コネヒトにおける機械学習関連業務の紹介資料

コネヒトにおける機械学習・データ関連業務の紹介資料最終更新：2026/01

本資料の目的 2 コネヒトでは Tech vision の1つに 1 to 1 AI
というStrategyを掲げており、パーソナライズや自然言語処理を活用したコミュニティ改善などの分野に積極的にチャレンジしていく予定です。この資料では、機械学習・データに関連する活用事例や取り組み、今後チャレンジしていきたいことについてお伝えできればと思います。

Contents 3 1. コネヒトについて 2. サービスについて 3. ML・データ活用事例・取り組み 4. 今後のチャレンジ
5. MLエンジニアの役割・利用技術 6. 採用に関する情報

1. コネヒトについて

社名代表創業株主住所
コネヒト株式会社杉井信一郎 2012年1月13日 KDDI株式会社東京都中央区築地 2-11-10 MISTO Tsukiji7階 01　コネヒトについて会社概要従業員数 70人（内男性:48％、女性:52％） 5 ※2025年3月時点

01　コネヒトについてありとあらゆる価値観が見つめ直され、家族のあり方も変化している。人の数だけ叶えたい未来があり、家族の数だけありたい姿があるはず。私たちコネヒトはそんな「家族像」という大きなテーマに取り組む会社です。日々の生活の中で、変わり移ろい続けるあなたの「こうありたい」と願う家族の姿が、自然と受け入れられ、そして、それがいつの時代も叶う社会を私たちは目指しています。あなたの家族像が
実現し続けられる社会へ 6 VISION

コネヒトは創業以来、ママを中心とした家族の日々の喜びや笑い声、時には不満や悩みの声と共に多様な家族像のあり方を学んできました。また、ソーシャルメディアの進化により、私たちの声には社会を変える力があることを知りました。だからこそ、家族像を実現し続けられる社会に必要なことは、たくさんの生活者の声を集め、その声を活用することだと私たちは信じています。そのために「生活者の声を集めることで、暮らしや社会がより良くなっていく力」を集声力と呼び、コネヒトに声を届ければ、社会を変えることができると言われるまで集声力を育てていきます。 01　コネヒトについて集声力を圧倒的
No.1に育てる 7 MISSION

01　コネヒトについて KGI：希望出生数と予定出生数のギャップの解消日本における希望出生数と予定出生数の間には約0.24人の差分が存在します。コネヒトはこの差分の大きな要因となる 4つの課題を事業領域に定め、両者のギャップの解消を目指します。希望
2.25人＝予定 2.01人 − 0.24人差分参考：国立社会保障・人口問題研究所　2022年・第16回出生動向基本調査（結婚と出産に関する全国調査） ※2022年・第16回出生動向基本調査（結婚と出産に関する全国調査）の内、夫婦調査を参考 8 VISIONが目指す先

01 家計の悩み 02 不妊の悩み 03 育児の悩み 04
社会の意識 4つの課題を事業領域に定め、事業開発・アライアンスなど様々な手法で解決を目指す 01　コネヒトについて 9 VISIONが目指す先

コネヒトのこれまで／コネヒトのこれから／挑戦する市場これまでとこれから 10

主軸サービス「ママリ」がママになる３人に１人が利用するサービスへ成長ユーザーであるママに寄り添い、日々の育児課題を解決 500,000 1,000,000 2,000,000 3,000,000 ※「ママリ」で 2023年内に出産予定と設定したユーザー数と、厚生労働省発表「人口動態統計」の出生数から算出
2014 2015 2016 2017 2018 2022 5人に 1人 4人に 1人 3人に 1人（アプリUU） 2019 2021 2020 4,000,000 ※ 11 コネヒトのこれまで

健康事由経済事由価値提供を目指すターゲットを、課題当事者から課題当事者と課題支援者へ拡大社会雰囲気事由育児負担事由
人の誕生（共通体験）人の誕生とコネヒトの関係性これまで妊娠/出産というライフイベント当事者であるママ自身の課題解決に注力これから親族・友人・第三者などあらゆる支援者を巻き込み経済的なインパクトのある価値提供に挑戦する ➡ 人の誕生以前人の誕生以降課題当事者課題支援者課題当事者を応援・感謝したいという課題祖父母、親族、友、その他、課題当事者の課題を支援・応援・感謝し合いたいあらゆる人 12 コネヒトのこれから

「人の誕生」を取り巻く市場の成長性や社会からの注目度は年々向上少子化を背景にしながらも、ベビー用品や関連サービス・習い事・教育費など人の誕生（出産/育児）を取り巻くコト /市場や支援のマーケット自体は成長しており、省庁新設や行政支援など、社会的な注目度も高い。ベビー用品関連サービスベビー用品・関連サービス市場は、
2014年から2020年で約1兆2千億円増加。習い事小学1〜4年生にかける習い事の月額費用が 2014年から2019年で平均1600円程度増加。教育費用学習塾費用は1994年から2016年で公立中学校では約5.7万円、私立高等学校では約5.3万円増加。こども家庭庁が2023年創設。伴走型相談支援など行政の取組も加速。こども庁行政支援 13 挑戦する市場

