ビギナーバイナリーオプション

値段軸スケールの設定とは何ですか

値段軸スケールの設定とは何ですか
2019.04.17 家電

AIを使って自分の顔がジャニーズ系かどうかを判定するWebサービスを作ってみた

学生時代に研究をしていた以来3年ほど遠ざかっていたAIの分野で何か自作アプリを作って公開してみたいと思い、約三ヶ月かけて遂にリリースしました。そもそも自作アプリのサービス公開が初めてで、たくさん勉強になったことがあったので、自分と同じような方向けにメモを残しておこうと思いました。
記事内で掲載しているソースコードは一部抜粋のものであり、そのままでは動作しません。全体のソースコードはGitHubにアップしています。
記事を全て理解していただくには、機械学習とAWSとWebアプリケーションの基礎知識が必要です。興味あるところだけ読んでみてください。

まずは完成品

自分の顔写真をアップロードして、ジャニーズ系かどうかを三段階で判定するサービスです。
よろしければアクセスして遊んでみて下さい。
ちなみにありえないことに私の顔はジャニーズ顔と判定されませんでした(怒)

開発環境(ローカル)

macbook pro(メモリ8GB、macOS High Sierra)

プロダクション環境(AWS)

  • Route53
  • VPC
  • ELB
  • EC2インスタンス1台
    • OS: amazon linux2
    • インスタンスタイプ: t2.small
    • トラフィック従量課金
    • Route53
    • 値段軸スケールの設定とは何ですか
    • EC2(t2.small)
    • ELB

    サービスリリースまでの道のり

    テーマ決め

    ローカル開発環境構築

    AI側実装

    (Step1)画像収集

    どのように画像を収集したか

    人力で収集するのは苦しいので、Google Custom Search(GCS) APIを利用して自動で画像を収集しました。
    GCSの無料枠の利用制限は100リクエスト/日で、それ以上リクエストするとエラーで取得失敗になる。(勝手に課金されないので安心。)
    ちなみにリクエスト数のカウントがリセットされるのは日本時間17時だそうです。

    誰の画像を対象としたか

    (Step2)顔部分抽出

    Step1で取得した画像ファイルからOpenCVを利用して顔部分のみを抽出。
    画像ファイル内の特定オブジェクトの判定にはそのオブジェクトに対応したカスケード分類器を作成する必要がありますが、顔の場合はインターネット上にカスケードファイルが複数種類用意されているため楽です。
    今回はその中でも正面向き顔画像用のhaarcascade_frontalface_alt.xmlを利用しました。
    以下は、顔抽出するソースコードです。外部コンフィグを読み込んだりしているので単体では動きません。

    (Step3)ゴミファイル削除

    (Step4)画像水増し

    ゴミファイルの削除などをしていると最終的に一人あたり約50枚ほどに減少してしまいました。
    なんとなくこれでは少なそうだなと思い、画像を左右反転させたものも学習させて2倍に水増ししました。この水増し作業は常套手段のようです。
    他にも閾値処理やぼかしなどで8倍に画像数を増やすこともできるみたいですが、今回はやりませんでした。
    以下は、画像を左右反転するソースコードです。外部コンフィグを読み込んだりしているので単体では動きません。

    (Step5)画像リサイズ

    (Step6)学習と評価

    1回目トライ

    • ランダムフォレスト
    • 学習データ: ジャニーズ系6名、非ジャニーズ系6名(約1200枚)
    • テストデータ: ジャニーズ系4名、非ジャニーズ系4名(約800枚)
    • precision: 約0.66(詳細メモ忘れ)
    • F1値: ?(メモ忘れ)
    考察と感想
    • スケール変換不要でチューニングもあまり必要ないのにそこそこ精度がでると評判のランダムフォレストでこの精度はひどい。そもそもジャニーズ顔なんてあるのか?などの「企画倒れ」の言葉が脳裏をよぎる。
    • とりあえずSVMも試してみたい

