2位入賞！Dataiku AIエージェント ハッカソン技術解説
DataikuとAIエージェントで実現する店舗管理DX

1. はじめに

2026年1月に参加したDataiku主催の「 AI エージェント ハッカソン」において、弊社チームは 2位入賞という大変光栄な結果をいただきました。本記事では、ハッカソンの参加を通じて得られた知見や、実際に構築した AI エージェントの技術的ポイントを中心に解説していきます。

ユースケースと技術要件

ユースケースをフランチャイズ企業の飲食店店舗一元管理と新規開拓として以下の3つの機能を実装しました。

• 店舗光熱費の予測と月次/日次の電気・ガス・水道最適化提案
• 店舗利益率と光熱費の評価
• 新規開拓に向けた既存データの活用

ワークスペース設計

飲食店のフランチャイズ企業に属する3つの部署を仮定し、各部署に専用ワークスペースを用意し、アクセス可能なWebappやダッシュボードを管理しています。

これにより、他部署のエージェントや分析を再利用可能とし、工数削減に貢献することができます。

以下の図は、今回想定したユースケースにおける全体像です。各チームの役割と機能、このソリューションで期待できる効果、Dataikuの６Sフレームワークの関係を表しています。

ワークスペースにおける各チームの関係図

前提条件

環境

• プラットフォーム：Linux (Amazon EC2)
• Connection（保存先）：Amazon S3バケットのみ
• Dataiku バージョン：14.2.0（Cloud Stack版）
• LLM：Amazon Bedrock (バージョン等は都度記述)

3. 技術解説

ここからは各部署のワークスペースの機能を、技術的側面からそれぞれ解説していきます。

3.1 データ分析チームのワークスペース（hackathon_analysing_data）

店舗情報の統計結果やデータ分析の結果の可視化、さらには分析結果を社内他部署に提供することを想定しています。

Dataikuを用いたデータの静的分析

実際のデータには様々な関係が存在します。収集したデータについて、これらの関係が適切に構築されているか、また大きな外れ値が存在していないかを確認する際、Dataikuを使用すると簡単に見分けることができます。

以下は今回のハッカソンで私たちが作成したデータにおいて、設定どおりに関係性が反映されているかを確認した際の結果です。今回は世田谷区・千代田区・江東区・渋谷区・練馬区の5つの区に均等に店舗が分配されるように設定しました。

Dataikuで利用できるアルゴリズム

Dataikuではデータ予測に多種多様なアルゴリズムを使用することができます。複数のアルゴリズムを用いて同じデータを分析し、その予測結果から使用するアルゴリズムを選択することができます。

今回、私たちが予測モデルを作成する際に比較した主なアルゴリズムは以下の4つです。

• Random forest
  →大量の決定木をランダムに作成し、多数決で結果を出すアンサンブル学習手法。
• NPTS
  →過去の類似パターンをもとに将来を推測するタイプの手法。
• imple Feed Forward – Torch
  →全結合層のみで構成されたシンプルなニューラルネットワークを用いた時系列モデル。
• Deep AR -Torch
  →再帰型ニューラルネットワーク（RNN）を用いた代表的な時系列予測モデル。

以下の表はこれらの4つのアルゴリズムについて、性能や特性を観点別に比較したものです。

各アルゴリズムの右側に表示されている数値はMAPEの値です。アルゴリズムの精度を見る指標として、MAPE（Mean Absolute Percentage Error：平均絶対パーセント誤差）があり、値が低いほど予測精度が高いことを意味します。この評価指標は設定により変更することが可能です。

今回のハッカソンでは「短時間で予測可能」「学習コストが低い」という条件を重視したため、精度と実行速度のバランスが良かったNPTSを採用しました。

このようにDataikuでは、目的や要件に合わせてさまざまなアルゴリズムを柔軟に使い分けることができます。複数のアルゴリズムを一つのデータセットに適用し、その結果を比較して最適なモデルを選択することが可能です。

※データ数や選択したアルゴリズムによっては、処理時間やCPU使用率に影響が出る可能性があります。

3.2 店舗管理チームのワークスペース（hackathon_managing_branch）

各店舗の管理にあたり、売上・費用管理改善を対話ベースで行うことを想定しています。

中心となるのはAgent Hubで、複数のAIエージェントを統合し、店舗IDをキーに一貫した対話を実現しました。

※AIエージェントの作成方法はこちらを参考にしました。【Dataiku】エージェントの基本的な作り方

使用するメインのエージェント:【飲食店店舗光熱費管理エージェント】(Agent Hub)

店舗管理チームが使用するAgentを束ねるメインのAgent Hubになります。今回は以下のような設定で使用しています。

各Agentの概要

各エージェントの役割

①1_starter_agent

すべてのエージェントに接続しているエージェントで、初めての方に対してこのAgent Hubが持つ機能の説明を行います。

• 使用したツール：
  LLM Mesh（各エージェントの呼び出し）
  
  
• 機能の説明：
  ②から⑥のエージェントを接続し、複数あるエージェントの選択を変更することなく会話を続ける/終了することができます。
  
  
• 工夫点：
  Agent Hubが持つすべての機能を会話の中で説明できるため、初めての人にこのAgent Hubの使い方を説明することができます。
  また、すべてのエージェントが店舗IDを軸に働いているため、最初に店舗IDの入力を促すプロンプトを設定することで、すべてのエージェント機能において情報の利用がスムーズになります。