これから10年以内に大きなイノベーションが起きる可能性が高い課題領域へコネヒトは挑戦を続けます個人の働き方や生き方の変化とともに、社会の価値観や仕組みも変化しており、「人の誕生」を取り巻く市場は今、大きく動きはじめています。 #MeTooやLGBTQといった過去何百年も解決しなかった社会課題が非当事者も巻き込んだ課題提起を追い風にここ 10年程度で大きく変化したように、
家族を取り巻く課題領域も、 5年・10年後には誰も想像しなかった未来が訪れると信じ、コネヒトは挑戦を続けていきます。 14 挑戦する市場

2. サービスについて　 toC向け事業 15

ユーザー同士で悩みを相談しあう Q&A機能月間投稿数110万件、回答率95%、一つ目の回答がくるまで 2-3分(最頻値) Q&Aコミュニティ生活に役立つ記事を毎日配信。専門家監修の記事も多数メディアインスタハッシュタグ「 #ママリ」の投稿数が約 1,030万件超で
#ママ（投稿数：約570万件）よりも投稿されている SNS サービスについて　toC向け事業ママになる 3人に1人が利用中！ママ向けNo.1サービス「ママリ」 ※「ママリ」で 2023年内に出産予定と設定したユーザー数と、厚生労働省発表「人口動態統計」の出生数から算出 ※ 16 特定のテーマごとに存在するルーム内でママ同士でリアルタイムチャットができる機能（リアクションやスレッド機能有り）サークル

出産前後は、今まで考えたことすらなかった購入機会が増える一方、体力や時間が限られた中、わが子と家族のスタイルに合う商品を見つけるのは難しいもの。ママリ口コミ大賞は、そんな悩める家族に、全国の先輩ママの「本当に使ってよかった」商品・サービスを紹介する取り組みです。ママリ口コミ大賞 17 サービスについて　toC向け事業

2. サービスについて　 toG, toB向け事業 18

自治体や企業と連携して行う多様なサービスは、コネヒトの新たな価値創造と成長を後押しするものです。私たちは、様々な取組みを通じて主に 3つの価値提供を目指します。 ※ 19 多様なパートナーとの連携による社会課題解決「集声力」の活用による新たな価値創出事業領域の拡張による
コネヒトの企業価値向上「ママリ」を起点に、家族・自治体・企業を繋ぎ、子育てを取り巻く社会課題の解決に貢献します。「ママリ」に集まる当事者の声を分析・活用することで、社会課題を可視化し、新たなアウトカムを創出します。「ママリ」のサービス提供に留まらず、官民連携の領域で実績を創ることで、企業としての提供価値を拡張していきます。 01 02 03 サービスについて　toG, toB向け事業

若年層の将来のライフプランニング支援のため、性や健康に関する正しい知識を提供するセミナーや教材作成、情報発信を行います。プレコンセプションケア（※）事業 20 独自のカード教材などを用いて、従来の価値観に縛られない、自分らしい生き方や家族像を考えるワークショップ等を提供します。ライフデザイン事業「とるだけ育休」の社会課題提起を起点に、男性育休取得推進や女性活躍をテーマとした企業研
修、制度構築コンサルティングなどを行います。仕事と子育ての両立支援事業「ママリ」の検索データを活用し、虐待などに繋がる可能性のあるハイリスク層を早期に検知。専門家相談へ繋ぎ、予防的介入を支援します。ハイリスク検知・支援事業 ※プレコンセプションケアとは：妊娠前のケアにとどまらない、生涯にわたり身体的・精神的・社会的（バイオ・サイコ・ソーシャル）に健康な状態であるための取組として、「性別を問わず、適切な時期に、性や健康に関する正しい知識を持ち、妊娠・出産を含めたライフデザイン（将来設計）や将来の健康を考えて健康管理を行う」概念サービスについて　toG, toB向け事業

3. ML・データ活用事例・取り組み

22 主なデータの種類 Q&Aデータ自然言語：投稿数はQA合わせて月間約130万件画像：QAに添付される画像ユーザーの属性データユーザーの年齢、子供の年齢、住んでいる地域 … 行動ログデータクリック、検索
... 記事データ webとアプリで配信しているコンテンツのデータ QAイメージ検索イメージ

23 事例：コミュニティ検閲 Trust&Safetyなコミュニティを維持するための検閲モデルモデルが不適切な投稿と判断したデータに対して、人間が目視チェックを行うことでHuman in the loopを実現し、コスト削減に寄与関連記事：・コネヒトの機械学習プロジェクトにおける構想フェーズ・PoCフェーズの進め方
- コネヒト開発者ブログ・機械学習と人が協力してママリのコミュニティを支えているよ、という話をしました - コネヒト開発者ブログ