    2回目トライ

    • SVM ★SVMに変更
    • 学習データ: ジャニーズ系6名、非ジャニーズ系6名(約1200枚)
    • テストデータ: ジャニーズ系4名、非ジャニーズ系4名(約800枚)
    • スケール変換なし ★SVMだけどとりあえずスケール変換なしでやってみる
    • precision: 0.7340966921119593
    • F1値: 0.7239101717305152
    考察と感想
    • 結構あがった。さすがSVM!!!
    • これはスケール変換すれば精度あがるだろうという期待

    3回目トライ

      値段軸スケールの設定とは何ですか
    • SVM
    • 学習データ: ジャニーズ系6名、非ジャニーズ系6名(約1200枚)
    • テストデータ: ジャニーズ系4名、非ジャニーズ系4名(約800枚)
    • スケール変換あり(MinMaxScaler) ★SVMなら精度上がるはずのMinMaxScaler
    • precision: 0.値段軸スケールの設定とは何ですか 6921119592875318
    • F1値: 0.6889460154241646
    考察と感想
    • え?なんで精度下がるの?泣きそうorz
    • 画像ディレクトリ漁るとジャニーズ系学習ファイルディレクトリにゴミファイルが複数あるのを発見。おそらくゴミファイル削除の手作業ミス。
    • さらに、そもそもデータ数少ないのではと思い、対象人数を倍にして再トライする。

    4回目トライ

    • SVM
    • 学習データ: ジャニーズ系12名、非ジャニーズ系12名(約2400枚) ★倍増
    • テストデータ: ジャニーズ系8名、非ジャニーズ系8名(約1600枚) ★倍増
    • スケール変換あり(MinMaxScaler)
    • precision: 0.7998220640569395
    • F1値: 0.7879359095193212
    考察と感想
    • おお!なかなか良い!
    • グリッドサーチ+交差検証でベストパラメータを探せば夢の8割に届きそう。
    • その前にランダムフォレストでも同様に試してみたい。

    5回目トライ

    • ランダムフォレスト ★ランダムフォレストに変更
    • 学習データ: ジャニーズ系12名、非ジャニーズ系12名(約2400枚)
    • テストデータ: ジャニーズ系8名、非ジャニーズ系8名(約1600枚)
    • precision: 0.7580071174377224
    • F1値: 0.7364341085271319
    考察と感想
    • ランダムフォレストは要らない子だったんだ(きっとデータがあわなかっただけかもしれない。チューニングをすればもっとよかったかもしれない)

    最終トライ

    • SVM ★SVMに変更
    • 学習データ: ジャニーズ系12名、非ジャニーズ系12名(約2400枚)
    • テストデータ: ジャニーズ系8名、非ジャニーズ系8名(約1600枚)
    • スケール変換あり(MinMaxScaler)
    • グリッドサーチ+交差検証でベストパラメータを探索してから実行
    ベストパラメータを探索
    • precision: 0.8505338078291815
    • F1値: 0.8409090909090909
    考察と感想
    • ついに80%超え!
    • 値段軸スケールの設定とは何ですか
    • 欲をいえば90%超えたかった。
    • 多分画像数増やせば(人数増やす、水増しをもっと増やすなど)もっと精度高くなりそうだけど早くリリースしたいからとりあえずここで打ち止め。

    pickle作成

    Web側実装

    クライアントサイド

    jinja2テンプレート

    レスポンシブデザイン

    BootStrap

    SNS連携

    twitter, LINEのシェアボタンを実装しました。
    実装したと言っても、各社の公式サイトにHTMLタグのジェネレータが用意されているので、それを自分のHTMLファイルに貼るだけ。
    ただし、ローカルの開発環境では正常に動作しないようで、本番環境での調整作業が必要となりました。
    また、facebookは「MacOS + Chrome」の組み合わせで正常に動作しないことを発見したのと、なぜかインデントがずれてしまうため、実装しませんでした。(いつかリベンジ)

    エラー画面

    StatusPageのテンプレートをほぼそのまま使用。
    メッセージ部分だけ自分のテキストに書き換えたのと、前の画面に戻るボタンを追加しました。
    エラー画面にそれほど手間をかけたくないけどお洒落なやつがいいなと思ったらこういうのを使うのもありですよ。

