DeNA TechCon2018 研究開発と事業貢献を両立させるAI組織の作り方/dena-techcon2018-ai-organization

by Kenshin Yamada @DeNA

Slide 1

Slide 1 text

研究開発と事業貢献を両⽴させる AI組織の作り⽅ AIシステム部⼭⽥憲晋

Slide 2

Slide 2 text

⾃⼰紹介⼭⽥憲晋 (やまだけんしん） DeNA システム＆デザイン本部 AIシステム部部⻑ [略歴] 1995年NECに⼊社。VerilogでFPGA上にTCPフルスタック実装する等ネットワーク関連の研究開発に従事。よりユーザに近いサービスに直接関わりたいという思いから2008年DeNAに⼊社。 Mobageの開発インフラ、ゲーム開発チームのマネージメント等を担当する。ゲーム運営の中で分析の重要性を肌で感じ、2010年分析組織を⽴ち上げる。現在は、DeNA全社のディープラーニングを中⼼としたAI活⽤事業の研究開発及び分析基盤の構築・運⽤を⾏うAIシステム部のマネージメントを⾏っている。

Slide 3

Slide 3 text

アジェンダ • DeNAの特徴 • DeNAのAIの考え⽅ • AIプロジェクト紹介 • 研究開発と事業貢献を両⽴させるAI組織 • まとめと今後の課題 2

Slide 4

Slide 4 text

DeNAの特徴 3

Slide 5

Slide 5 text

DeNA事業ポートフォリオ • 多種多様な事業領域でのビジネス・サービス展開 • パートナー企業と共に社会影響の⼤きなサービス創出 • ⼤規模インターネットサービスプラットフォームの構築・運⽤⼒ 4 ＋他社IP利用のタイトル多数ロボネコヤマト®はヤマトホールディングス株式会社の登録商標です

Slide 6

Slide 6 text

分析が当たり前のサービス開発体制: 分析基盤 • 2010年にHadoopによる⼤規模分析基盤を導⼊して以来、サービスにログを蓄積して分析することが当たり前になっている – 分析基盤の構築、分析ログの収集、分析環境整備等の業務で躓くことがない – サービス側ではログ実装を開発タスクとして計画に組み込んでいる 5 Log Collector Event log DB (MySQL) snapshot web web web DB Snapshot Loader 大規模分析基盤ログ収集が仕組み化されている KPI Dashboard Tool

Slide 7

Slide 7 text

分析が当たり前のサービス開発体制: データアナリスト • 各サービスにデータ分析専任のデータアナリストがアサインされている – データ分析によるPDCAが回っている – ログや集計データの品質が担保されている 6 集計・加工 • データ集計 • KPI見える化分析 • 仮説の設定と検証 • 改善案の提案改善案実施 6

Slide 8

Slide 8 text

DeNAのAIの考え⽅ 7

Slide 9

Slide 9 text

%F/"ͷ"* 先端AI技術を活用し価値あるサービスを提供・洗練する大規模データサービス AI技術最新研究をベースに研究開発 AI活用した新たな価値あるサービス設計・実装サービス・データのサイクルから生まれる強固なビジネス構造価値あるサービス提供への継続的な挑戦 8

Slide 10

Slide 10 text

"*ٕज़ͷ஝ੵͱ׆༻ ࣮༻ܥ ࣮ݧܥ εϐʔυ ύʔτφʔγοϓҊ݅ ࣗࣾαʔϏε جૅٕज़։ൃ ࣮༻Ձ஋ఏڙ ࣮ূ࣮ݧ ࣮༻Ձ஋ఏڙ αʔϏε಺࣮ݧ ࠷৽࿦จͷ࣮૷ɾ࣮ݧ ݚڀ੒Ռͷ֎෦ൃ৴ ࠷৽ݚڀΛࣗࣾ αʔϏεσʔλΛ ׆༻࣮ͯ͠ݧ ઌ୺ٕज़ͷద༻࣮੷Λ εϐʔσΟʔʹ஝ੵ ֬౓ͷߴ͍ٕज़Λ ׆༻ͨ͠Ձ஋Λఏڙ ࣗࣾαʔϏεͰ͸ ֫ಘͰ͖ͳ͍σʔ λΛ׆༻ͨ͠ɺ࣮ ݧతऔ૊ΈʹΑΔ ٕज़ྗͷ޲্ͱɺ ৽͍͠Ձ஋ͷ୳ٻ 9