24 事例：カテゴリ類推質問投稿時のカテゴリを投稿内容から推測し自動的にサジェストすることで、質問投稿のコンバージョンUPに寄与関連記事：・カテゴリ類推の機械学習モデルをプロダクションに導入した話 - コネヒト開発者ブログ

25 事例：レコメンデーションユーザーの行動ログから興味のあるコンテンツを予測し優先的に表示することで、UX向上に寄与関連記事：・レコメンデーション機能を実装するまでの "not 技術的" な取り組みについて -
コネヒト開発者ブログ・トピックモデルを活用したレコメンデーションの実装 - Speaker Deck ・コミュニティサービスにおけるレコメンデーションの変遷とMLパイプラインについて - Speaker Deck

26 事例：チュートリアルでのデータ活用特定のセグメントにおいて、プロダクトを利用するユーザーがどんなトピックに興味があるのかを分析し、アプリのチュートリアルで活用関連記事：・オンボーディング改善に機械学習を活用する〜トピックモデルによる興味選択編〜・オンボーディング改善に機械学習を活用する〜Graph Embedding（node2vec）による推薦アイテム計算〜

27 事例：データパイプラインの構築 • 全社向けデータ基盤（BigQuery）の構築 ◦ StepFunctionsやDataformを利用し、分析しやすいデータ基盤を構築 • 検索エンジンへのデータインジェストパイプラインの構築運用 ◦ 検索エンジンのインデックス更新や、ニアリアルタイムなデータ同期用のパイプラインの
構築と保守運用の実施検索基盤用のパイプライン関連記事：・ニアリアルタイムで同期される検索基盤を構築 ~AWS Glueによるデータ同期編~ ・ニアリアルタイムで同期される検索基盤 ~パイプライン構築編~

28 事例：検索システムの構築と精度改善 • 検索システムを0から構築 ◦ ユーザーの声を素早く反映出来たり、検索体験をアプリのコア機能にしていくために検索システムを0から構築 ◦ サジェスト機能の改善、アナライザーの修正や独自のユーザー辞書によるゼロ件ヒットの改善などユーザー体験の向上や精度改善を実施
◦ 安全で信頼性が高いパイプラインの構築とその運用の実施 ▪ Blue/Greenデプロイメントによる安全なインデックス切り替え関連記事：・ニアリアルタイムで同期される検索基盤を構築 ~AWS Glueによるデータ同期編~ ・ニアリアルタイムで同期される検索基盤 ~パイプライン構築編~ ・検索システムで再現率向上に取り組んだ話・Character ﬁlterを用いたアルファベットの大文字小文字対応によるゼロ件ヒット改善・日本語サジェスト機能の実装にあたり試行錯誤した話

29 事例：社内向けデータ分析 AI Agentの開発社内向けにBigQueryのデータを自然言語で抽出し、レポーティングを行える AI Agentシステムを開発

30 事例：産学連携経営科学系研究部会連合協議会（JASMAC）が運営する令和3年度データ解析コンペティションへママリの投稿データや行動ログデータを提供産学連携でママリデータを国内最大級のデータ解析コンペティションに提供

31 事例：産学連携大学と共同研究を行うことで、より良い社会実現を目指すコネヒトと青山学院大学経営学部マーケティング学科の横山暁准教授が共同研究を開始コネヒトと北海学園大学工学部内田ゆず研究室が共同研究を開始

4. 今後のチャレンジ

33 取り組みたいチャレンジ情報推薦コミュニティ改善妊娠や、子育て育児における様々なライフイベントを過ごすユーザーに対して、パーソナライズした情報提供を行いユーザー体験を向上させる • 行動ログベースのレコメンド • 関連アイテムのレコメンド
etc … Trust&Safetyなコミュニティを維持しながら、コミュニケーションを活性化させる • 質問と回答者のマッチング • 回答の関連度ソート • 不適切な投稿からユーザーを守る仕組み etc …

34 取り組みたいチャレンジ自然言語処理 MLOps / 機械学習基盤の整備大量にある自然言語データを用いた新機能開発やデータの構造化、情報検索への活用 • コミュニティ内でのトレンド分析 •
キーワード抽出、表現抽出 • 検索システムのパーソナライズ etc … より高速に実験やデプロイを行える機械学習基盤やデータの整備 • デプロイフロー改善（CI/CDの改善） • モデルの監視 • データのストリーミング処理 • Feature Storeの構築 etc …