    サーバーサイド

    FLask

    コンフィグ

    エラー処理

    エラー処理はどこまでやるか悩みましたが、とりあえず「アップロード写真の拡張子が許容されるものか」と「アップロードされた画像に顔が含まれているか」のエラー処理だけ実装しました。
    アップロードされた画像に顔が含まれているか」のエラー処理はGoogle Cloud Vison APIを利用しました。

    Google Cloud Vison(GCV) API

    ユーザからアップロードされた画像に顔が含まれているかを判定するためにGCVのAPIを利用しました。
    顔を特定できなかった場合はAPIレスポンスのjsonデータ中にfaceAnnotationsキーが含まれないため、それの有る無しで判定しています。
    (GCVのAPIが仕様変更になったら要対応)

    プロダクション環境構築

    VPC作成

    ドメイン名取得

    Route53にドメイン名登録

    SSL証明書取得

    今時、HTTPS対応は必須なのでSSL証明書を取得しました。
    当初はLet's encryptで三ヶ月間無料のSSL証明書を取得しようと考えていましたが、AWSのACM(AWS Certificate Manager)を利用するとSSL証明書が無期限無料ということを知ったため、ACMを利用することにしました。ただし、ACMを紐づけるELBの料金は有料です。

    では、肝心のメール受信の方法ですが、こちらの記事の一部を参考にして、AWSのSES(Simple Email Service)を利用して、メール受信をS3バケットで行うようにしました。
    S3バケットに送られてきたメッセージから"https"でgrepしたリンクに飛んでapproveボタンを押下してSSL証明書の有効化に成功. (少し強引なやり方。)
    色々、設定項目が細かくてオペミスしたり、そもそもドメイン関連に慣れていなくて苦労しました。

    EC2インスタンスとELB生成とSSL証明書登録とAレコード登録

    こちらの記事の後半を参考にしました。
    ポイントは、ELBのプロトコルをHTTPSにして、ACMの証明書を登録することとRoute53のAレコードにELBを選択することです。
    ドメイン名に対応するIPアドレスはEC2インスタンスのIPアドレスではなく、ELB自身とします。
    なぜか、ELBとEC2インスタンス紐付けが外れていたことが一度だけあったが、再発しなかったのでとりあえず放置。(怖い)

    EC2インスタンスにNginxインストール&起動

    HTTPS接続テスト用にEC2インスタンスにNginxをインストール。(ブラウザからアクセスした時に動作確認としてわかりやすいのと、アプリデプロイでどうせ使うから)
    Amazon Linux2(AL2)ではExtrasレポジトリからNginx をインストールする必要がありました。

    Azure Machine Learning エンドポイントとは

    次の図は、"blue" と "green" の 2 つのデプロイを持つオンライン エンドポイントを示しています。 Blue デプロイでは、CPU SKU を持つ VM が使用され、モデルの v1 が実行されます。 緑のデプロイでは、GPU SKU を持つ VM が使用され、モデルの v2 が使用されます。 エンドポイントは、着信トラフィックの 90% を青色のデプロイにルーティングするように構成されていますが、緑は残りの 10% を受け取ります。

    Diagram showing an endpoint splitting traffic to two deployments.

    オンライン展開の要件

    • モデル ファイル (または自分のワークスペース内の登録済みモデルを指定)
    • スコアリング スクリプト - スコアリングおよび推論を実行するために必要なコード
    • 環境 - Conda 依存関係がある Docker イメージ、または dockerfile
    • コンピューティング インスタンスとスケールの設定&

    迅速なデバッグのためにローカルでテストおよびデプロイする

    エンドポイントをテストするために、クラウドにはデプロイせず、ローカルにデプロイします。 Azure Machine Learning によって、Azure ML イメージを模倣するローカル Docker イメージが作成されます。 Azure Machine Learning は、ローカルでデプロイを構築して実行し、迅速な反復処理用にイメージをキャッシュします。

    ネイティブ ブルーグリーン デプロイ

    1 つのエンドポイントに複数のデプロイを含めることができることを思い出してください。 オンライン エンドポイントでは、負荷分散を実行して、各デプロイに任意の割合のトラフィックを与えられます。

    要求では、 azureml-model-deployment の HTTP ヘッダーを含めることによって、構成されたトラフィックの負荷分散をバイパスできます。 ヘッダーの値を、要求のルーティング先のデプロイの名前に設定します。

    Screenshot showing slider interface to set traffic allocation between deployments.

