Upgrade to Pro — share decks privately, control downloads, hide ads and more …

ML PM, DS PMってどんな仕事をしているの?

ML PM, DS PMってどんな仕事をしているの?

仁ノ平 将人 / Masato Ninohira
LINE株式会社 Data Science Center ML&DS Planning team
※LabTech Talk vol.79での登壇資料です
https://labtechtalk-event230123.peatix.com/view

LINE Developers
PRO

January 23, 2023
Tweet

More Decks by LINE Developers

Other Decks in Technology

Transcript

  1. .-1. %41.ͬͯ ͲΜͳ࢓ࣄΛ͍ͯ͠Δͷʁ .BTBUP/JOPIJSB !.-%41MBOOJOH5FBO 

  2.  .- %4૊৫ͷऔΓ૊Έ  1.૊৫ .-%41MBOOJOH5FBN  .- %41.ͷ͓࢓ࣄ 

    .- %41.ͱ͍͏ΩϟϦΞ  ͍͞͝ʹ Contents
  3. .BTBUP/JOPIJSB [email protected] σʔλαΠΤϯςΟετ !ϒϨΠϯύου ɾd ৽ଔ ɾαΠΤϯεدΓͷҊ݅ ɾ࠷ޙ೥͸খن໛Ҋ݅ͷ1. .-%41MBOOJOH!-*/& ɾd

    ɾ .- 1FSTPOB ଐੑਪఆ 'FBUVSF7FDUPS ԣஅಛ௃ྔ -*/&Ϊϑτ 3% ɾ %4 -*/&1BZ ˞ࠓ೔ͷ࿩΋ؚΊͯ.- %41.ʹ͍ͭͯڵຯ͕͋Δํ͸ ؾܰʹ5XJUUFS౳Ͱ͝࿈བྷ͍ͩ͘͞
  4. .- %4૊৫ͷऔΓ૊Έ Data Science Center / Data Engineering Center

  5. .-૊৫ͷऔΓ૊Έ Data Science Center / Data Engineering Center

  6. .-૊৫Ͱ͸༷ʑͳϥΠϒϥϦɾιϦϡʔγϣϯΛ։ൃ 3FDPNNFOEBUJPO &YTUJDLFST 4UJDLFS"VUP5BHHJOH • スタンプ画像から 意味的なタグを推測し、⾃動付与 • 2021年〜、深層学習モデルを更新(Efficient Net)

    6TFS1FSTPOB1SFEJDUJPO • サービス横断のユーザ⾏動ログを利⽤して、DNN系のロジックで推定(〜数億ユーザ) • 継続的にリファクタリングやロジック改善等を進めており、MLP Mixerなども利⽤ LINE for Business 2022年10-2023年3⽉期 媒体資料より https://www.linebiz.com/jp/download/ 出前館 %SJWFS .FSDIBOU 6TFS  3FR GPSPSEFS  3FRGPS EFMJWFSZ  3FRGPS QSFQBSBUJPO  QJDLVQ EFMJWFSZ 複数の機械学習のコンポーネントを提供し、オンラ イン予測のためのパイプラインも個別に構築 For Users • 商品の推薦(≒ 何を注⽂すればよいか︖) For Demae-can (as a broker/仲介者) • オーダーの配達依頼(≒ 誰に配達を依頼すればよいか?) For Drivers • エリア単位での直近需要の予測(≒ どこで待てばよいか?) • レストランの準備時間予測(≒ いつ受け取りに⾏けばよい か?) 4NBSU$IBOOFM トークリスト上部にコンテンツ・広告を表⽰ • 2段構成で、ML室は下記の両⽅を提供 1. 個別サービスのコンテンツ向けターゲティングロジック (様々な組織が供給) 2. 最終的にコンテンツ or 広告を1つ選定 -JCSB4VJUF MLの開発効率化 + DSの検証効率化のための内製ツール 画⾯設計・デザインをUIのチームに依頼し、バックエンドをML室で開発 CMS for A/B Test & Rollout Dashboard for A/B Test 推薦結果の可視化 $SPTT4FSWJDF6TFS$POUFOU'FBUVSFT • 事業横断でML向けのデータを整備し、社内の他ML組織に提供 • 表現学習により、密ベクトル化したデータなども作成 .-#BUDI"1*T MLプラットフォーム化により、開発したモデルの再利⽤性や開発効率などを⼤幅に向上 0XO-JCTGPS%FW&GGJDJFODZ • cumin: データアクセスの抽象化 • swimmy: RPC to k8s cluster • ghee: 分散並列処理(転送 & 演算) • ghee-models: MLモデル(python) • masala: MLモデル(yaml)
  7. .-૊৫ͷྺ࢙ 2018 • 3FMFBTFSFDPNNFOEFSTUP NVMUJQMFTFSWJDFT • *OJUJBMBEPQUJPOPG(16JO QSPEVDUJPO • -JCSBEFTJHOJNQM

    • 4NBSU$IBOOFM • -JCSBTVQQPSUJO NVMUJQMFTFSWJDFT TFMEPNMZVTFEJO.- • (IFFNPEFMT FUD GPSNPEFMJNQM $PNNPOJ[BUJPO • %//CBTFE SFDPNNFOEFSTJO NPTUTFSWJDFT • %FNBFDBOXPOMJOF JOGFSFODJOH • .-"1*T • .-0QT • 0OMJOF.- • 0OEFWJDF.- -'- • .-1SJWBDZ • &UD 2019 2020 2021 'SPN.-NPEFMJOHUPQMBUGPSNEFWFMPQNFOU 2022 • ,TDMVTUFS • .-NPEFM JNQSPWFNFOUTWJB -JCSB
  8. %4૊৫ͷऔΓ૊Έ Data Science Center

  9. ୲౰ϓϩμΫτٴͼ -*/&ϓϥοτϑΥʔϜશମ΁ͷߩݙΛ໨ࢦ͢ %BUB4DJFODFࣨͷϛογϣϯ  σʔλ෼ੳʹΑ֤ͬͯ-*/&αʔϏεͷڝ૪ྗΛ࠷େԽ͢Δ • σʔλΛ׆༻ͨ͠ܧଓతվળͷ࢓૊Έͮ͘Γ • ॏཁ͔ͭ೉қ౓ͷߴ͍՝୊ͷղܾ 