35 取り組みたいチャレンジ LLM/AI Agent データ基盤の整備 LLMを用いた新機能開発や社内向けAI Agentの開発 • 検索要約、自動回答 •
社内向けAI Agent etc … LLMの性能を引き出したり、LLMを社内の戦力とするためのデータ基盤、ナレッジマネジメント • 非構造データの構造化 • 社内ドキュメント（Notionなど）の自動整理、RAGシステム etc …

5. MLエンジニアの役割・利用技術

MLエンジニアの役割 37 MLプロダクトの開発はもちろん、データ起点でPdMと連携し、仮設出しや施策立案といったデータサイエンティスト（データアナリスト）のような役割も担う。また、データ基盤の整備や社内向けLLMプロダクト開発なども推進・新規施策立案のため、PdMと協業しながらのデータ分析・レポーティング・各部署から依頼されるデータ分析要件・社内にあるデータの有効活用データ分析による示唆出し
・機械学習プロジェクトにおける、データ分析 / モデル開発 / ML基盤構築 / API開発など（モデリングだけではなく、プロダクション周辺のコード開発もサーバーサイドエンジニアとコミュニケーションを取りながら担当）データ分析〜ML基盤構築〜API開発

MLエンジニアの働き方フェーズによって動き方が異なる • 施策立案/PoC：プロダクト開発チームの中に入り、MLの専門家として示唆出しや技術検証（コラボレーション） • 開発/運用：MLプロダクトを機能として特定のインターフェースを経由し、プロダクト開発チームに提供する（X-as-a-Service）

利用技術 Development Analysis infra / MLOpos Data

機械学習基盤一例ではありますが、コンテナ（Docker）とAWSのサービスを用いて機械学習基盤を構築・運用しています関連記事：・SageMaker StudioとStep Functionsを用いてMLOpsへの一歩を踏み出そう - Speaker Deck
・機械学習プロジェクトにおけるSageMaker Processingの使い所 - コネヒト開発者ブログ・SageMakerとStep Functionsを用いた機械学習パイプラインで構築した検閲システム（前編） - コネヒト開発者ブログ・SageMakerとStep Functionsを用いた機械学習パイプラインで構築した検閲システム（後編） - コネヒト開発者ブログ・SageMaker Experimentsを使った機械学習モデルの実験管理 - コネヒト開発者ブログ

採用関連情報はこちら採用についての詳細はこちらをご覧ください https://connehito.com/recruit/ 41

コネヒトにおける機械学習関連業務の紹介資料

コネヒトにおける機械学習関連業務の紹介資料

Connehito Inc.

Other Decks in Technology

Featured

Transcript

コネヒトにおける機械学習・データ関連業務の紹介資料最終更新：2026/01

本資料の目的 2 コネヒトでは Tech vision の1つに 1 to 1 AI

Contents 3 1. コネヒトについて 2. サービスについて 3. ML・データ活用事例・取り組み 4. 今後のチャレンジ

1. コネヒトについて

社名代表創業株主住所

01 家計の悩み 02 不妊の悩み 03 育児の悩み 04

コネヒトのこれまで／コネヒトのこれから／挑戦する市場これまでとこれから 10

健康事由経済事由価値提供を目指すターゲットを、課題当事者から課題当事者と課題支援者へ拡大社会雰囲気事由育児負担事由

2. サービスについて　 toC向け事業 15

2. サービスについて　 toG, toB向け事業 18

3. ML・データ活用事例・取り組み

22 主なデータの種類 Q&Aデータ自然言語：投稿数はQA合わせて月間約130万件画像：QAに添付される画像ユーザーの属性データユーザーの年齢、子供の年齢、住んでいる地域 … 行動ログデータクリック、検索

25 事例：レコメンデーションユーザーの行動ログから興味のあるコンテンツを予測し優先的に表示することで、UX向上に寄与関連記事：・レコメンデーション機能を実装するまでの "not 技術的" な取り組みについて -

29 事例：社内向けデータ分析 AI Agentの開発社内向けにBigQueryのデータを自然言語で抽出し、レポーティングを行える AI Agentシステムを開発

4. 今後のチャレンジ

34 取り組みたいチャレンジ自然言語処理 MLOps / 機械学習基盤の整備大量にある自然言語データを用いた新機能開発やデータの構造化、情報検索への活用 • コミュニティ内でのトレンド分析 •

35 取り組みたいチャレンジ LLM/AI Agent データ基盤の整備 LLMを用いた新機能開発や社内向けAI Agentの開発 • 検索要約、自動回答 •

5. MLエンジニアの役割・利用技術

利用技術 Development Analysis infra / MLOpos Data

機械学習基盤一例ではありますが、コンテナ（Docker）とAWSのサービスを用いて機械学習基盤を構築・運用しています関連記事：・SageMaker StudioとStep Functionsを用いてMLOpsへの一歩を踏み出そう - Speaker Deck

採用関連情報はこちら採用についての詳細はこちらをご覧ください https://connehito.com/recruit/ 41