ルールベースからMLへ みてね写真プリント自動提案の活用事例

本資料は、2025/10/7に開催された「渋谷 Biz × AI: ビジネスにおける AI 利活用 事例勉強会 第3回」における、MIXI 木内の発表資料です。
https://cyberagent.connpass.com/event/367576/

Transcript

1. ©MIXI 1 ルールベースからMLへ みてね写真プリント⾃動提案の活⽤事例 @kittchy (⽊内貴浩) 株式会社MIXI みてね事業本部 みてねプロダクト開発部 Data Engineering グループ
2. 2 ©MIXI ⾃⼰紹介 名前: kittchy / ⽊内 貴浩 / きのうち たかひろ 職種: MLエンジニア 経歴: - 学⽣時代は⾳声認識の研究で修⼠号取得 - 24新卒で株式会社MIXIに新卒⼊社 担当業務: - メディア解析基盤構築‧整備 - MLモデル⾼速化‧精度向上 - AI/ML技術を⽤いた新機能開発
3. 3 ©MIXI 本⽇のテーマ‧⽬次 家族アルバム みてね の「写真プリント⾃動提案」ロジックを ルールベースからMLベースに置き換えた話 • 会社‧プロダクト紹介 • みてねの写真プリント • 従来の写真プリント⾃動提案 • ML⾃動提案の移⾏検討 • ML⾃動提案の下準備 • ML⾃動提案の本番導⼊ • まとめ 喋らないこと • 詳しい学習⽅法やチューニング⽅法
4. 4 ©MIXI 「株式会社MIXI」のご紹介
5. ©MIXI エモーションと コミュニケーションで 「⼼もつながる」場と機会を 創造し続けます。 MIXI GROUPは、 ただ「つながればいい」という効率的な機能の提供ではなく、 歓喜や興奮、温かな思い、幸せ、居⼼地の良さの共有を通じて、 その先に、もっと深くて濃く豊かな、⼼のつながりを⽣み出すような、 サービスの開発‧提供を⽬指しています。 現在、スポーツ‧ライフスタイル‧デジタルエンターテインメント の3つの領域で事業を展開しており、 それぞれの主な事業内容は右の通りです。 また、近年の投資活動の拡⼤と重要性を勘案し、 FY2023からはスタートアップやファンド出資等の投資活動を事業化しました。 スポーツ事業 プロスポーツチーム運営および 公営競技ビジネスの推進 ライフスタイル事業 インターネットを活用し、 人々の生活に密着したサービスの提供 デジタルエンターテインメント事業 スマホゲームを中心としたゲームの提供 MIXI GROUPの事業領域 3つの領域で “「心もつながる」 場と機会” を創造する事業を推進
6. ©MIXI 6 About MIXI 豊かなコミュニケーションを広げ、 世界を幸せな驚きで包む。 「⼼もつながる」場と機会の創造。 ユーザーサプライズファースト 発明 / 夢中 / 誠実 PURPOSE MISSION MIXI WAY VALUES
7. 7 ©MIXI 「家族アルバム みてね」のご紹介
8. 8 ©MIXI ビジネスモデル 家族アルバム みてねはスマホで撮った⼦どもの写真や動画を家族と共有し、 コミュニケーションして楽しむ家族アルバムサービスです。
9. 9 ©MIXI ビジネスモデル ⼦どもや家族を中⼼に、より⼦育てが楽しく、安⼼‧安全につながるサービスを提供。
10. 10 ©MIXI アプリの特徴 写真・動画を自動整理
 夫婦や家族で共有・コミュニケーション
 1秒動画、フォトブックやプリントなどで驚きの振り返り
 無料・容量無制限
 プライベートで使える
 １ ２ ３ ４ ５
11. 11 ©MIXI アプリの特徴 2015年のリリース。7⾔語‧175の国と地域で2,700万⼈以上の⽅にご利⽤いただいています。
12. 12 ©MIXI みてねの写真プリント
13. 13 ©MIXI 写真プリントの特徴 ⼤切な思い出の写真を⾼品質なプリントとして⼿元に残せる⼈気のサービスです • アップロード済みの写真から⾃由に選択してプリント • 毎⽉11枚まで写真プリントが永続的に無料 • ⽉に3回まで送料のみで注⽂可能 • 家族全員がそれぞれ無料で注⽂可能 • 毎⽉、前⽉アップロード分から11枚を⾃動提案
