狠狠撸

? 2022, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark.
Amazon Game Tech Night #25
ゲーム業界向け機械学習
最新状況アップデート

Welcome to Machine Learning !!
2
上司
弊ゲーム会社でも
そろそろ ML やっていきたい
AWS のサーバーと連携よろしく
自分
（インフラエンジニア）
わかりました。
ML の事例を調べてみます
（まずは re:Invent の動画を見てみよう…）

Welcome to Machine Learning !!
3
自分
Amazon の最新の機械学習事例だ
まずはこれで勉強してみよう

Amazon での AI/ML 最新事例
4

5
需要予測発送
キャパシティ
管理
荷詰め
購入
毎日 4000 万商品の
需要を予測
300+ フルフィルメントセンター
200K+ ロボット
30K+ 配送車
150+ カ国に展開

6
機械学習は数百万点もの商品の購入ならび
にフルフィルメントセンターでのラック
へのランダムな配置で使われる。
ロボット群が棚を人間の前に運ぶ
Computer Vision を使ってどの荷物を取れ
ばよいかを人間にナビゲーションする

7
複数の懸念事項：
サイズ、節約、コスト
100 億以上のアイテムが
毎年配達されている
Sustainability:
? 1.25 億商品は袋詰めが必要
なくなった
? 昨年実績でゴミを 9000 トン削減

Amazon の Machine Learning よさそう
8
自分
大量のデータを使って仕事を効率化しているんだ。
ウチにもログインデータとか沢山 S3 に持ってるな。
ゲーム業界の AWS 事例も探してみよう。

カプコン様による離脱予測の事例（AWS Summit Online 2021）
9
? ゲームを辞めてしまいそうなユーザーを
予測し、アプローチして離脱されにくく
することが?的
? 辞めそうなユーザーを「１週間(7?間)
のうちアクセスが３?以下のユーザー」
と定義
? 表形式のユーザーデータの?値分類（離
脱しそう/しなそう）問題とし、
AutoML技術であるAutoGluonを活?
? 最終的に90%以上の推論精度達成
https://d1.awsstatic.com/events/jp/2021/summit-online/CUS-
19_AWS_Summit_Online_2021_CAPCOM.pdf

ゲームビジネスの成?を?えるサーバーレスな分析?機械学習基盤
（AWS Innovate AI/ML Edition）
10
https://aws.amazon.com/jp/events/aws-innovate/machine-learning/

Machine Learning 完全に理解した
11
自分
AWS の ML 事例も沢山ありました。
長年運用してる某タイトルのデータ
を活用して取り組んでみたいです
上司
ウチには機械学習の専門人材
はいないけど大丈夫？
プランナーの人でも
超簡単に使えるシステムにしてね
プランナー
Excel つらい

準備無しで、すべてのユーザーに機械学習を?
12
自分
そういえば re:Invent で発表のあった
機械学習の新サービスが使える気がする！
プランナー
コーディングは無しで
早速、3 日後から使いたい

本セッションのアジェンダ
13
Session1: 必要なものはデータだけ?誰でもできるゲームの離脱予測分析
Session2: Amazon SageMaker Studio Lab ではじめる機械学習
分析の結果だけ欲しい
ビジネスサイド向け
これから ML を勉強していく
ゲームエンジニア向け
ゲームで使っている表形式データ (csv) はある、分析だけ簡単にできるようになりたい
→ Amazon SageMaker Canvas で簡単ノーコード開発
環境構築なしで、ゲーム画像（非構造化データ）を使って高度な分析をはじめたい
→ Amazon SageMaker Studio Lab で機械学習の第一歩を踏み出す

本セッションのアジェンダ
14
環境構築なしで、ゲーム画像（非構造化データ）を使って高度な分析をはじめたい

必要なものはデータだけ?
誰でもできるゲームの離脱予測分析
Taiji Iwai
2022/3/15
Solutions Architect
Amazon Web Services Japan

??紹介
16
岩井泰児/ Taiji Iwai
アマゾンウェブサービスジャパン合同会社
技術統括本部ゲームエンターテイメントソリューション部
ソリューションアーキテクト
前職?FPS のプロゲームチームコーチ
好きなAWSのサービス?AWS Fargate, Amazon IVS

あなたはどんな分析をしたいですか?
17
? ?値分類
例?「このログイン履歴のユーザーは 2 週間後にゲームを遊ばなくなるか?」
? 回帰分析
例?「ユーザーデータ内の複数パラメータ同?の相関関係を調べたい」
? 時系列予測
例?「過去の履歴からみて次に課?が増えるタイミングはいつになりそうか?」

?元によくある表形式データ
18
ユーザーID ゲーム開始日最終課金時刻ゲーム内レベルダンジョン
プレイ回数
etc…
AB12C3 2022/03/15 null 4 12
XYZ523 2020/10/01 2022/02/25 420 118329
777YHE 2021/8/10 2021/12/23 89 340
ゲームデータを
いい感じに分析したい