    Diagram showing an endpoint splitting traffic to two deployments.

    あるデプロイへのトラフィックは、別のデプロイにミラーリング (コピー) することもできます。 値段軸スケールの設定とは何ですか ミラーリングは、ライブ クライアントに影響を与えずに応答待機時間やエラー状態などをテストする場合に便利です。 たとえば、トラフィックの 100% が青にルーティングされ、10% が緑のデプロイにミラーリングされるブルーグリーン デプロイです。 ミラーリングでは、緑のデプロイへのトラフィックの結果はクライアントに返されませんが、メトリックとログが収集されます。 トラフィックのミラーリング機能は、プレビュー機能です。

    Diagram showing an endpoint mirroring traffic to a deployment.

    Application Insights の統合

    すべてのオンライン エンドポイントは、SLA の監視と問題の診断のために、Application Insights と統合されています。

    ただし、マネージド オンライン エンドポイントには、Azure ログと Azure メトリックとの追加設定なしの統合も含まれています。

    セキュリティ

    • 認証: キーと Azure ML トークン
    • 値段軸スケールの設定とは何ですか
    • マネージド ID: ユーザー割り当ておよびシステム割り当て
    • エンドポイント呼び出しのための既定の SSL

    自動スケール

    自動スケールでは、アプリケーションの負荷を処理するために適切な量のリソースが自動的に実行されます。 マネージド エンドポイントは、Azure Monitor 自動スケーリング機能との統合によって、自動スケールをサポートします。 メトリックベースのスケーリング (たとえば、CPU 使用率 >70%)、スケジュールに基づくスケーリング (たとえば、営業時間のピーク時のルールのスケーリング)、またはその組み合わせを構成できます。

    Screenshot showing that autoscale flexibly provides between min and max instances, depending on rules.

    Visual Studio Code のデバッグ

    Visual Studio Code を使用すると、エンドポイントを対話的にデバッグできます。

    Screenshot of endpoint debugging in VSCode.

    プライベート エンドポイントのサポート (プレビュー)値段軸スケールの設定とは何ですか

    必要に応じて、プライベート エンドポイントを使用して、マネージド オンライン エンドポイントとの通信をセキュリティで保護できます。 現在この機能はプレビュー版です。

    現在、この機能はパブリック プレビュー段階にあります。 このプレビュー バージョンはサービス レベル アグリーメントなしで提供されています。運用環境のワークロードに使用することはお勧めできません。 特定の機能はサポート対象ではなく、機能が制限されることがあります。 詳しくは、Microsoft Azure プレビューの追加使用条件に関するページをご覧ください。

    ワークスペースやその他のサービスでの受信スコアリング要求と送信通信のセキュリティを個別に構成できます。 受信通信では、Azure Machine Learning ワークスペースのプライベート エンドポイントが使用されます。 送信通信では、デプロイごとに作成されたプライベート エンドポイントが使用されます。

    マネージド オンライン エンドポイントと Kubernetes オンライン エンドポイント

    オンライン 値段軸スケールの設定とは何ですか エンドポイントには、2 つの種類があります。マネージド オンライン エンドポイントKubernetes オンライン エンドポイントです。

    マネージド オンライン エンドポイントは、ターンキー MLモデルをデプロイするのに役立ちます。 マネージド オンライン エンドポイントは、スケーラブルでフル マネージドの方法で Azure の強力な CPU および GPU マシンと動作します。 マネージド オンライン エンドポイントは、モデルの提供、スケーリング、セキュリティ保護、監視を行います。基になるインフラストラクチャの設定と管理のオーバーヘッドがなくなります。 このドキュメントの主な例では、デプロイにマネージド オンライン エンドポイントを使用します。