14. 14 ©MIXI 写真プリントの⾃動提案 アップロードされた写真から⾃動で写真を選択して提案（レコメンド）する機能 対象ユーザ • 前⽉に写真をアップロードしたすべてのユーザが対象 対象メディア • ⾃動提案⽣成時の前⽉のメディア 提案に⽤いるデータ • 画像メタデータ : 解像度、撮影⽇など • ユーザ付加情報：お気に⼊り登録数、コメント数 • 画像解析結果：顔検出‧タグ情報
15. 15 ©MIXI 従来の写真プリント⾃動提案
16. 16 ©MIXI 従来のルールベース⾃動提案：全体像 みてねのフォトブック⾃動提案結果をリランキングして写真プリント⾃動提案を作成 新たな⾃動提案ロジックを構築するコストが⼤きいため、⾃動提案結果を使い回している ※ コスト：⼿作業によるルールベースチューニング‧傾向分析など
17. 17 ©MIXI 従来のルールベース⾃動提案：フォトブック⾃動提案
18. 18 ©MIXI 従来のルールベース⾃動提案：写真プリント⾃動提案
19. 19 ©MIXI ルールベース⾃動提案の課題と仮説 パーソナライゼーションの限界 • 全ユーザに同⼀ルールを適⽤ • 趣味嗜好を反映した⾃動提案が不可能 精度改善の限界 • ⼈⼿によるデータ分析‧ルール追加‧ 変更により、継続した改善が困難 データの変化に対する対応の限界 • ルールのチューニングが⼿作業 • データの変化に柔軟に対応できない データを⽤いて統計的なモデルをML技術で作れば全てを解決できるのでは？
20. 20 ©MIXI ML⾃動提案の移⾏検討
21. 21 ©MIXI ⽬的 写真プリント⾃動提案の精度向上 • 購⼊枚数向上 • ユーザ満⾜度向上 提案システムのメンテナンス性 • フォトブックから切り離し、写真プリント独⾃の最適化された仕組みを持つ • ⼈⼿に頼らず、機械学習により継続した改善ができる仕組みづくり パーソナライゼーションによる購買意欲向上 • ユーザセグメントごとの潜在的な購⼊傾向を活⽤した⾃動提案
22. 22 ©MIXI 写真プリント ML自動提案の ロードマップ
23. 23 ©MIXI ML⾃動提案の下準備
24. 24 ©MIXI 評価指標の策定 精度改善を図るためにまずは現状把握 評価指標を策定し、ベースラインとして、改善を繰り返す ⾃動提案の精度評価指標 • Precision@11: 11枚提案した中に実際に購⼊された写真の割合 KPI • メディア購⼊枚数: 実際に購⼊された写真の枚数 • 購⼊離脱率: ⾃動提案後に購⼊をやめたユーザの割合 • 写真選択時間: ユーザが写真を選ぶのにかかる時間
25. 25 ©MIXI 学習‧評価セットの設計 BigQuery上で集計し、学習に⽤いるためのデータセットを構築 説明変数 (例) • 画像メタデータ : 解像度、撮影⽇など • ユーザ付加情報 : お気に⼊り登録数、コメント数 • 画像解析結果：顔検出結果‧⾃動タグ推定結果など ⽬的変数 • 過去の購⼊履歴から写真が購⼊されたかどうかを⼆値で表現
26. 26 ©MIXI データ集計‧整理 みてねではBigQueryとdbtを活⽤し、ログ‧解析結果‧RDBの情報を⼀元管理している
27. 27 ©MIXI Python前処理ではなく BigQuery + dbt を採⽤した理由 Pythonによる前処理は⼤変
28. 28 ©MIXI Python前処理ではなく BigQuery + dbt を採⽤した理由 理由1：⼤規模データの効率的な前処理 • BigQueryで整形しTable化 → 実験サイクルを⾼速化 • dbtで前処理ロジックをGitHub管理 → メンテナンス性向上 理由2：データ整形結果のキャッシュ活⽤ • 他タスクと共通の中間テーブルを再利⽤‧共通化→ 効率的なデータ整形 理由3: データテストとドリフト検知 • dbt-elementaryなどを活⽤し、データ品質テストやドリフト検知を⾃動化
29. 29 ©MIXI 実際のdbtによるDAG
30. 30 ©MIXI モデルの学習と検証