Slide 11

Slide 11 text

DeNAのAI組織体制ゲームオートモーティブ AIアルゴリズム系エンジニアデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア … 全社横断部⾨であるAIシステム部が、DeNAの全サービスを対象に先端AI技術を活⽤したサービス提供を実現する AIシステム部は、AI研究開発と共に、全サービス向けのデータ分析基盤の提供も⾏っている AI新規事業を専任で検討するAI戦略推進室という組織がある AI戦略推進室新規事業 BizDev 10

Slide 12

Slide 12 text

AIプロジェクト紹介 11

Slide 13

Slide 13 text

%F/"ͷ"*ػցֶशΛ׆༻ͨ͜͠Ε·ͰͷαʔϏεఏڙྫ SNS アニメ・マンガ・ゲーム・声優・ラノベマンガゲームプラットフォームニュース 2010年に大規模分析基盤構築以降、様々なサービス上で機械学習を活用 12

Slide 14

Slide 14 text

乗⾞需要の予測タクシーGPSデータ、鉄道運⾏状況データ、気象データ、イベント開催データ、道路特性データ、などによる乗⾞需要予測タクシー供給の最適化乗⾞需要予測、タクシー⾞両配置変化の予測、移動時間の予測、などをもとにしたバランシング新たな乗⾞需要の創出相乗りマッチングダイナミックプライシングプロジェクト紹介: タクベル AI技術タクシーと乗客のマッチングを効率化し乗りたい時にもっと早くタクシーが⾒つかる環境を⽬指す 13

Slide 15

Slide 15 text

⾃動運転技術を活⽤した次世代物流サービスの実現を⽬指すヤマト運輸株式会社との実⽤実験プロジェクト。物流と最先端ITとの融合で、もっと⾃由な⽣活スタイルを実現する。 14 プロジェクト紹介: ロボネコヤマト* マップマッチ GPSデータと道路ネットワークのマッチング到着時間予測初⼼者ドライバ考慮した経路渋滞予測配送スケジューリング AI技術 * ロボネコヤマト®はヤマトホールディングス株式会社の登録商標です (関連発表) DeNA TechCon 2018 「車両運行管理システムのためのデータ整備と機械学習の活用」 https://www.slideshare.net/eratostennis/ss-87483315

Slide 16

Slide 16 text

プロジェクト紹介: 運転⾏動認識⾞外画像認識・レーン検出・歩⾏者・⾞両認識⾞内画像認識_ ・ドライバー⾏動認識（顔ポーズ推定、視線推定、⽬つむり検出）モバイル・エッジ軽量実装技術運転行動認識を支えるAI技術⾞外画像認識⾞内画像認識 (詳細) DeNA TechCon2018「深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用」 https://www.slideshare.net/ren4yu/ss-87520443

Slide 17

Slide 17 text

プロジェクト紹介: カメラ映像解析ミッション：店舗内に設置されたカメラ映像から、顧客の属性や導線などを把握し、マーケティングへの活⽤、および顧客の状況に合わせた接客や提案を⾏えるようなスマートショップの実現を⽬指す。⼈検出姿勢推定⼈物追跡⼈物同定年齢推定性別推定 AI技術 OSS: Chainer Realtime Multi-Person Pose Estimation https://github.com/DeNA/Chainer_Realtime_Multi-Person_Pose_Estimation (詳細) DeNA TechCon2018「深層学習を用いたコンピュータビジョン技術とスマートショップの実現」 https://www.slideshare.net/dena_tech/dena-techcon-2018 16

Slide 18

Slide 18 text

プロジェクト紹介: 逆転オセロニアゲームAI 強化学習深層強化学習マルチエージェント問題最適化ゲームAI技術ゲーム理論ゲーム⽊探索不完全情報ゲーム AI技術深層強化学習を活用したゲームAIエージェントの作成。キャラクターの運用方法を自律的に学習することによって、バランス調整や対戦AIとしてのユースケースを実現。（詳細) DeNA TechCon 2018 -ゲーム体験を支える強化学習 - https://www.slideshare.net/juneokumura/dena-techcon2018 ゲーム体験を支える強化学習の実応用について - https://www.slideshare.net/juneokumura/ss-82644332 強化学習をバランス調整に活用。『逆転オセロニア』が目指す、ゲーム開発の近未来 - https://fullswing.dena.com/othellonia-ai/ 17

Slide 19

Slide 19 text

対話AIに特定の個性(方言・熱さ等)を追加反映プロジェクト紹介: 対話AIへのキャラクター性付与・個性追加反映した返答生成例・強弱をつけた個性の追加反映・元の個性を保持しつつ、個性を追加反映する追加強度：強濱田晃一, 藤川和樹, 小林颯介, 菊池悠太, 海野裕也, 土田正明. “対話返答生成における個性の追加反映”. 情報処理学会第232回自然言語処理研究会 (7/20/2017). 熱さ追加を強め、元は「心配」していたが「応援」に変化 Mobageチャット