    Kubernetes オンライン エンドポイントを使用すると、モデルをデプロイし、CPU または GPU を使用して、完全に構成され、またネージドされた Kubernetes クラスターでどこでも、オンライン エンドポイントにサービスを提供できます。

    次の表は、マネージド オンライン エンドポイントトと Kubernetes オンライン エンドポイントの主な違いを示しています。

    値段軸スケールの設定とは何ですか 値段軸スケールの設定とは何ですか
    マネージド オンライン エンドポイント Kubernetes オンライン エンドポイント
    推奨されるユーザー マネージド モデル デプロイおよび拡張された 値段軸スケールの設定とは何ですか MLOps エクスペリエンスを必要とするユーザー Kubernetes を使用し、インフラストラクチャの要件を自己管理できるユーザー
    インフラストラクチャの管理 マネージド コンピューティング プロビジョニング、スケーリング、ホスト OS イメージの更新、およびセキュリティ強化 ユーザーの責任での対応
    コンピューティングの種類 マネージド (AmlCompute) Kubernetes クラスター (Kubernetes)
    追加設定なしの監視 Azure 監視
    (待ち時間やスループットなど、主要なメトリックが含まれます)
    サポートされています
    追加設定なしのログ エンドポイント レベルでの Azure ログと Log Analytics サポートされていない
    Application Insights サポートされています サポートされています
    管理対象 ID サポートされています サポートされています
    仮想ネットワーク (VNET) サポートされています (プレビュー) サポートされています
    コストを表示する エンドポイントとデプロイのレベル クラスター 値段軸スケールの設定とは何ですか レベル
    ミラー化されたトラフィック サポートされています サポートされていない

    マネージド オンライン エンドポイント

    マネージド オンライン エンドポイントは、デプロイ プロセスを効率化するために役立ちます。 マネージド オンライン エンドポイントには、Kubernetes オンライン エンドポイントと比べて、以下の利点があります。

    • コンピューティングを自動的にプロビジョニングし、モデルをホストします (VM の種類とスケールの設定のみ指定する必要があります)
    • 基になるホスト OS イメージを自動的に更新しパッチを適用する
    • システム障害が発生した場合のノードの自動回復
      を使用して、モデルの可用性、パフォーマンス、および SLA を監視します。
    • ログと、Azure Log Analytics とのネイティブ統合を使用して、デプロイをデバッグします。

    Screenshot showing Azure Monitor graph of endpoint latency.

    • マネージド オンライン エンドポイントを使用すると、エンドポイントとデプロイのレベルでコストを監視できます。

    Screenshot cost chart of an endpoint and deployment.

    マネージド オンライン エンドポイントは、Azure Machine Learning コンピューティングに基づいています。 マネージド オンライン エンドポイントを使用する場合は、コンピューティングとネットワークの料金を支払います。 追加料金は発生しません。

    仮想ネットワークを使用し、マネージド オンライン エンドポイントからの送信 (エグレス) トラフィックをセキュリティで保護する場合は、追加のコストが発生します。 エグレスの場合、マネージド オンライン 値段軸スケールの設定とは何ですか エンドポイントの "デプロイごとに" 3 つのプライベート エンドポイントが作成されます。 これらは、既定のストレージ アカウント、Azure Container Registry、ワークスペースと通信するために使用されます。 追加のネットワーク料金が適用される場合があります。 価格の詳細については、Azure の料金計算ツールに関するページを参照してください。

    バッチ エンドポイントとは

    バッチ エンドポイントは、一定期間に大量のデータに対してバッチ推論を行うために使用されるエンドポイントです。 バッチ エンドポイントは、データへのポインターを受け取り、ジョブを非同期に実行して、複数のコンピューティング クラスターでデータを並列に処理します。 バッチ エンドポイントは、さらに詳細な分析のために、出力をデータ ストアに格納します。

    Diagram showing that a single batch endpoint may route requests to multiple deployments, one of which is the default.

