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
AWS Personalizeを活用した レコメンドシステム構築事例 / aws person...
Search
pigooosuke
June 11, 2020
Technology
1
5.2k
AWS Personalizeを活用した レコメンドシステム構築事例 / aws personalize recsys
pigooosuke
June 11, 2020
Tweet
Share
Other Decks in Technology
See All in Technology
「AI駆動PO」を考えてみる - 作る速さから価値のスループットへ:検査・適応で未来を開発 / AI-driven product owner. scrummat2025
yosuke_nagai
4
630
いまさら聞けない ABテスト入門
skmr2348
1
210
VCC 2025 Write-up
bata_24
0
180
自作LLM Native GORM Pluginで実現する AI Agentバックテスト基盤構築
po3rin
2
280
SoccerNet GSRの紹介と技術応用:選手視点映像を提供するサッカー作戦盤ツール
mixi_engineers
PRO
1
190
Modernizing Virtio GPU: A Rust-Powered Approach with vhost-device-gpu
ennael
PRO
0
100
20250929_QaaS_vol20
mura_shin
0
130
英語は話せません!それでも海外チームと信頼関係を作るため、対話を重ねた2ヶ月間のまなび
niioka_97
0
130
いま注目しているデータエンジニアリングの論点
ikkimiyazaki
0
610
LLM時代にデータエンジニアの役割はどう変わるか?
ikkimiyazaki
4
920
20201008_ファインディ_品質意識を育てる役目は人かAIか___2_.pdf
findy_eventslides
1
520
Oracle Base Database Service 技術詳細
oracle4engineer
PRO
11
78k
Featured
See All Featured
The MySQL Ecosystem @ GitHub 2015
samlambert
251
13k
Producing Creativity
orderedlist
PRO
347
40k
How to train your dragon (web standard)
notwaldorf
96
6.3k
Facilitating Awesome Meetings
lara
56
6.6k
Improving Core Web Vitals using Speculation Rules API
sergeychernyshev
19
1.2k
RailsConf 2023
tenderlove
30
1.2k
Bash Introduction
62gerente
615
210k
How To Stay Up To Date on Web Technology
chriscoyier
791
250k
Designing for humans not robots
tammielis
254
26k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
26
3.1k
Done Done
chrislema
185
16k
Building Better People: How to give real-time feedback that sticks.
wjessup
368
20k
Transcript
© - BASE, Inc. AWS Personalizeを活⽤した レコメンドシステム構築事例
© - BASE, Inc. ⾃⼰紹介 齋藤 勇介 BASE株式会社 DataStrategy Team
‧データ分析、機械学習を活⽤した開発 ‧データ集計から予測モデル作成、データ配信まで何でも ‧過去にBASEで取り組んだ事例 ‧特集コンテンツの⾃動⽣成とレコメンドサービスの取り組み ‧機械学習にアノテーションを活⽤して、商品検索の関連キーワード機能を作る BASE開発チームブログ (https://devblog.thebase.in/)
© - BASE, Inc. アジェンダ . 「BASE」紹介 . 「BASE」のレコメンドシステム紹介 .
Amazon Personalizeの導⼊ . 効果検証 . 運⽤上のTips . まとめ
© - BASE, Inc. 「BASE」紹介
© - BASE, Inc. ネットショップ作成サービス「BASE」 出店ショップ数 (個⼈‧法⼈‧⾏政を含む) 100万ショップ以上 BASEかんたん決済利⽤料 3.6%+40円
サービス利⽤料 % コンセプト 「誰でも簡単に使えるネットショップ作成サービス」 初期費⽤‧⽉額費⽤ 0円 ショップオーナーのサポート機能が充実! 個⼈でも決済機能をかんたん導⼊。 審査もスピーディー! クレジットカード 銀⾏振込 コンビニ決済‧Pay-easy 後払い (BASE Apps) キャリア決済
© - BASE, Inc. 「BASE」のレコメンドシステム紹介
© - BASE, Inc. ショッピングアプリ「BASE」 ユーザーの嗜好に合うコンテンツをレコメンド 例えばアプリのホーム画⾯では、 - 今⽇のおすすめ商品 -
今⽇のおすすめショップ - テーマ別特集 にて稼働中
© - BASE, Inc. ショッピングアプリ「BASE」 ユーザーの嗜好に合うコンテンツをレコメンド 例えばアプリのホーム画⾯では、 - 今⽇のおすすめ商品 -
今⽇のおすすめショップ - テーマ別特集 にて稼働中 今⽇の話はこのエリア
© - BASE, Inc. ECS API Proxy ECS ALB Internal
ALB ECS 計算batch レコメンド配信基盤 API A.協調フィルタリング ECS ECS B.Factorization Machines ECS ECS C. ⼈気順ランキング
© - BASE, Inc. レコメンド配信基盤 ‧アルゴリズム - 協調フィルタリング - Factorization
Machines - ⼈気順ランキング ‧予測‧計算 - リアルタイムでの予測はしておらず、バッチ計算結果を表⽰ ‧配信ルール - 前段のAPI Proxyで制御
© - BASE, Inc. アルゴリズム運⽤ タイプ メインアルゴリズム (予測可能ユーザー) サブアルゴリズム (予測不可ユーザー)
A 協調フィルタリング ⼈気順ランキング B Factorization Machines ⼈気順ランキング ‧2種類のアルゴリズムを並⾏運⽤ ‧学習に含まれていないor新規ユーザーには、各属性に合った⼈気商品を提⽰ ‧複数のアルゴリズムを運⽤することで、推薦結果によるバイアスを受けた ⾏動ログで学習し続けてしまう事象を軽減
© - BASE, Inc. ⼀応の運⽤は回っていたが、 いくつか懸念点が、、、
© - BASE, Inc. 懸念点 メンテナンス性 アルゴリズムの特性 モデル精度
© - BASE, Inc. アルゴリズムの特性 ‧課題 協調フィルタリング、Factorization Machinesともに、 商品全体に対するユーザーの嗜好性を推定するもので、 モデル学習時に時系列性を取り⼊れるのが難しい
→ 直前までの⾏動を考慮したレコメンドが出来ない ‧どうする? - ユーザーのセッションベースのレコメンドモデルを作る? - 学習にGPU必須。環境作りなども少し億劫 - 新規モデルの開発 - その改善のリターンは⾒込める?