    -*/&શମͷσʔλ׆༻ϨϕϧΛ޲্ͤ͞Δ • શͯͷ-*/&3ͷσʔλ׆༻Ϩϕϧͷఈ্͛ʗҾ্͖͛ • ޿͘ద༻Մೳͳσʔλ෼ੳͷ࢓૊ΈʢϓϥοτϑΥʔϜɺϓϩηεɺํ๏࿦ɺ FUDʣͷఏڙ
  10. جຊਓ1+ɺ1+ϝϯόʔಉ࢜Ͱٞ࿦ɾϨϏϡʔ͠߹͏ ϓϩδΣΫτ΁ͷΞαΠϯํ਑ͱ࢓ࣄͷਐΊํ 事業部X 事業部Y プロジェクトZ チームA チームB チームA チームB …

    Data Science室 データ サイエンティスト • σʔλཧղ΍υϝΠϯ஌͕ࣝΞ΢τϓοτͷྔɾ࣭ʹ௚݁ ˠ جຊ͸೥୯ҐͰΞαΠϯݻఆ • 1+νʔϜ಺Ͱ͓ޓ͍ʹٞ࿦ɾϨϏϡʔ • %4ࣨ಺Ͱ΋4MBDL΍ि࣍ఆྫΛ௨ͯ͠ࣄྫڞ༗ͳͲΛ࣮ࢪ 分析サポート PJごとに チーム化
  11. ࠷ۙͷϓϩδΣΫτྫʢ೥݄࣌఺ʣ %BUB4DJFODFࣨ͸ ଟ͘ͷॏཁͳϓϩδΣΫτʹؔΘ͍ͬͯΔ -*/&ΞϓϦ -*/&ϑΝϛϦʔ αʔϏε -*/&ͷ ๏ਓ޲͚αʔϏε -*/&'JOBODJBM αʔϏεԣஅ

    ϓϩδΣΫτ • )PNFUBC $IBUUBC -*/&700.౳ͷ6*69 • -*/&ελϯϓ • -*/&Ϊϑτ • -*/& .64*$ɺͳͲ • -*/&ެࣜΞΧ΢ϯτ • -*/&޿ࠂ • -*/&1BZ • ͦͷଞۚ༥ܥαʔϏε • 4NBSU$IBOOFM • -*/&ίϯςϯπ αʔϏεϓϥοτϑΥʔϜ
  12. 事業側の協業相⼿と直接やり取りしながら、 ⾃⾝で判断しつつ業務を進める 協業相⼿ 例えば 主な協業相⼿ 協業の頻度 サービス企画者 (プロダクト担当、 マーケティング担当、 etc.)

    • 新規リリースした機能の効果検証(A/Bテスト含む) • 新機能開発時の基礎となる仮説の検証 • KPIの整理とダッシュボード化 ⾼ エンジニア • 各種ログに関する質問・確認 • A/Bテスト時の相談(ユーザー割当、UI出し分け等) 中 事業部 DSC 機械学習 エンジニア 低〜中 • 担当サービスのレコメンドシステムの仕様に関する議論 • レコメンド導⼊/改善時のA/Bテスト その他 情報セキュリティ ・データマネジメント 担当者 中 • データの利⽤条件についてセキュリティ⽬線での確認 • 新規サービスの分析環境構築の相談 データ サイエンティスト ⾼ • 他サービスの事例について共有、ヒアリング • データ分析全般に関するディスカッション
  13. ʮԿΛղ͘΂͖͔ʯʮԿʹ࢖͏΂͖͔ʯ·ͰࣗΒߟ͑Δ 分析業務において重要な3つのポイント アウトプットを 活かすところまで しっかり関わる • 「分析結果を使って何をやるべきか?」の議論、および実⾏の⽀援・検 証まで関わる • アウトプットはWikiにまとめて、対⾯で説明とネクストアクションに関

    する議論まで実施することを推奨(関係者が容易に理解できるケースで はSlackで共有のみで済ませることも多々ある) 解くべき課題は プロアクティブに 発⾒・設定する • 過去の分析や普段のコミュニケーションをもとに、⾃ら課題を発⾒する • 依頼された業務でも、妥当でなければ⾃ら調整を加える(実施しない判 断をすることもある) 本質的に重要なこ とに集中する • 「なるほど、⾯⽩いね」で終わる分析はやらない • 逆に、重要であれば単純なデータ抽出にも関わる
  14. .-ͱͷҧ͍%4૊৫͸ҎԼͷνʔϜ͔Β੒Γཱ͓ͬͯΓ·͢ ࣌఺ .-4PMνʔϜ -*/&ϚϯΨ΍-*/&(JGUͳͲͷϑΝϛϦʔαʔϏε޲͚ͷਪનϩδοΫͷ։ൃɻ ग़લؗ޲͚ͷ.-ͷ։ൃͰ͸ɺʮ৔ॴɾ࣌ؒผͰͷधཁͷ༧ଌʯ΍ʮ഑ୡ࣌ؒͷ༧ଌʯͳ ͲɺΦϯϥΠϯͷσʔλ&5-΍ਪ࿦͕ඞཁͳ.-γεςϜͷ։ൃʹ΋஫ྗ .-4PMνʔϜ -*/&ެࣜΞΧ΢ϯτͷϝοηʔδ഑৴࠷దԽ΍ɺ֤छαʔϏε޲͚ͷਪનͳͲΛ࣮ࢪ %41.-νʔϜ ޿ࠂ഑৴ʹ༻͍Δಛ௃ྔΤϯδχΞϦϯάɺ΍֎෦ഔମ޲͚഑৴γεςϜʢ-*/&޿ࠂ