    バッチ デプロイ要件

    • モデル ファイル (または自分のワークスペース内の登録済みモデルを指定)
    • Compute
    • スコアリング スクリプト - スコアリングおよび推論を実行するために必要なコード
    • 環境 - Conda 依存関係がある Docker イメージ

    自動スケーリング コンピューティングによって管理されるコスト

    バッチ エンドポイントを呼び出すと、非同期バッチ推論ジョブがトリガーされます。 コンピューティング リソースは、ジョブの開始時に自動的にプロビジョニングされ、ジョブの完了時に自動的に割り当て解除されます。 そのため、コンピューティングを使用しているときにのみ料金を支払うことになります。

    実行を高速化し、コストを削減するために、個々のバッチ推論ジョブのコンピューティング リソースの設定 (インスタンス数など) と詳細設定 (ミニ バッチ サイズ、エラーしきい値など) をオーバーライドできます。

    柔軟なデータ ソースとストレージ

    • クラウド データ - Azure Machine Learning 登録済みデータストア上のパス、Azure Machine Learning 登録済み V2 データ資産 への参照、またはパブリック URI のいずれか。 詳細については、「Azure Machine Learning スタジオを使用してデータに接続する」を参照してください
    • ローカルの格納データ - Azure ML 登録済みのデータストアに自動的にアップロードされ、バッチ エンドポイントに渡されます。
    • バッチ エンドポイントに既存の V1 FileDataset を使用している場合は、V2 データ資産に移行し、バッチ エンドポイントを呼び出すときに直接参照することをお勧めします。 現在は、 uri_folder または uri_file の種類のデータ資産のみがサポートされています。 GA CLIv2 (2.4.0 以降) または GA REST API (2022-05-01 以降) で作成されたバッチ エンドポイントでは、V1 データセットはサポートされません。
    • また、 az ml dataset show コマンドを --query パラメーターを指定して使用することで、V1 FileDataset から抽出されたデータストアの URI 値段軸スケールの設定とは何ですか またはパスを抽出し、その情報を呼び出しに使用することもできます。
    • 以前の API で作成されたバッチ エンドポイントは引き続き V1 FileDataset をサポートしますが、さらに使いやすさと柔軟性を高めるために、最新の API バージョンによる V2 データ資産のサポートがさらに追加される予定です。 V2 データ資産の詳細については、「SDK v2 (プレビュー) を使ってデータを操作する」を参照してください。 新しい V2 エクスペリエンスの詳細については、「v2 とは」を参照してください。

    ストレージ出力の場所として任意のデータストアおよびパスを指定します。 既定では、バッチ エンドポイントは、ジョブ名 (システムによって生成される GUID) によって構成される、ワークスペースの既定の BLOB ストアに出力を格納します。

    給湯器の設定温度は何℃がベスト?光熱費を節約するためには

    バス・トイレ

    2022.07.06 家電

    バス・トイレ

    2022.06.22 家電

    バス・トイレ

    2021.09.08 家電

    バス・トイレ

    2021.08.25 家電

    バス・トイレ

    2021.08.11 家電

    バス・トイレ

    2021.07.07 家電

    バス・トイレ

    2021.06.23 家電

    浴室暖房乾燥機 ガス式 VS 電気式!