④3_utility_calculator

1か月の光熱費を計算してくれるエージェントです。

• 使用したツール：
  • Inline Python（電気料金の計算を行うもの、ガス料金の計算を行うもの、水道料金の計算を行うもの）
  • Calculator（現在時刻を取得する）
     
• 機能の説明：
  データセットから電気、ガス、水道の使用量（過去のデータと予測したデータ）を抽出し、Pythonで定義したルールに従って光熱費を計算します。また、データ分析チームの予測した光熱費使用量から、月全体の光熱費を計算することが可能です。
  
  
• 工夫点：
  時系列予測モデルで月末までの使用量の予測を算出しているため、今月の光熱費の予測を計算することが可能になります。
  また、店舗IDを会話から抽出し、データセットに対して店舗IDを検索し該当店舗の光熱費のみ計算を行うことができます。会話の中で月の指定がなかった場合は、自ら現在時刻を取得し、今月の光熱費を計算します。時刻はCalculatorツールを使用してSQLで現在時刻を取得することで、生成AIのハルシネーションを防ぐことができます。

⑤3_manage_target_amount

店舗ごとの目標光熱費金額を設定できるエージェント

• 使用したツール：
  • Dataset Append（光熱費目標金額、店舗ID、格納時刻のデータ施途への格納を行う）
  • Dataset Lookup（店舗IDの最新の光熱費目標金額を抽出する）
  • LLM Mesh（utility_calculatorの呼び出しを行う）
     
• 機能の説明：
  会話の中で光熱費の目標値を設定した際に、それをデータセットに格納しておくことで記憶しておくことが可能です。新しい会話を始めた際には同じデータセットに店舗IDで検索をかけることで、エージェントが前回の会話を記憶しているかのように振る舞うことが可能になります。
  
  
• 工夫点：
  Agent ToolとしてはDataset Append（上書きではなく追加）のみであったため、データセット格納の際に格納時刻をレコードに持たせておくことで、そのデータセットをソートし、最新のデータをDataset Lookupを使用して抽出できる仕組みを作成しました。
  また、料金計算ルールをInline Pythonとして持たせておくことで、光熱費削減量から削減したい使用量を逆計算できるようになるため、より具体的なアドバイスの生成に役立ちます。
  
  

• システムの動き
  (1) チャットにて今月の光熱費目標を設定。

 (2)  格納時刻、店舗IDとともにデータセットに格納。

光熱費目標データのDataset Append結果

(3)  Dataset Lookupは最上のデータから取得するため、Sortレシピで格納時刻を昇順に並び替え。

Scenarioによる格納時刻順ソート処理
（SortレシピはScenarioにてDataset Appendのデータセット更新をトリガーにして実行している）

ScenarioによるSortレシピ自動実行設定

(4)  dataset Lookupでデータを取得し、エージェントが過去の会話を記憶しているかのように振る舞うことができる。また、設定した目標をもとに実際の光熱費の評価を行うことができる。

目標値を考慮した光熱費評価結果の表示例

⑥4_saving_idea

節約方法提案エージェント

• 使用したツール：
  • Google Search（グーグル検索を行う）
  • Calculator（現在時刻を取得する）
  • Dataset Lookup（店舗情報を検索する）
     
• 機能の説明：
  設定した目標に対し、どのように節約すればよいか一般的な情報をもとに提案できます。
  
  
• 工夫点：
  Google API Endpointと接続し、Googleを用いたWeb検索を可能にする機能を持ちます。また、あらかじめ店舗情報を保持しておくことでより、その店舗にあった節約方法を提案できるようになります。
  
  
• 会話例：

3.3 新規開拓チームのワークスペース（hackathon_developing_new）

新規出店予定地についての情報をもとに、既存店舗との比較を基にした分析、予測を行うことを想定しています。

分析、予測にあたっては既存店舗のクラスタリングモデルに新規出店予定地の情報を入力として与え、ラベリングした結果をもとに、特徴の似た店舗の情報を活用しています。

学習済みモデルをAmazon SageMakerにデプロイしAPI Endpointから呼び出す

ここではDataikuのAgentから「Model Prediction」ツールでサポートされていない機械学習モデルをAgent ToolとしてAgentから呼び出して予測を行うための手順を示します。(本来であればDataiku上のAPI Nodeを利用するべきですが、諸事情により使用できなかったため、遠回りしています。)

設定の全体像

実際の分析

クラスタモデルを作成したモデルでの分析結果をもとにクラスタリングによるラベル付けが完了しているデータセットに対してDataset Lookupツールを使用できるような形でエージェントを作成すると、以下のように使用できることが分かります。

4. まとめ