    ωοτϫʔΫʣ޲͚ͷ.-΍࠷దԽΛ࣮ࢪɻ޿ࠂΫϦΤΠςΟϒͷ৹ࠪΛߦ͏.-ج൫ͷ ։ൃͳͲʹ΋ணख .-1SJWBDZνʔϜ ϓϥΠόγʔۀҬͷߴ͍ઐ໳ੑΛ͓࣋ͬͯΓɺ'FEFSBUFE-FBSOJOHͱݺ͹ΕΔٕज़Λ αʔϏεಋೖ͢ΔϓϩδΣΫτʹࢀըɻݚڀʹ΋஫ྗ͓ͯ͠ΓɺτοϓΧϯϑΝϨϯε ʹ΋ଟ਺࿦จ͕࠾୒͞Ε͍ͯΔ .-%FWνʔϜ େن໛σʔλΛѻ͏ͨΊͷɺಠࣗ.-Ϟσϧ܈ͷ࣮૷΍੔උɺαʔϏεԣஅಛ௃ྔΛ׆༻ ͨࣾ͠಺޲͚ͷ.-"1*։ൃɺ.-0QT޲͚ͷ౷ܭྔऩूγεςϜͷઃܭɾ։ൃͳͲΛ࣮ ࢪɻ'FEFSBUFE-FBSOJOHͷٕज़։ൃ΋ਐΊ͍ͯΔ .-*OGSBνʔϜ ػցֶशΤϯδχΞͷͨΊͷɺLT "JSGMPX $*$%؀ڥͳͲͷج൫੔උɺ͓Αͼ"1*ɾ ؂ࢹγεςϜͳͲͷ։ൃӡ༻Λߦ͍ɺ৴པੑͷߴ͍αʔϏεΛఏڙɻ௚ۙͰ͸ɺػցֶ श༻్ͷΦϯϥΠϯಛ௃ྔετΞɺ.-޲͚ͷ%BUBϦωʔδγεςϜͳͲ΋։ൃ .-4PMνʔϜ αʔϏεԣஅͷಛ௃ྔͷ੔උɾӡ༻͓ΑͼɺͦͷσʔλΛར༻ͨ͠Ϣʔβଐੑͷਪఆͳ ͲΛ࣮ࢪ ྘ɿ.-ΤϯδχΞ ਫ৭%4 Data Science1室 LINE のプラットフォーム機能に貢献する分析を⾏う • 複数の事業に関係する課題の定義と解決 • プラットフォーム全体の⽅針の個別分析への反映 LINEのファミリーサービスの成⻑に貢献する分析を⾏う • ユーザーとパートナー企業の満⾜に関係する課題の定義と解決 • 個別⽬標が相反する時も最善の意思決定が⾏われるよう基準を提供 Data Science2室 具体的なプロジェクトの例 • LINEアプリ(ホームタブ / トークタブ / LINEスタンプ / LINE VOOM / SmartCH など) • LINE公式アカウント • LINE広告(ホームタブ / SmartCH / LINE VOOM / LINE NEWS / LINE広告ネットワーク など) 具体的なプロジェクトの例 • LINE Gift / LINE MUSIC / LIVEBUY / 位置情報など • LINE Pay を中⼼とする⾦融系サービス
  15. 1.૊৫ .-%41MBOOJOH5FBN

  16. .-ɾ%4૊৫͸ҎԼͷνʔϜ͔Β੒Γཱ͓ͬͯΓ·͢ ࣌఺ ྘ɿ.-ΤϯδχΞ ਫ৭%4 Data Science1室 LINE のプラットフォーム機能に貢献する分析を⾏う • 複数の事業に関係する課題の定義と解決

    • プラットフォーム全体の⽅針の個別分析への反映 LINEのファミリーサービスの成⻑に貢献する分析を⾏う • ユーザーとパートナー企業の満⾜に関係する課題の定義と解決 • 個別⽬標が相反する時も最善の意思決定が⾏われるよう基準を提供 Data Science2室 具体的なプロジェクトの例 • LINEアプリ(ホームタブ / トークタブ / LINEスタンプ / LINE VOOM / Smart Channel など) • LINE公式アカウント • LINE広告(ホームタブ / Smart Channel/ LINE VOOM / LINE NEWS / LINE広告ネットワーク など) 具体的なプロジェクトの例 • LINE ギフト / LINE MUSIC / LIVEBUY / 位置情報など • LINE Pay を中⼼とする⾦融系サービス ML Sol.1チーム LINEマンガやLINE ギフトなどのファミリーサービス向けの推薦ロジックの開発。 出前館向けのMLの開発では、「場所・時間別での需要の予測」や「配達時間の予測」など、オンライン のデータETLや推論が必要なMLシステムの開発にも注⼒。 ML Sol.2チーム サービス横断の特徴量の整備・運⽤および、そのデータを利⽤したユーザ属性の推定などに取り組んで いる。LINE公式アカウント向けの配信最適化や推薦なども実施。 DSP MLチーム 広告配信に⽤いる特徴量エンジニアリング、や外部媒体向け配信システム(LINE広告ネットワーク) 向けのMLや最適化を実施。広告クリエイティブの審査を⾏うML基盤の開発などにも着⼿。 ML Privacyチーム プライバシー業域の⾼い専⾨性を持っており、Federated Learningと呼ばれる技術をサービス導⼊ するプロジェクトに参画。研究にも注⼒しており、トップカンファレンスにも多数論⽂が採択されている。 ML Dev.チーム ⼤規模データを扱うための、独⾃MLモデル群の実装や整備、サービス横断特徴量を活⽤した社内向 けのML API開発、MLOps向けの統計量収集システムの設計・開発などを実施。Federated Lear ningの技術開発も進めている。 ML Infra.チーム 機械学習エンジニアのための、k8s, Airflow, CI/CD環境などの基盤整備、およびAPI・監視システ ムなどの周辺システムの開発運⽤を⾏い、信頼性の⾼いサービスを提供 直近では、⾼スループット・低レイテンシな機械学習⽤途の特徴量ストア、ML向けのDataリネージシス テムなども開発
  17. .-ɾ%4૊৫͸ҎԼͷνʔϜ͔Β੒Γཱ͓ͬͯΓ·͢ ࣌఺ ྘ɿ.-ΤϯδχΞ ਫ৭%4 Data Science1室 LINE のプラットフォーム機能に貢献する分析を⾏う • 複数の事業に関係する課題の定義と解決