Slide 20

Slide 20 text

プロジェクト紹介: AI創薬 • ミッション：創薬プロセス、化合物最適化段階のコスト削減 • 製薬企業と提携し、実際のデータを活⽤した共同研究を開始 AI技術⼈間で実際に試してみる（1-3ステージで段階的に実証） Target to Hit Hit to Lead Lead Optimization Pre Clinical Phase 1-3 Submission to Launch （基礎）研究臨床創薬ステージ ①薬のタネとなる化合物発⾒、 ②薬効（効果）を⾼める体内での薬物動態の改善、毒性低減等の最適化 Target Discovery 創薬ターゲットを発⾒⽀援有効性・安全性等を測定医薬品候補化合物の設計 × 製薬企業データ 19

Slide 21

Slide 21 text

プロジェクト紹介: スポーツ x AIの取り組み 20 ⾼度データ分析や動画像認識等の先端AI技術を活⽤し DeNAのスポーツ事業に様々な貢献をしていく 20

Slide 22

Slide 22 text

研究開発と事業貢献を両⽴させるAI組織 21

Slide 23

Slide 23 text

DeNAの⽬指すAI組織⼤企業型のAI研究開発組織 DeNAの⽬指すAI組織研究開発組織事業組織研究開発と事業開発が明確に分離研究者は研究そのものに集中できるかわりに事業からは遠い研究に専念事業に専念研究開発組織事業組織研究開発組織と事業組織が⼀緒にサービスを作り、運⽤する明確な役割分担サービス 22

Slide 24

Slide 24 text

DeNAの⽬指すAI組織 DeNAの⽬指すAI組織研究開発組織と事業組織が⼀緒にサービスを作り、運⽤する • 狙い – 先端技術を活⽤した最速でのサービス展開 – 実サービスのデータを⽤いた現実の研究課題に対する研究開発 – サービス運⽤の中で新たな研究課題を⾒つけて、サービス改善と研究開発のサイクルを回す • リスク – 研究組織としてサービス開発・運⽤に必要なスキルセットを持てるのか？ – 研究開発と実サービス開発のバランス研究開発組織事業組織サービス 23

Slide 25

Slide 25 text

リスクと解決策 • (リスク1) 研究組織として事業開発・運⽤に必要なスキルセットを持てるのか？ è インターネットサービス開発のプロである事業部との密な連携体制 è AIシステム部内にAIバックエンドシステム開発に必要なスキルセットを持ったエンジニアリング機能の全てを持つ • (リスク2) 研究開発と事業開発のバランス è事業貢献第⼀優先 èその上で、先端の研究技術に触れる機会を⼗⼆分に作る研究開発組織事業組織サービス DeNAの⽬指すAI組織 24

Slide 26

Slide 26 text

Slide 27

Slide 27 text

事業部と密連携でのAI研究開発 26

Slide 28

Slide 28 text

AIプロジェクト推進体制 27 AIシステム部 (AI研究開発組織) 事業部 • ONEチームでの開発体制 – 事業部ビジネス、システム、データアナリストと AIシステム部メンバーが”ONEチーム”で開発に当たる体制 • ⾼頻度コミュニケーション – 週次で進捗状況の共有、必要に応じて軌道修正 – より、⾼頻度のコミュニケーションが必要であれば、Daily Standupの実施や事業部側に席を準備することもプロジェクトチーム biz sys analyst

Slide 29

Slide 29 text

開発システムの責任分界点 28 AI側バックエンドシステムサービス側システム • サービス側システムとAI側バックエンドシステムの責任分界点を明確にした上で、AI側バックエンドシステムはAIシステム部で運⽤する – サービス側システム – UI/UX含めてお客様が利⽤するサービスに直接関わるシステム – AI側バックエンドシステム – 機械学習アルゴリズムに関わるデータ処理システム • 研究開発のスピード、運⽤しながらの改善を実現するためにバックエンドシステム全体の運⽤をAIシステム部として責任をもつ • サービス運⽤可能なコードを直接開発した上で運⽤する。 – システム間はAPIやデータベース経由で連携する • 上記の標準パターンに当てはらまない例も発⽣し始めている – 機械学習アルゴリズムをスマートフォーンなどのクライアントアプリケーション上に直接実装する場合など à ライブラリ提供して事業部側クライアントアプリケーションに組み込む API連携 DB連携事業部で運用 AIシステム部