31. 31 ©MIXI モデルの選定 LightGBMを採⽤ 選定理由 1. 類似タスクにおける実績 • 類似レコメンド系コンペで⾼成績‧主要⼿法として採⽤ 2. ⾼速な推論 • ⾼速で省メモリな推論が可能 3. 学習のしやすさ • パラメータチューニングが容易
32. 32 ©MIXI モデルの学習 学習の試⾏錯誤 Precision@Kを元にモデルを試⾏錯誤 モデルの可視化 • SHAPによる特徴量の寄与率なども確認し、 どのような特徴量が重要だったのかを確認 統計的な傾向を分析でき、新たな発⾒
33. 33 ©MIXI ローカルでの評価 定量評価 ⾃動提案精度指標の改善: ルールベースと⽐較してPrecision@11 の向上を確認 定性評価 個⼈化の効果: ユーザ毎に異なる⾃動提案結果を提⽰可能 多様化の⽋如: 同じ⽇の同じような画像が多く選ばれる傾向にある → 迅速な対応が必要
34. 34 ©MIXI ⾃動提案の多様化 2段階によるリランキングを⾏う 1. Phashによる同⼀‧類似画像の除外 2. Maximal Marginal Relevance (MMR) の導⼊ a. 類似度（撮影⽇）が近いものは後回しにされるように → Precision@11を保ったまま、多様な写真が提供可能となった
35. 35 ©MIXI ML⾃動提案の本番導⼊
36. 36 ©MIXI アーキテクチャ
37. 37 ©MIXI アーキテクチャ Point • 定期的にDBTで前処理を実⾏し、 GCSに⼀時保存 • pythonサーバのスケール時に BigQuery Jobの多重実⾏を防ぐ
38. 38 ©MIXI アーキテクチャ Point • Pythonサーバで⾮同期で提案⽣成 • RDB側に保存したjobによる管理 • リトライ‧分析など • ⾃動提案⽣成結果はS3にオフロード
39. 39 ©MIXI ABテストの実施 実際にユーザに提供してみて購⼊傾向に変化があるのかを検証 主な成果 ユーザ離脱率の減少: わずかな改善を確認 写真購⼊量の増加: 微増ながらポジティブな結果 処理性能の向上: ⼤幅な処理時間短縮を実現 メンテナンス性向上 : フォトブックとの依存を切る & 新しい特徴量の追加が容易に 課題 • 改善幅が限定的: 期待値に対してやや控えめな結果 • 継続的な改善の必要性: モデル精度向上のための重要な特徴量追加などの改善が必要
40. 40 ©MIXI ルールベース⾃動提案の課題 (再掲) パーソナライゼーションの限界 • 全ユーザに同⼀ルールを適⽤ • 趣味嗜好を反映した⾃動提案が不可能 精度改善の限界 • 影響が⼤きくルールの追加‧変更が ⼈⼿になるため、継続した改善が困難 データの変化に対する対応の限界 • ルールのチューニングが⼿作業 • データの変化に柔軟に対応できない Recall@K の指標では有意な差が出た A/BテストではKPI微改善 dbt & LightGBMの学習により、 特徴量を増やすなどの改善をしやすく ユーザごとに異なる提案結果を出せていた
41. 41 ©MIXI まとめ
42. 42 ©MIXI 成果 技術的成果 • LightGBMベースのML⾃動提案システム構築 • 独⽴したデータパイプラインの確⽴ • 処理性能の⼤幅改善（従来⽐で⾼速化） • ⾃動提案の精度改善 ビジネス効果 • ユーザ体験の改善: 写真選択時の離脱率減少 • 購⼊量の微増: 継続的な成⻑トレンド • システムの拡張性向上: 将来的な機能追加への基盤整備
43. 43 ©MIXI 今後の課題 モデル改良 • 特徴量エンジニアリングの強化 • より⾼度なパーソナライゼーション精度向上 • 新しいML⼿法の検討‧導⼊ • 現在もモデルの改良を続けています MLOps体制の構築 • 継続的なモデル監視‧更新システム • ⾃動化された再学習パイプライン • A/Bテストの標準化と効率化
44. ©MIXI 44 ありがとうございました
45. 45 ©MIXI We Are Hiring！！ MIXIの採用情報はこちら みてねの採用情報はこちら