    • プラットフォーム全体の⽅針の個別分析への反映 LINEのファミリーサービスの成⻑に貢献する分析を⾏う • ユーザーとパートナー企業の満⾜に関係する課題の定義と解決 • 個別⽬標が相反する時も最善の意思決定が⾏われるよう基準を提供 Data Science2室 具体的なプロジェクトの例 • LINEアプリ(ホームタブ / トークタブ / LINEスタンプ / LINE VOOM / Smart Channel など) • LINE公式アカウント • LINE広告(ホームタブ / Smart Channel/ LINE VOOM / LINE NEWS / LINE広告ネットワーク など) 具体的なプロジェクトの例 • LINE ギフト / LINE MUSIC / LIVEBUY / 位置情報など • LINE Pay を中⼼とする⾦融系サービス ML Sol.1チーム LINEマンガやLINE ギフトなどのファミリーサービス向けの推薦ロジックの開発。 出前館向けのMLの開発では、「場所・時間別での需要の予測」や「配達時間の予測」など、オンライン のデータETLや推論が必要なMLシステムの開発にも注⼒。 ML Sol.2チーム サービス横断の特徴量の整備・運⽤および、そのデータを利⽤したユーザ属性の推定などに取り組んで いる。LINE公式アカウント向けの配信最適化や推薦なども実施。 DSP MLチーム 広告配信に⽤いる特徴量エンジニアリング、や外部媒体向け配信システム(LINE広告ネットワーク) 向けのMLや最適化を実施。広告クリエイティブの審査を⾏うML基盤の開発などにも着⼿。 ML Privacyチーム プライバシー業域の⾼い専⾨性を持っており、Federated Learningと呼ばれる技術をサービス導⼊ するプロジェクトに参画。研究にも注⼒しており、トップカンファレンスにも多数論⽂が採択されている。 ML Dev.チーム ⼤規模データを扱うための、独⾃MLモデル群の実装や整備、サービス横断特徴量を活⽤した社内向 けのML API開発、MLOps向けの統計量収集システムの設計・開発などを実施。Federated Lear ningの技術開発も進めている。 ML Infra.チーム 機械学習エンジニアのための、k8s, Airflow, CI/CD環境などの基盤整備、およびAPI・監視システ ムなどの周辺システムの開発運⽤を⾏い、信頼性の⾼いサービスを提供 直近では、⾼スループット・低レイテンシな機械学習⽤途の特徴量ストア、ML向けのDataリネージシス テムなども開発
  18. .-ɾ%4૊৫͸ҎԼͷνʔϜ͔Β੒Γཱ͓ͬͯΓ·͢ ࣌఺ ྘ɿ.-ΤϯδχΞ ਫ৭%4 .-%41MBOOJOH5FBNͱ͸ʁ Data Science1室 LINE のプラットフォーム機能に貢献する分析を⾏う •

    複数の事業に関係する課題の定義と解決 • プラットフォーム全体の⽅針の個別分析への反映 LINEのファミリーサービスの成⻑に貢献する分析を⾏う • ユーザーとパートナー企業の満⾜に関係する課題の定義と解決 • 個別⽬標が相反する時も最善の意思決定が⾏われるよう基準を提供 Data Science2室 具体的なプロジェクトの例 • LINEアプリ(ホームタブ / トークタブ / LINEスタンプ / LINE VOOM / Smart Channel など) • LINE公式アカウント • LINE広告(ホームタブ / Smart Channel/ LINE VOOM / LINE NEWS / LINE広告ネットワーク など) 具体的なプロジェクトの例 • LINE ギフト / LINE MUSIC / LIVEBUY / 位置情報など • LINE Pay を中⼼とする⾦融系サービス ML Sol.1チーム LINEマンガやLINE ギフトなどのファミリーサービス向けの推薦ロジックの開発。 出前館向けのMLの開発では、「場所・時間別での需要の予測」や「配達時間の予測」など、オンライン のデータETLや推論が必要なMLシステムの開発にも注⼒。 ML Sol.2チーム サービス横断の特徴量の整備・運⽤および、そのデータを利⽤したユーザ属性の推定などに取り組んで いる。LINE公式アカウント向けの配信最適化や推薦なども実施。 DSP MLチーム 広告配信に⽤いる特徴量エンジニアリング、や外部媒体向け配信システム(LINE広告ネットワーク) 向けのMLや最適化を実施。広告クリエイティブの審査を⾏うML基盤の開発などにも着⼿。 ML Privacyチーム プライバシー業域の⾼い専⾨性を持っており、Federated Learningと呼ばれる技術をサービス導⼊ するプロジェクトに参画。研究にも注⼒しており、トップカンファレンスにも多数論⽂が採択されている。 ML Dev.チーム ⼤規模データを扱うための、独⾃MLモデル群の実装や整備、サービス横断特徴量を活⽤した社内向 けのML API開発、MLOps向けの統計量収集システムの設計・開発などを実施。Federated Lear ningの技術開発も進めている。 ML Infra.チーム 機械学習エンジニアのための、k8s, Airflow, CI/CD環境などの基盤整備、およびAPI・監視システ ムなどの周辺システムの開発運⽤を⾏い、信頼性の⾼いサービスを提供 直近では、⾼スループット・低レイテンシな機械学習⽤途の特徴量ストア、ML向けのDataリネージシス テムなども開発
  19. .-%41MBOOJOH5FBN R&R .-΍%4ͷྗͰ-*/&αʔϏεՁ஋޲্ʹ޲͚ͨ1SPKFDUͷਪਐΛߦ͏ ϑΣʔζʹΑͬͯSPMF͕ҟͳΔ͜ͱ͕ಛ௃ 1SPEVDU.BOBHFNFOU • .-%4ؔ࿈ͷԣஅతͳ1SPEVDUͷϩʔυϚοϓઃܭɺΰʔϧڞ༗ͳͲ 1SPHSBN.BOBHFNFOU  .-

    • αʔϏεଆʹ.- 1SPEVDUΛ׆༻ͨ͠Ձ஋޲্ࢪࡦΛఏҊ͠ɺಋೖʹ޲͚ͨλεΫઃܭͱਐ௙؅ཧɺಋೖޙͷӡ༻؅ཧ • .-ൃ1SPEVDUͷ։ൃ؅ཧɺ׬੒ޙͷӡ༻؅ཧ 1SPHSBN.BOBHFNFOU %4 • ෼ੳґཔʹج͖ͮαʔϏεଆͷཁ๬ΛώΞϦϯά͠%BUB4DJFOUJTUͷλεΫઃܭͱਐ௙؅ཧ • %BUB4DJFOUJTUͱڞʹαʔϏε෼ੳΛߦ͍ͭͭɺࣄۀଆʹํ޲ੑ΍৽نࢪࡦఏҊͷਪਐ Members ɾ$34 ɾ"VUPSFDP ɾ/FXT ɾ4NBSU$IBOOFM ɾ %BUB.BOBHFNFOU ɾ-JCSB ɾ#BUDI"1* ɾ*OGSB ɾ%FW1SPDFT ɾ4IPQ TUJDLFSUIFNF ɾ%FNBFDBO ɾ1FSTPOB ɾ'FBUVSF7FDUPS ɾ-*/&Ϊϑτ ɾ-*/&1BZ ɾ#BJUP ɾ3% ɾ-*/&0GGJDJBM"DDPVOU ※他にも担当している案件は多数
  20. ิ଍ ͜ͷࢿྉதͰͷ1.ͱ͍͏୯ޠͷҙຯ͸ʁ +PC%FTDSJQUJPOᐌ͘ 5FDIOJDBM 1SPHSBN.BOBHFSͷུ ɾٕज़1.ͩͱೝ͍ࣝͯͩ͘͠͞ ɾޙड़͠·͕͢ɺ.- %4 4PGUXBSF&OHJOFFSͱ͍ٕͬͨज़తͳ஌ݟΛ׆͔ͨ͠1. ݸਓͷҙݟ