© - BASE, Inc. メンテナンス性 ‧課題 所々で独⾃実装が⼊っていて、担当者がいなくなった時に メンテナンスや緊急対応が難しそう ‧どうする? -
ML Opsあるある。どうする?
© - BASE, Inc. モデル精度 ‧課題 - 既存の運⽤モデルはベストな選択なのか? - より良いモデルは存在するのでは?
- 学習パラメーターもある程度⾒直す必要があるが、放置状態 ‧どうする? - 新規モデルの開発 - その改善のリターンは⾒込める? - 学習パラメーターの検証 - やりたいけどやっていない
© - BASE, Inc. Amazon Personalizeの導⼊
© - BASE, Inc. 2019年6⽉ Amazon Personalizeが 東京リージョンで利⽤可能に
© - BASE, Inc. 2019年10⽉ 「BASE」で Amazon Personalizeの運⽤開始
© - BASE, Inc. 課題点解消 ‧アルゴリズムの特性 「HRNN」という定義済みアルゴリズムを使えば、 セッションベースの学習が可能 ‧メンテナンス性 最低限、csvを3file⽤意すれば⼤丈夫
運⽤開始から8ヶ⽉経過するも、コード修正は2回だけ 障害も発⽣せず ‧モデル精度 最適パラメーターの探索も設定次第で簡単に可能
© - BASE, Inc. ⾊々と理由を挙げましたが、 どれぐらいの精度が出るものか検証してみたい という動機が⼀番⼤きかったです
© - BASE, Inc. ショッピングアプリ「BASE」 「今⽇のおすすめ商品」枠 にて、検証開始
© - BASE, Inc. ECS API Proxy ECS ALB Internal
ALB ECS レコメンド配信基盤 既存のアルゴリズム Lambda Personalize ECS Personalize DynamoDB データ投⼊ NG商品など の情報 出⼒調整 レコメンド取得
© - BASE, Inc. 効果検証
© - BASE, Inc. 計測指標 ͬͱݟΔը໘ ΞϓϦϗʔϜը໘ ৄࡉը໘ 1. 閲覧率
2. お気に⼊り率 3. カート追加率
© - BASE, Inc. 運⽤実績 閲覧率 お気に⼊り率 カート追加率 ‧Personalize(Per)は、カート追加率で最も優れた予測を実現 ‧閲覧率では、既存のモデルに勝てないこともある
- アルゴリズムの特性、カスタマイズ性に起因 ‧回遊性を重視するのか、売上を重視するのかでより良い選択を
© - BASE, Inc. 運⽤上のTips
© - BASE, Inc. 学習パラメーター 最重要! 必要な時だけ、ハイパーパラメーターチューニングする Perform HPO /
Perform AutoMLというパラメーターの仕様 をよく理解して、毎回チューニングしないようにする ちなみに、 運⽤中のデータサイズでチューニングすると、 チューニングなし学習の約15回分の請求がきます
© - BASE, Inc. 未学習ユーザーへの予測 学習時に含まれていないユーザーに⼈気順のitemが出る 新規ユーザーや⻑期⾮ログインユーザーに対して、 共通のレコメンドがされ、 Personalize内での調整が今の所できない 別途取得したユーザー属性元にレコメンドしたい場合は、
追加で拡張する必要がある
© - BASE, Inc. まとめ
© - BASE, Inc. Amazon Personalizeを使ってみて - ⼿間を掛けずにレコメンドサービスを開発できるツール - メンテナンスコストも削減可能
- ハイパーパラメータチューニングも容易
© - BASE, Inc. ご清聴ありがとうございました