すべてのお客様の?に、機械学習を
機械学習初?者からアプリ開発者、ビジネスユーザーまで
19
re:Invent 2021 で新サービス発表！！

Amazon SageMaker Canvas
? テーブルデータの分類、回帰と時系列予測をサポート
? データの前処理やアルゴリズムも複数試?しハイパーパラメーターチューニングなども?動実?
? 最?で250のモデルを探索して最良と思われるモデルを提?
? 予測に重要な特徴量等をダッシュボードで可視化
? モデルを他のメンバーに簡単に共有可能
ノーコードで、GUIでモデルを作成し予測を得られるAutoMLサービス
プランナー
便利そうな機能が沢山
簡単ならためしてみたい

AWSコンソールを介さずアクセス可能
? シングルサインオンでアクセス可能
プランナー
個人の AWS アカウントを
持っていないので助かります

さまざまなソースからデータを統合
? ローカルディスクからドラッグ?アンド?ドロップ
でCSVファイルをインポート可能
? ほかにも、 Amazon S3、Amazon Redshift、
Snowflake といった、さまざまなソースからデータ
を統合可能
プランナー
ドラッグアンドドロップで
csv を扱えるのは簡単でいいね

データを視覚的に理解
? データの分布や基本的な統計
量、?損値の割合などデー
タ分析に有?な情報を確認
§ 例??値分類で、?的変数との
相関を確認
プランナー
統計量がグラフで表示できて
Excel より見やすくていいね

ワンクリックでモデルを構築
? 精度と時間のバランスを取ること
ができる
? まずクイックにベースラインを確
認するクイックビルドも可能
上司
開発コストなしに
素早く分析できて助かる

重要な特徴量や詳しい性能指標を確認
? 重要な特徴量のランキング
? 性能指標
§ ?値分類なら
– confusion matrix
– F1 score, accuracy, precision,
recall, auc等
インフラ
エンジニア
パイプライン作るの大変
だったから嬉しい

デモ

デモ?ユースケース
? ゲーム会社の顧客が離脱してゲームを辞めてしまうかどうか
を予測するチャーン予測
? ??的に作成された下記で公開されているデータセットを応?
? https://github.com/aws/amazon-sagemaker-
examples/blob/master/autopilot/autopilot_customer_churn.ipynb
? ローカルからのアップロードについては下記ご参照
? https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-set-up-local-upload.html

まとめ
28
自分
Amazon S3 と連携できるので Excel で
ダウンロードとか考えなくてよくなって自分も楽になりました
プランナー
エンジニアじゃない自分でもこんなに簡単に機械学習ができるんだ
今後の施策を具体的に考えることができそうで助かりました
（個人的にはもっと高度な機械学習モデルを自分で作れるようになりたいかも???）

Next Session
29
ゲーム画像（非構造化データ）を使って高度な分析をこれから勉強していきたい

Amazon SageMaker Studio Lab で
はじめる機械学習
Shinya Nishizaka
2022/3/15
Solutions Architect
Amazon Web Services Japan

??紹介
31
?坂信哉 / Shinya Nishizaka
アマゾンウェブサービスジャパン合同会社
技術統括本部ゲームエンターテイメントソリューション部
ソリューションアーキテクト
興味分野?Games, XR(VR/AR), 機械学習

ゲームにおける機械学習のユースケース
32
?AIの?速?動プレイによるゲームバランスやレベルデザインの調整
QA/デバッグの?動化
?アニメーションやゲームシナリオ、ダンジョンなどの?動?成
コンテンツの?動?成
??量のアセット画像に対するシーンに基づいたラベリングの?動化
アセット管理の?動化
?プレイヤー毎の離脱率を予測
プレイヤーの離脱対策
?ゲームの売り上げ予測や、ユーザー数の動向の予測
ゲームの売上予測
?ゲーム内におけるアイテムの不正取得やWallhackなどのCheat?為の検出
プレイヤーのCheat検出
?ヌードやポルノ、衝撃的な画像などの不適切画像やコンテンツの検出
?チャットにおける不適切発?の検出
Abuse?為の検出
?SNSへの書き込みなどをゲーム品質の改善に?かす
プレイヤーの感情分析

33
AIサービスで解決できる
こともある
Amazon Comprehend Amazon Rekognition
Amazon Fraud Detector
Amazon Lookout
for Metrics
Amazon SageMaker
(AutoML)
Abuse?為の検出
Amazon SageMaker
Canvas

35
AIサービスで解決できる
こともある
Amazon Comprehend Amazon Rekognition
Amazon Fraud Detector
Amazon Lookout
for Metrics
Abuse?為の検出
35
35
独自モデルの実装が必要
なことも多い
GAN？
強化学習？
Amazon SageMaker
(AutoML)
Amazon SageMaker
Canvas

強化学習とは?DeepRacerの例
エージェント
状態
報酬
環境
行動
強化学習モデル
(1) 学習
(2) 推論
(1) 学習 : エージェントが環境と相互作用しながら、行動に対して報酬を受け取り、ゲームの
ルールと正しい攻略法を学習していく
(2) 推論：学習済みのモデルをエージェントに組み込み、エージェントが自動的に環境内を動
き回る