    ݱ৔ͱͯ͠͸ɺ1SPHSBN.BOBHFSͱ͍͏ݞॻ͖ʹͩ͜ΘΓ͸ͳ͍ ɾ1SPKFDU.BOBHFSͰ΋͍͍͠ɺ1SPEVDU.BOBHFSͰ΋͍͍ ɾͳΜͩͬͨΒ1BSUZ.BOBHFSͰ΋ྑ͍ ݸਓతʹؾʹೖ͍ͬͯΔུޠ ͨͩ͠ɺٕज़ྗΛ׆͔ͨ͠1.Ͱ͋Δ͜ͱʹ͸ͩ͜ΘΓ ɾॴҦɺاը৬ͱ͸গ͠ໟ৭͕ҟͳΔ ɾ΋ͪΖΜΤϯδχΞɺ%4ͱ΋ҟͳΔ
  21. .- %41.ͷ͓࢓ࣄ

  22. .- %41.ͷҧ͍Λͬ͘͟Γ ֓ཁ ΤϯδχΞྗ Ϗδωεྗ αΠΤϯεྗ ר͖ࠐΈྗ .- .-γεςϜΛ࡞͍ͬͯ͘1. ˕

    ˛ ˛ ˕ %4 %BUB4DJFODF "OBMZTJTͷྗͰ ϏδωεΛਪਐͯ͘͠1. ˓ ˕ ˛ ˕ .-.-QSPEVDUʹඥͮ͘ .-FOHJOFFS .-1. ML Product Service Product ML Product Service Product ML Product Service Product 4FSWJDFFOHJOFFS 4FSWJDF1. ・・・ %4ࣄۀ 4FSWJDF ʹඥͮ͘ %4 %41. Service 4FSWJDFFOHJOFFS 4FSWJDF1MBOOFS 4FSWJDF.BSLFUFS
  23. .-1.ͷ͓࢓ࣄ

  24. ࢀߟ -*/&ͷ.- 1. ʹ͍ͭͯಉ྅͔Βͷίϝϯτ :PV5VCFͰެ։͞Ε͍ͯ·͢ ʮ5FDI7FSTFʯͰݕࡧ͍ͯͨͩ͘͠ͱɺ͝ཡ͍ͨͩ͘͜ͱ͕Ͱ͖·͢

  25. .-1.ͷى͜Γ νʔϜ֎ͷεςʔΫϗϧμʔ͕୔ࢁ͍Δ ▶͞·͟·ͳෳࡶੑ͕ੜ͡Δ λεΫͷෳࡶੑ • ෳ਺ͷϓϩμΫτΛಉ࣌ฒߦͰ։ൃɾվળɾ ϝϯςφϯε ૊৫ͷෳࡶੑ • σʔλ࿈ܞઌͷ։ൃऀͱͷ΍ΓͱΓ

    • ๏຿ؔ࿈ͷ΍ΓͱΓ • ηΩϡϦςΟؔ࿈ͷ΍ΓͱΓ • σʔλϚωδϝϯτؔ࿈ͷ΍ΓͱΓ γεςϜͷෳࡶੑ • σʔλ࿈ܞͷଟ༷Խ • ෳ਺γεςϜؒ࿈ܞ • .-ج൫ʢ൚༻Խɾڞ௨Խʣ ϓϩμΫτͷෳࡶੑ • ϢʔβʹՁ஋͕ఏڙͰ͖͍ͯΔͷ͔ʁ .-FOHJOFFS .-JOGSBFOHJOFFS 1SPEVDU" QMBOOFS 1SPEVDU" EFWFMPQFS -FHBM UFBN 4FDVSJUZ UFBN %BUB NBOBHFNFOU UFBN 1SPEVDU# QMBOOFS 1SPEVDU# EFWFMPQFS JOUFSOBM FYUFSOBM
  26. .-1.ͷى͜Γ νʔϜ֎ͷεςʔΫϗϧμʔ͕୔ࢁ͍Δ ▶͞·͟·ͳෳࡶੑ͕ੜ͡Δ λεΫͷෳࡶੑ • ෳ਺ͷϓϩμΫτΛಉ࣌ฒߦͰ։ൃɾվળɾ ϝϯςφϯε ૊৫ͷෳࡶੑ • σʔλ࿈ܞઌͷ։ൃऀͱͷ΍ΓͱΓ

    • ๏຿ؔ࿈ͷ΍ΓͱΓ • ηΩϡϦςΟؔ࿈ͷ΍ΓͱΓ • σʔλϚωδϝϯτؔ࿈ͷ΍ΓͱΓ γεςϜͷෳࡶੑ • σʔλ࿈ܞͷଟ༷Խ • ෳ਺γεςϜؒ࿈ܞ • .-ج൫ʢ൚༻Խɾڞ௨Խʣ ϓϩμΫτͷෳࡶੑ • ϢʔβʹՁ஋͕ఏڙͰ͖͍ͯΔͷ͔ʁ .-FOHJOFFS .-JOGSBFOHJOFFS 1SPEVDU" QMBOOFS 1SPEVDU" EFWFMPQFS -FHBM UFBN 4FDVSJUZ UFBN %BUB NBOBHFNFOU UFBN 1SPEVDU# QMBOOFS 1SPEVDU# EFWFMPQFS JOUFSOBM FYUFSOBM ͜ΕͬͯΤϯδχΞͷ33ʁ γχΞΤϯδχΞʹظ଴͞Εͯ͠·͍͕ͪ
  27. .-1.ͷى͜Γ νʔϜ֎ͷεςʔΫϗϧμʔ͕୔ࢁ͍Δ ▶͞·͟·ͳෳࡶੑ͕ੜ͡Δ λεΫͷෳࡶੑ • ෳ਺ͷϓϩμΫτΛಉ࣌ฒߦͰ։ൃɾվળɾ ϝϯςφϯε ૊৫ͷෳࡶੑ • σʔλ࿈ܞઌͷ։ൃऀͱͷ΍ΓͱΓ

