Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
AIを選択する自由
Search
NAVITIME JAPAN
PRO
April 04, 2019
Technology
0
24
AIを選択する自由
2019/4/4に開催されたRepro様主催『Repro Tech #7 Practical AI Supported by NAVITIME』にて発表した資料です。
NAVITIME JAPAN
PRO
April 04, 2019
Tweet
Share
More Decks by NAVITIME JAPAN
See All by NAVITIME JAPAN
つよつよリーダーが 抜けたらどうする? 〜ナビタイムのAgile⽀援組織の変遷〜
navitimejapan
PRO
22
15k
実践ジオフェンス 効率的に開発するために
navitimejapan
PRO
3
440
安全で使いやすいCarPlayアプリの 魅せ方:HIGと実例から学ぶ
navitimejapan
PRO
1
170
見えないユーザの声はログに埋もれている! ~ログから具体的なユーザの体験を数値化した事例紹介~
navitimejapan
PRO
6
2.6k
ユーザーのためなら 『デザイン』 以外にも手を伸ばせる
navitimejapan
PRO
2
1.4k
フツーのIT女子が、 Engineering Managerになるまで
navitimejapan
PRO
3
270
不確実性に打ち勝つOKR戦略/How to manage uncertainty with OKR strategy
navitimejapan
PRO
4
3.4k
アジャイルを小さいままで 組織に広める 二周目 / Agile Transformation in NAVITIME JAPAN iteration 2
navitimejapan
PRO
4
1.3k
変更障害率0%よりも「継続的な学習と実験」を価値とする 〜障害を「起こってはならないもの」としていた組織がDirtの実施に至るまで〜 / DevOps Transformation in NAVITIME JAPAN
navitimejapan
PRO
7
5.4k
Other Decks in Technology
See All in Technology
ウォンテッドリーのデータパイプラインを支える ETL のための analytics, rds-exporter / analytics, rds-exporter for ETL to support Wantedly's data pipeline
unblee
0
140
開発組織を進化させる!AWSで実践するチームトポロジー
iwamot
2
490
マーケットプレイス版Oracle WebCenter Content For OCI
oracle4engineer
PRO
3
540
Change Managerを活用して本番環境へのセキュアなGUIアクセスを統制する / Control Secure GUI Access to the Production Environment with Change Manager
yuj1osm
0
110
リクルートのエンジニア組織を下支えする 新卒の育成の仕組み
recruitengineers
PRO
1
140
Apache Iceberg Case Study in LY Corporation
lycorptech_jp
PRO
0
350
1行のコードから社会課題の解決へ: EMの探究、事業・技術・組織を紡ぐ実践知 / EM Conf 2025
9ma3r
12
4.4k
AWS Well-Architected Frameworkで学ぶAmazon ECSのセキュリティ対策
umekou
2
150
AIエージェント開発のノウハウと課題
pharma_x_tech
8
4.3k
フォーイット_エンジニア向け会社紹介資料_Forit_Company_Profile.pdf
forit_tech
1
1.7k
Snowflakeの開発・運用コストをApache Icebergで効率化しよう!~機能と活用例のご紹介~
sagara
1
500
30→150人のエンジニア組織拡大に伴うアジャイル文化を醸成する役割と取り組みの変化
nagata03
0
200
Featured
See All Featured
GraphQLの誤解/rethinking-graphql
sonatard
69
10k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
356
29k
Embracing the Ebb and Flow
colly
84
4.6k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
4
430
Facilitating Awesome Meetings
lara
53
6.2k
What’s in a name? Adding method to the madness
productmarketing
PRO
22
3.3k
Building an army of robots
kneath
303
45k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
46
2.3k
How to train your dragon (web standard)
notwaldorf
91
5.9k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
233
17k
Practical Orchestrator
shlominoach
186
10k
Statistics for Hackers
jakevdp
797
220k
Transcript
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
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