    バス・トイレ

    2021.05.26 家電

    バス・トイレ

    2021.05.12 家電

    バス・トイレ

    2021.01.13 値段軸スケールの設定とは何ですか 家電

    バス・トイレ

    2020.05.13 家電

    バス・トイレ

    2020.03.25 家電

    バス・トイレ

    2020.02.26 家電

    バス・トイレ

    2020.01.15 家電

    バス・トイレ

    2019.12.25 家電

    バス・トイレ

    2019.09.25 家電

    バス・トイレ

    2019.08.08 家電

    バス・トイレ

    2019.06.05 家電

    バス・トイレ

    2019.04.17 家電

    バス・トイレ

    2019.01.09 家電

    バス・トイレ

    2018.10.03 家電

    バス・トイレ

    2018.09.19 家電

    バス・トイレ

    2018.07.04 家電

    バス・トイレ

    2018.06.20 家電

    バス・トイレ

    2018.05.23 家電 値段軸スケールの設定とは何ですか

    バス・トイレ

    2018.02.21 家電

    バス・トイレ

    2017.12.15 家電

    バス・トイレ

    2017.11.30 家電

    バス・トイレ

    2017.11.09 エコ料理

    バス・トイレ

    2017.11.02 家電

    バス・トイレ

    2017.10.11 家電

    バス・トイレ

    2017.08.値段軸スケールの設定とは何ですか 23 家電

    バス・トイレ

    2017.08.03 家電

    バス・トイレ

    2017.06.07 家電

    グラフ編集の裏技

    グラフ

    青色のアイコンを押すと、グラフの編集ができます。

    赤色のアイコンを押してみましょう

    1.グラフ編集を録画する

    一部だけ色を変えました.

    グラフ中央にポップアップしてきますので、”Browseボタンを押下”

    フォルダ内にあることを確認!

    ほんの少しの小細工で済みます. gr_edit という コマンドの後にここに書かれているような内容をつづければよいのです. ここで記載されている通りにではなく、”editcopy”というのは消す必要があるようです.

    2.グラフ編集をコマンドで行ってみる

    外枠の色がおかしなことに…

    3.カラースキームを変更する

    なかなか渋いですよね~.元に戻したいときは、set scheme s2color としてください.

    4.コマンド入力にこだわる

    当初の方法と全く同じ感じに出来上がります

    値段軸スケールの設定とは何ですか

    「部下がマネジャーを4段階で毎月評価する」Salesforceが成長し続けてきた目標とフィードバックの仕組み | JinJiのトリセツ

    15万社以上に導入され、 CRM としては世界No.1のシェアを誇り、数々のクラウドサービスを提供しているセールスフォース・ドットコム。働き方の面でも注目をあつめており、企業リサーチサイト「Vorkers」による「働きがいのある企業ランキング」では、2018年度の第1位に選ばれています。その同社では、独自の目標設定 (V2MOM)アプリを活用したリアルタイムフィードバックの仕組みを導入することで、社員と組織のエンゲージメントを高めてきました。

    セールスフォース ・ドットコム における目標とフィードバックの仕組みについて人事本部の浅田靖隆さんにお話を伺いました。

    浅田靖隆さん / 株式会社セールスフォース・ドットコム 人事本部ディレクター
    富士通株式会社にて人事業務に従事。採用、人材育成、HRビジネスパートナーなどを経て、2012年から2016年まで米国子会社へ出向し、駐在員サポートや現地の人事業務を担当。2017年4月より株式会社セールスフォース・ドットコム入社後は主にシェアード・サービスを担当し、当社テクノロジーを活用した社員のエンゲージメント向上などに努める。

    全社の意思統一を図るための「V2MOM」

    ―まずはベースとなる目標設定について教えてください。 セールスフォース ・ドットコム の社員の方はどのように目標を設定しているのでしょうか?

    「V2MOM」というフレームワークがあります。「VISION」、「VALUES」、「METHODS」、「OBSTACLES」、「MEASURES」の5つの頭文字をとったもので、簡単に言えば全社的な意思統一をはかると同時に、社員が自分自身の進路を示す詳しい地図と目的地に導く羅針盤を得るための、シンプルかつ有効な仕組みです。

    ざっとご説明すると、1つめの「VISION」は、 行いたいことや達成したいことを定義します 。2つめの「VALUES」は ビジョンの追求を支える原則や信念 。3つめの「METHODS」は 業務の完遂に必要な行動や手順 。 ビジョンを達成するために克服しなければならない課題や問題、難点 が4つめの「OBSTACLES」、さらに具体的な成果を測定するための指標として「MEASURES」が設けられています。


    * セールスフォース・ドットコム 社説明資料より抜粋

    ―先ほど 全社的な意思統一を図る とおっしゃっていましたが、V2MOMを決める具体的なプロセスについて教えてください。

    まず 年度のはじめに経営トップが 会社としてのV2MOMを定めます。 会社の V2MOM が確定したら、部門、チーム、個人へと順次伝達され、全員が各自の V2MOM を作成します。

    関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる