於把相關性提高到0.5。
「這時我們確信，我們可以把這個項目做成一個內部項目。」
業務從管理領導轉變為AI工程師
當這個公司內部項目敲定之後，坂本先生也作為副社長參與到了管理研究團隊的工作中。
「當然，我能夠減少我的正常工作。我有很多事情要做，所以我一般會在研究困難時加入。現在我的正常工作是大概占了2-3成，其他的都是AI相關的工作。」
當被問及管理領導和AI工程師，他更喜歡哪個職業的時候，阪本先生激動地回答，「AI工程師有很多研究性質的工作。例如，要使相關性增加0.1，你就必須嘗試各種組合，一次計算需要一個小時，但最終結果就算只增加了0.01，也會感到非常高興 」。
「你可以做以前無法做的事情。現在使用AI，任何人都可以很輕鬆地進行圖像處理和自然語言處理，並且可以非常快速地對其進行可視化處理。這非常有吸引力，雖然很有難度，但我們會追趕。我覺得自己正在成長，這與公司的成長息息相關。因此，我認為我目前的工作比總裁和管理層更接近我想做的。」
但也不是一直都一帆風順。當嘗試了很多方式，相關性還是沒有提高，這就很痛苦了。
這種時候，坂本先生就會求助於東京大學信息科學與技術研究生院的相澤山崎松井實驗室，他與實驗室副教授山崎俊彥每1個半月會開1次會，根據進度聽取對應的意見。
坂本先生說：「這種會面中不只是代碼教學，還會提出『有這樣那樣的算法，你為什麼不試試呢』。然後我用谷歌搜索了一下，在例會上報告出來，山崎教授會給出20個左右的問題，然後會嘗試其中10個，再解決後續問題。如此下來，一年的時間，我收到了大約60個問題。」
在山崎教授的建議下，坂本先生開始一個人實施包裝設計的AI服務，這款AI可以將好感度分為5個階段進行評價，除此之外，還可以將消費者關注的地方、以及什麼理由等可視化，整個過程只需要幾分鐘。
羅森的蘋果汁和7-11的包裝設計對比
無論是50多歲的男性還是20多歲的女性，對7-11中「美味」標籤的評價會比較高（左），在好感度方面，50歲左右的男性更喜歡7-11，20歲左右的女性更喜歡羅森（右）。
這樣的系統不僅可以替代正常的包裝設計評估流程，而且對於「分銷策略」也很有作用。
這是「設計上的一點變化」。根據商品的不同，有時在不改變內容的情況下，只稍微改變包裝設計。因為如果不改變設計，分發端就會以不需要舊商品為由，不讓其進入銷路。但是，如果改變過多的設計，就無法被消費者認為是同一種商品，就會賣不出去。據說這樣的變更是常見的手法。
但是，在更改設計時，像過去一樣，實際上需要花費時間和金錢才能使人們看到包裝設計並進行問卷調查，「這通常需要數月甚至數百萬美元」。但是使用AI的話，一切的工作都可以在數分鐘內完成，每張圖像的生成成本也只需要15,000日元，只有傳統的1/100。
人工智慧作為產品解決方案正在被接受
即便如此，坂本和他的團隊認為，基於人工智慧的包裝設計可能性預測最終都會被接受的， 因為類似的情況在20年前就已經存在。
「當網際網路調查方法出現時，當基於網際網路的調查方法剛出現時，有人懷疑它與面對面的數據是否一致，但不久就被接受了。同樣的，如果人工智慧方法得到認可，它可能會成為『比當前方法更好的方法』」。
現在已經有客戶表示，「AI的結果似乎更準確」。傳統的調查方法，可以故意通過強行調查問捲來改變現狀，「重要的不是強求的結果，而是產品是否真正被消費者接受」。這也是人工智慧的客觀性如此受到重視的原因。
為了應對客戶的進一步要求，坂本先生正考慮從單獨開發轉向團隊開發。目前，項目本身已經和公司的基礎架構工程師使用代碼管理工具Git共享，所以重要的是招人。「我想引進一些30歲左右的年輕人，他可以沒有人工智慧方面的經驗，也沒有做過PHP等工作。想從事人工智慧工作的人很多，但能作為人工智慧人員積累經驗的地方並不多。在這方面，我們有很多數據集和知識，所以我們認為我們可以一起學習。」
相關報道：
https://www.itmedia.co.jp/news/articles/2012/29/news025.html