ミクシィによるレベル調整?動化の事例
（AWS Summit 2019）
37
?
? 10?のファイターでデッキを編成するゲームにおいて、カードのレベルのバランス調
整をAIを?いて実施
?
?
?
?
?
?
?
?
?
?
https://pages.awscloud.com/rs/112-TZM-766/images/K3-05.pdf

機械学習導?に向けての主な課題
38
? 機械学習?材の不?
? 環境準備/運?のコストと?間
§ 機械学習の技術習得や、ちょっとしたアイディアを試すためにもPoCを?さ
くたくさん?いたい?
§ でも、GPU搭載PCも、GPUインスタンスもコストがかかるし運?も?変…

Amazon SageMaker Studio Lab
の紹介
39

Amazon SageMaker Studio Lab
40
メールアドレスだけではじめられる、
無料の JupyterLab ベースの環境
Learn
無料かつメールアドレス
のみではじめることがで
きます。
Teach
環境が統?されているた
め、学習教材を配布する
プラットフォームとして
最適です
Train
?分なCPU/GPU/スト
レージが?意されている
ため、計算を待っている
時間を削減し学習に集中
できます。
Collaborate
Gitで管理されるため、
ハッカソンやコンペティ
ションで他のエンジニア
とコラボレーションする
のに最適です。
Public preview

Amazon SageMaker Studio Labは、メールアドレスだ
けでデータサイエンスの学習をはじめられます。

1. “Start rumtime”
データサイエンスを学ぶのに最適なJupyter Labの環境を
ブラウザから1clickで起動できます。
2. Access Jupyter Lab!

機械学習モデルを学習し、実?するのに?かせないGPUと
ストレージが?分に利?可能です。
Jupyter Notebook environment
Cost effective/easy setup
CPU / GPU compute
Time to code
Version control management
Supportive community
Full support of shell commands
JupyterLab を基盤とした環境。
無料?セットアップ不要
CPU (T3.Xl) & GPU (G4D.XL)
15GBのストレージ
Gitがインストール済み
Githubと連携可能
ターミナルも利用可能
ユーザーセッションごとに12 時間のCPUか4時間のGPUを選択可能。
利用できるユーザーセッションの数は無制限。
Amazon SageMaker
Studio Lab
A no charge, no configuration
service that enable data scientists
to learn and experiment with
machine learning

ハッカソンやプロトタイピングでの共同作業に?かせない
Gitによる変更管理機能が標準で組み込まれています。
git clone
Studio Lab上で行った変更はGitによりトラッキングされ、リモートリポジトリへ
のpushが可能です。
git push

SageMaker Studio Labでデータサイエンスを学ぶ講座
が多数公開されています。

Demo
47

SageMaker Studio Lab の
次のステップ
48

機械学習のワークフロー
49
機械学習の
問題定義
データ
収集?整備
データ
前処理
探索的解析アルゴリズム
構築
モデル
デプロイ
モデル監視
モデル学習モデル評価モデル改良
開発
推論
ビジネスゴール
の明確化
学習

機械学習のワークフロー
50
機械学習の
問題定義
データ
収集?整備
データ
前処理
構築
モデル
デプロイ
モデル監視
開発
推論
の明確化
学習
（例えば）
Studio Lab で PoC を実施した結果、
より本格的な導?に向けて動くことが決定?
（したとすると…）

機械学習のワークフローで?じるニーズ
51
機械学習の
問題定義
データ
収集?整備
データ
前処理
構築
モデル
デプロイ
モデル監視
開発
推論
の明確化
学習
より潤沢なマシンリソースで
学習?速化やハイパーパラメータ
最適化を?いたい
多くの試?錯誤に対して
適切に実験管理を?いたい
素早く本番環境へ
デプロイしたい
データ前処理を含めた
MLパイプラインを構築?
管理したい
モデルのバイアス検査
がしたい
より?きなサイズのデータ
セットで学習したい

SageMaker Studio Labで作成したプロトタイプは
SageMakerで本格的に構築することが可能です。
Learning Experimenting Building Deploying Scaling
Prototyping
SageMaker Studio Lab
機械学習を学び、体験し、検証する機械学習モデルを構築?運用?スケールする
SageMaker
SageMaker Studio Lab 環境を SageMaker Studio へエクスポートする?
https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lab-use-migrate.html

まとめ?
SageMaker Studio Lab で機械学習を始めましょう?
53
1. メールアドレスひとつで Sign up?無料です?
https://studiolab.sagemaker.aws/
2. 学習コンテンツや試してみたいGitHubのサンプルをclone?
Machine Learning University (MLU) , Dive into Deep Learning (D2L) , Hugging Face
などを、Studio Lab の「Getting Started with Amazon SageMaker Studio Lab」ノート
ブックからワンクリックでcloneできます
3. Enjoy machine learning?

Thank you!
Thank you!

狠狠撸

Amazon Game Tech Night #25 ゲーム業界向け機械学習最新状況アップデート

More Related Content

Amazon Game Tech Night #25 ゲーム業界向け機械学習最新状況アップデート