    • ๏຿ؔ࿈ͷ΍ΓͱΓ • ηΩϡϦςΟؔ࿈ͷ΍ΓͱΓ • σʔλϚωδϝϯτؔ࿈ͷ΍ΓͱΓ γεςϜͷෳࡶੑ • σʔλ࿈ܞͷଟ༷Խ • ෳ਺γεςϜؒ࿈ܞ • .-ج൫ʢ൚༻Խɾڞ௨Խʣ ϓϩμΫτͷෳࡶੑ • ϢʔβʹՁ஋͕ఏڙͰ͖͍ͯΔͷ͔ʁ .-FOHJOFFS .-JOGSBFOHJOFFS 1SPEVDU" QMBOOFS 1SPEVDU" EFWFMPQFS -FHBM UFBN 4FDVSJUZ UFBN %BUB NBOBHFNFOU UFBN 1SPEVDU# QMBOOFS 1SPEVDU# EFWFMPQFS JOUFSOBM FYUFSOBM ͜ΕͬͯΤϯδχΞͷ33ʁ γχΞΤϯδχΞʹظ଴͞Εͯ͠·͍͕ͪ ΤϯδχΞͷෛ୲૿ λεΫͷภΓ ࿪Ή33 ʮͨΒ͍ʯ͕ճ·ΘͬͨΒ ৽ϙδγϣϯͷ߹ਤ IUUQTCMPHTIPKJNJZBUBDPNFOUSZ
  28. .-1.ʹٻΊΒΕΔεΩϧηοτ λεΫɾ૊৫ͷෳࡶੑʹରԠ͢Δ • ϓϩδΣΫτϚωδϝϯτɺͪΐͬͱΘ͔Δ • γεςϜ։ൃɺͪΐͬͱΘ͔Δ • .-։ൃɺͪΐͬͱΘ͔Δ γεςϜͷෳࡶੑʹରԠ͢Δ •

    γεςϜ։ൃɺͪΐͬͱΘ͔Δ • .-։ൃɺͪΐͬͱΘ͔Δ ϓϩμΫτͷෳࡶੑʹରԠ͢Δ • ϓϩμΫτϚωδϝϯτɺͪΐͬͱΘ͔Δ ྲྀಈతͳঢ়گͱෆ࣮֬ੑʹରԠ͢Δ • ݱঢ়ೝࣝೳྗͱߦಈྗ͕͋Δ • ໨తୡ੒ͷͨΊʹɺඞཁͳλεΫΛࣗΒݟ͚ͭͯɺղܾʹಋ͘ʢ՝୊ൃݟྗɾ՝୊ղܾྗʣ • ϓϩδΣΫτ΍ϝϯόʔʹΑͬͯɺ33ʹ͸άϥσʔγϣϯ͕Ͱ͖ΔͨΊɺۀ຿ؒͷܺؒΛຒ ΊΔΑ͏ͳಈ͖͕Ͱ͖Δ
  29. .-1.ʹٻΊΒΕΔεΩϧηοτ λεΫɾ૊৫ͷෳࡶੑʹରԠ͢Δ • ϓϩδΣΫτϚωδϝϯτɺͪΐͬͱΘ͔Δ • γεςϜ։ൃɺͪΐͬͱΘ͔Δ • .-։ൃɺͪΐͬͱΘ͔Δ γεςϜͷෳࡶੑʹରԠ͢Δ •

    γεςϜ։ൃɺͪΐͬͱΘ͔Δ • .-։ൃɺͪΐͬͱΘ͔Δ ϓϩμΫτͷෳࡶੑʹରԠ͢Δ • ϓϩμΫτϚωδϝϯτɺͪΐͬͱΘ͔Δ ྲྀಈతͳঢ়گͱෆ࣮֬ੑʹରԠ͢Δ • ݱঢ়ೝࣝೳྗͱߦಈྗ͕͋Δ • ໨తୡ੒ͷͨΊʹɺඞཁͳλεΫΛࣗΒݟ͚ͭͯɺղܾʹಋ͘ʢ՝୊ൃݟྗɾ՝୊ղܾྗʣ • ϓϩδΣΫτ΍ϝϯόʔʹΑͬͯɺ33ʹ͸άϥσʔγϣϯ͕Ͱ͖ΔͨΊɺۀ຿ؒͷܺؒΛ ຒΊΔΑ͏ͳಈ͖͕Ͱ͖Δ ͭ·Δͱ͜ΖɺγεςϜಋೖͷ1.
  30. ։ൃαΠΫϧͱ1.ͷؔΘΓํ 1SPEVDUEJTDPWFSZ • ϓϩμΫτ՝୊ɾ໨ඪͷώΞϦϯάɾڞ༗ • .-׆༻ͷ࣮ݱՄೳੑͱՁ஋ʹ͍ͭͯݕ౼ %BUBJOHFTUVOEFSTUBOEJOH • ඞཁͳσʔλͷ࿈ܞਪਐ &YQFSJNFOU%FWFMPQNFOU

    • ࣮ݱՄೳੑͱՁ஋ʹ͍ͭͯ֬ೝɾ࠶ఆٛ "#ςετ • اըɾઃܭɾ࣮ࢪɾධՁ .POJUPSJOH • ධՁɾϑΟʔυόοΫ
  31. ։ൃαΠΫϧͱ1.ͷؔΘΓํ 1SPEVDUEJTDPWFSZ • ϓϩμΫτ՝୊ɾ໨ඪͷώΞϦϯάɾڞ༗ • .-׆༻ͷ࣮ݱՄೳੑͱՁ஋ʹ͍ͭͯݕ౼ %BUBJOHFTUVOEFSTUBOEJOH • ඞཁͳσʔλͷ࿈ܞਪਐ &YQFSJNFOU%FWFMPQNFOU

