AIを選択する自由

AIを選択する自由 2019 年 4 月 4 日

自己紹介大川舞子 (おおかわまいこ) • iOS開発 → インフラ運用 → 社内ツー
ル開発 • 最近は機械学習モデルの開発運用、ワークフローの整備

所属プロジェクトの社内立ち位置 • R&D部門。｢新しいことやってる人達｣ • 社内で宙ぶらりんの案件も引き取る。 • 最近、社内でAI屋さんと認識され辛い。AIはなるべく作りたくない。(お世話が大変=手離れしないので。。) •
AI以外の手段や、外部サービスの利用も検討

本題

Q. どうしてAIを使うのか?

A. AIの方が楽だから

と言える時だけ AIを選択しよう

AIのつらみ • 結果を保証できない • リリース後も改善で人が張り付く必要がある(ことが多い)

👂🐙

弊社のレコメンデーションの歴史機械学習黎明期に0から機械学習モデルを実装。 • → 改善しても精度が良くならない。メンテ辛い • → 費用対効果が伴わない
ため一度機能をクローズ

あるある

じゃあなぜ今 AIでレコメンデーションを作っているのか?

AIによるレコメンデーション • 外部サービスが提供されつつある • 学習データがシンプルで既存資産が利用できる

機は熟した

自分で機械学習モデルを作る外部サービスを利用する検討した方法

自分で機械学習モデルを作る

外部サービスを利用する Amazon Personalize (beta)

自分で機械学習モデルを作る外部サービスを利用する検討した方法

自分で機械学習モデルを作る OSSを利用する外部サービスを利用する検討した方法

OSSを利用する Microsoft / Product Recommendations Solution https://github.com/Microsoft/Product-Re commendations

Product Recommendations Solution • Microsoft の AI レコメンドサービスがOSS化
• eコマースレコメンドに最適化したモデル/パラメータが利用可 • REST API / テストツール/ Swaggerも同時提供

学習データについて • 協調フィルタリングは学習データがシンプル • 既存資産(アクセスログ)から生成可能なケースが多い • → データを作るためにサービスに手を入れる必要がない

NAVITIME Travel

構成図オンプレ Azure アプリ Server API Management App Service Blob
Storage Azure function Treasure Data

構成図オンプレ Azure アプリ Server API Management App Service Blob
Storage Azure function Treasure Data Access Log

モデル生成(日次) オンプレ Azure 4/4モデル 4/2モデル 4/3モデルアプリ Server API Management
App Service Blob Storage Azure function Treasure Data Access Log 学習データ向き先変更モデル生成データ抽出 & 配置

推論(ユーザリクエスト) オンプレ Azure 4/4モデル 4/2モデル 4/3モデルアプリ Server API Management
App Service Blob Storage Azure function Treasure Data

学習データサンプル学習データ、必須は3カラムのみ。アクセスログから抽出可能

実例 (ナビタイムトラベルスポットレコメンデーション) スポット詳細ページヘのアクセスのうち駅を除いたもの

構成図(予定) AWS Azure DynamoDB API Management App Service Blob Storage
Azure function EC2 ﬂuentd API Gateway アプリ疎結合のためレコメンデーションのバックエンドは変更する必要がない

まとめ

費用対効果があると判断した時だけ AIを選択することで世界平和を実現しよう

ありがとうございました

AIを選択する自由

AIを選択する自由

NAVITIME JAPAN PRO

More Decks by NAVITIME JAPAN

Other Decks in Technology

Featured

Transcript