    • ࣮ݱՄೳੑͱՁ஋ʹ͍ͭͯ֬ೝɾ࠶ఆٛ "#ςετ • اըɾઃܭɾ࣮ࢪɾධՁ .POJUPSJOH • ධՁɾϑΟʔυόοΫ • ֤ϓϩηεΛԁ׈ʹϚωδϝϯτ͠ɺϓϩμΫτϦϦʔεʹ͍࣋ͬͯ͘ • Ձ஋ͷ͋ΔϓϩμΫτΛఏڙ͢Δ • ୭Ͱ΋ɺޮ཰త͔ͭ҆ఆతʹ։ൃɾӡ༻Ͱ͖Δঢ়ଶʹ͢Δ ཁ͸ɺ࣮૷Ҏ֎ͷશͯΛ୲౰
  32. دΓಓ Ͳͷఔ౓ͷٕज़஌ࣝඞཁʁ ɾݩ΋ࢠ΋ͳ͍͕ɻɻɻ ɾΩϟϦΞઓུ࣍ୈ ɾ͋Δʹӽͨ͜͠ͱͳ͍ ɾνʔϜશମͱͯ͠͸ɺ͔ͳΓߴ͍ ɾશһԿ͔͠ΒͷΤϯδχΞܦݧ͕͋Δ ɾεΩϧΞοϓͷ޲্৺΋ߴ͍ ɾͪΐͬͱͨ͠42-ͳΒ୭Ͱ΋ॻ͚Δ ɾγεςϜ࿈ܞͷγʔέϯεਤ΋ॻ͚Δ

    ɾٯʹ.-ͷ஌ࣝ͸௒ڧͰ͸Ͱ͸ͳ͍ ɾ·͊ίʔσΟϯά͠ͳ͍͠ ɾͨͩ͠جૅతͳ஌ࣝ͸े෼͋Δ
  33. ࣮ࡍͷࣄྫ

  34. ελϯϓ(auto suggest) 1SPEVDUEJTDPWFSZ • ΩʔϘʔυೖྗʹ͓͚ΔϢʔβ՝୊ͷղফ • Ծઆݕূํ๏Λݕ౼ %BUBJOHFTUVOEFSTUBOEJOH • ՝୊ղܾɾԾઆݕূʹඞཁͳσʔλ֬ೝ

    • σʔλ׆༻ʹؔ͢Δ՝୊ղܾ &YQFSJNFOU%FWFMPQNFOU • ΦϑϥΠϯݕূɾ࣮૷ͷؾ͖͔ͮΒԾઆΛڧԽ • γεςϜؒͷσʔλ࿈ܞɾग़ྗ "#テスト • Ծઆݕূ .POJUPSJOH • Ϣʔβͷ՝୊͕ղܾͰ͖͍ͯΔͷ͔Λݟଓ͚Δ
  35. 1FSTPOB ଐੑਪఆ 1SPEVDUEJTDPWFSZ • どんな属性を推定したいかを広告チームなどと相談 • 属性の定義をすり合わせ • (開発後)プロダクトの広報活動 %BUBJOHFTUVOEFSTUBOEJOH

    • インサイトリサーチチームとアンケート設計 • データ管理、権限管理についてすり合わせ &YQFSJNFOU%FWFMPQNFOU • 学習データの精度、予測分布の確認 • 結果によっては属性の定義⾒直し • 書き出し先の検討、各種システムとのつなぎ合わせ "#テスト • ޿ࠂจ຺ͰͷΦϑϥΠϯɺΦϯϥΠϯςετ • ݁Ռͷղऍ .POJUPSJOH • ֶशਫ਼౓ɺ༧ଌ෼෍ͷϞχλϦϯά • ༧ظ͠ͳ͍Τϥʔͷ௨஌ͱͦͷ࣌ͷࣗಈରԠ
  36. Z-features(部署横断の特徴量) 1SPEVDUEJTDPWFSZ • ͲΜͳಛ௃ྔΛઃܭͰ͖Δ͔ %BUBJOHFTUVOEFSTUBOEJOH • ඞཁͳσʔλͷݖݶ؅ཧɺηΩϡϦςΟϨϏϡʔ • ઃܭͷυΩϡϝϯτԽ &YQFSJNFOU%FWFMPQNFOU

    • &5-ͷ࡞੒ .-ΤϯδχΞͷ࢓ࣄ .POJUPSJOH • ༧ظ͠ͳ͍σʔλఆٛมߋͷݕ஌ • ͓໰͍߹Θͤ࡞ۀ
  37. %41.ͷ͓࢓ࣄ

  38. 1+5͝ͱͷ%4νʔϜͷମ੍

  39. 1+5͝ͱͷ%4νʔϜͷମ੍ ࣄۀ෦ʹ 1.ͱͯ͠αϙʔτ ࣗ෼͸-*/&1BZ

  40. 1.ͷ΍Δ͜ͱɺ΍Βͳ͍͜ͱ ΍Δ͜ͱ ɾࣄۀ෦ͱͷҊ݅اը ɾ֤छҊ݅ͷϑΝγϦςʔγϣϯ ɾ%4ͱ෼ੳ݁Ռʹ͍ͭͯนଧͪ ɾ%4ͷ։ൃ؀ڥ੔උ ΍Βͳ͍͜ͱ %4͕΍Δ͜ͱ ɾ࣮ࡍͷίʔσΟϯά ͪΐͬͱͨ͠ूܭ͸ͨ·ʹ΍Γ·͢

  41. ࣋࿦ %41.ͱ͸ʁΛ·ͱΊΔͱ ϓϩμΫτΛཧղ͠ ɾNJTTJPOWJTJPOWBMVF ɾϏδωεߏ଄ ɾσʔλߏ଄ ࣄۀ෦ͷਓͱ஥ྑ͘ͳΓɺ͓ؾ࣋ͪΛཧղ͠ ɾࣄۀ෦ͷਓ͸Կʹ՝୊Λײ͍ͯ͡Δ͔ σʔλ෼ੳͷྗͰղܾͰ͖Δ͜ͱͷڮ౉͠໾ ɾٕज़஌ݟΛ׆͔ͨ͠ఏҊ

    ɾٕज़஌ݟΛ׆͔ͨ͠νʔϜϚωʔδϝϯτ ΍Δ΍Βͷ൑அɺ݁Ռͷนଧͪ ɾਖ਼͍͠ߟ࡯Λࣄۀ෦ʹ఻͑ɺωΫετΞΫγϣϯΛఏҊ
  42. ࣮ࡍͷࣄྫ

  43. Ҋ݅ྫ,1*ϩδοΫπϦʔ ֓ཁ ɾαʔϏεάϩʔεΛاըͨ͠νʔϜͷൃ଍ ɾݱঢ়֬ೝ ߈Ίॴͷ೺Ѳ ɺ,1*ࡦఆͷͨΊʹϩδοΫπϦʔͷ࡞੒ΛఏҊ ɾࣄۀ෦ͱώΞϦϯάΛߦ͍,1*ࡦఆ ɾϢʔβηάϝϯτͷ੾Γํ͸%4ͷݕূ݁Ռʹج͖ܾͮఆ ٳ຾ɺҭ੒தͷఆٛ ɾϩδοΫπϦʔΛ༻͍ͨࢪࡦධՁํ๏ͷཱ֬

    ɾؔ࿈࿩୊Ͱɺ/4.ͷࡦఆʹ΋ൃల 1.ͷؔΘΓ͸ʁ ɾखΛಈ͔͢ͱ͜ΖҎ֎ͷશͯʹؔΘΔ ɾࣄۀ෦ͱͷNUH ɾ,1*ͷࡦఆ ෼ੳ؍఺Ͱͷҙݟग़͠΋͋Δ ɾ%4ϝϯόʔͷΞαΠϯͱܦաͷนଧͪ ɾ޿ใ׆ಈ Α͘ݟΔͱπϦʔͷΑ͏ͳܗΛͨ͠5BCMFBV
  44. Ҋ݅ྫ ௨শ ͓૟আ1+5 ֓ཁ ɾ෼ੳνʔϜͷ಺෦1+5 ɾ෼ੳνʔϜ͕ఆظ࣮ߦ͍ͯ͠Δ+PCͷ੔ཧ ɾ։ൃΨΠυϥΠϯʹج͍ͮͨ։ൃମ੍ͷݟ௚͠ ɾ֤छυΩϡϝϯτͷ੔උ 1.ͷؔΘΓ͸ʁ ɾશମͷϨϏϡʔ

    ɾϞνϕʔλʔ ɾ༏ઌॱҐ෇͚ %BJMZͰεϨουΛཱͯͯXBJXBJ͢Δ
  45. Ҋ݅ྫͦͷଞ ݸผͷ෼ੳґཔ 1.ͷؔΘΓ ɾґཔϑϩʔͷҰݩԽ ɾґཔഎܠͷώΞϦϯά ͜Εͬͯຊ౰ʹඞཁͰ͔͢ʁΛฉ͘ͳͲ ɾґཔऀʹཁ݅ʹؔ͢Δ໌֬ͳݴޠԽΛଅ͢ σʔλఆٛɺظݶ ֤छϢʔβΞϯέʔτͷఏҊ࣮ࢪ 1.ͷؔΘΓ

    ɾࣄۀ෦ͱ՝୊੔ཧɺΞϯέʔτ࣮ࢪ֓ཁࡦఆ ɾৄࡉઃܭ ूܭ͸%4ͱࣄۀ෦͕୲౰ ɾ࠷ۙɺࣄۀ෦ͷਓ΋ר͖ࠐΜͰ69Ϧαʔν1+5Λ্ཱͪ͛த
  46. .- %41.΁ͷ ΩϟϦΞ

  47. ͋·Γ஌ΒΕ͍ͯΔΩϟϦΞͰͳ͍ ɾྺ࢙΋ઙ͍ۀքͳͷͰɺԿ͔ͱΩϟϦΞͷ࿩͕޷͖ͳ͜ͷۀք ɾ.- %4ͷٕज़ྗΛ׆͔ͨ͠1.͸·ͩϝδϟʔͳΩϟϦΞͰ͸ͳ͍ ݸਓͷҙݟ .- %41.ͷࢢ৔ͱͯ͠ͷधཁ͸ࠓޙ૿͍͑ͯ͘ͱࢥΘΕΔ ɾ.- %4͕౰ͨΓલʹͳΓͭͭ͋Δࡢࠓ ɾ༷ʑͳاۀͰ.-

    %4૊৫͕ੜ·Ε͍ͯΔ ɾʮ.-1.ͷ͓͜ΓʯͰड़΂ͨΑ͏ʹɺ1.ͷඞཁੑ͕૿ͯ͘͠Δ͜ͱ͸૝૾Ͱ͖Δ 1.͸1.Ͱઐ໳৬ ɾ.-FOH %4ͷԆ௕Ͱ1.ʹͳΔͱ͍͏ࣄྫΛݟΔ ɾ1.͸1.Ͱઐ໳৬Ͱ͋Δ͜ͱʹ͸஫ҙ ޲͖ෆ޲͖͸͋Δ ɾಛʹ.- %41.Ͱ͸ػցֶशɺ౷ܭɺιϑτ΢ΣΞͷ஌ࣝ͸ඞਢ ࠩผԽͷඞཁੑ ɾੜ͖࢒ΔͨΊʹ͸ࠩผԽ͕ඞਢ ɾਓʹΑΓڧΈ͸ҟͳΔ FY࠷৽ͷ.-Ϟσϧʹৄ͍͠ɺΠϯϑϥʹڧ͍ɺίϛχϡέʔγϣϯೳྗ ɾࣗ෼͸αΠΤϯεͷ஌ࣝͱ͓͠Ό΂ΓͷೳྗΛڧΈͱ֮ࣗ .- %4ͷ࣍ͷΩϟϦΞͷબ୒ࢶͱͯ͠ͷ1. DS ML eng What is Next Career?
  48. ࠷ޙʹ

  49. ࠓ೔ͷൃද಺༰ ɾ-*/&ͷ.-%41MBOOJOH5FBNʹ͓͚Δ.- %41.ͷ͓࢓ࣄΛ঺հ ɾΩϟϦΞͷબ୒ࢶͱͯ͠.- %41.Λ঺հ ࠷ޙͷ࠷ޙʹ ɾ.- %4։ൃʹؔΘΔօ༷ͷࢀߟʹͳΕ͹޾͍Ͱ͢ ɾ-*/&ͱ͍͏αʔϏεΛʮ͞Βʹʯ࢖͍౗ͯ͘͠ΕΔͱخ͍͠Ͱ͢ ࠷ޙʹ

  50. THANK YOU