Slide 30

Slide 30 text

AIプロジェクトの始まり⽅ 29 AIシステム部事業部 AI戦略推進室（AI新規事業創出) 事業部事業部ニーズ主導型シーズ主導型苦楽に相談できる距離感が重要密 • 事業ニーズ主導型 – 既存事業部または新規事業検討チームからのAI技術活⽤ニーズを元にプロジェクト化するもの • 技術シーズ主導型 – AI研究者側が思いついたアイデアを事業部にぶつけてプロジェクト化するもの – サービス適⽤イメージを持って提案する場合と、技術シーズを元にサービスアイデアのブレストから始まるものとがある • どちらの場合も現場メンバーで気軽に相談できる距離感と、簡単に新規プロジェクトを⽴ち上げられる承認体制が重要

Slide 31

Slide 31 text

AIエンジニアリング組織 30

Slide 32

Slide 32 text

AI研究開発を⽀える組織体制分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト … AIシステム部内にAIアルゴリズム系エンジニアとAI基盤系エンジニアの両⽅が存在機械学習アルゴリズムをサービス実装・運⽤するためにはAI基盤系エンジニアの役割が重要 31

Slide 33

Slide 33 text

AI基盤系エンジニア分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト … データ分析及びAIサービス開発に必要なデータ分析基盤の構築と運⽤ AIバックエンドシステムの開発と運⽤ 32

Slide 34

Slide 34 text

AIを⽀える分析基盤 33

Slide 35

Slide 35 text

2013年当時のDeNAの分析基盤 n Hadoop + Verticaの構成 n ⾮構造化データを⼀箇所に集めるデータレイクとしてのHadoop n ⾼速分析を実現するデータウェアハウスとしてのVertica n メインのゲーム事業を中⼼に共通分析基盤にデータを集約する n 機械学習アルゴリズムはHadoop上で分散実装 Log Collector Jenkins (workflow) Linux (Batch/Adhoc) Hue Event log DB (MySQL) snapshot web web web DB Snapshot Loader hive pig 34 KPI Dashboard Tool

Slide 36

Slide 36 text

分析基盤ニーズの変化ゲーム事業を中⼼とした分析基盤ニーズから多種多様な事業の要件に応える柔軟な分析基盤が求められるように変化 35 ＋他社IP利用のタイトル多数ロボネコヤマト®はヤマトホールディングス株式会社の登録商標です

Slide 37

Slide 37 text

分析基盤の今 n SQL中⼼の分析業務は GCP BigQueryにおまかせ n サービス毎にGCPプロジェクトを作成して、権限設定とコスト管理をシンプルに n サービス毎に個別に環境を構築 n クラウド技術も徹底活⽤ Log Collector Event log DB (MySQL) snapshot web web web DB Snapshot Loader クラウド(AWS/GCP)上で稼働するサービスから直接BigQueryにログ格納するサービスも増加サービス側システム On AWS/GCP 36 KPI Dashboard Tool

Slide 38

Slide 38 text

オートモーティブ案件のAI基盤例(1) 位置情報緯度経度車両ID 車両ステータス Stackdriver 全車両ステータス変更ログ Pub/Sub BigQuery Cloud Storage サービス分析用１時間単位 Dataflow AIシステム用 5分単位 Dataflow: 利用のメリット • フルマネージドサービスによる運用工数削減 • オートスケール • 多種多様なI/O、データ処理基盤をサポート 37

Slide 39

Slide 39 text

オートモーティブ案件のAI基盤例(2) 38 サービス側基盤 Job① 前処理 Job② 地図データとマッチング Job③ レポートデータ生成 ECS Aurora SQS S3 AWS BATCH SQS ALB EC2 AI側基盤タクシー・トラック ALB ALB ECS レポート閲覧者 • 車載器からのデータ収集車両ID、緯度経度など • レポート閲覧 • 実走行軌跡と地図とのマッチング • レポート用データ生成など AWS BATCH • 走行データ量に合わせてスケーラブルに処理 • ジョブの依存関係を定義して順番に処理 • LambdaやStep Functionでは難しい実行時間の長い処理に対応 SQS • AutoとAIで基盤間を疎結合に • AWS BATCHジョブ間のステート管理に

Slide 40

Slide 40 text

AI・分析ツールエンジニア 3 9 分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト …

Slide 41

Slide 41 text

AI・分析ツールエンジニア分析ツールの専属エンジニアチーム(Railsエンジニア、JSエンジニア)が、効率的な分析業務を実現するための分析ツールを開発 40 KPIダッシュボードツール: Argus データ転送管理ツール: Medjed 最近は、AIプロジェクトを加速するためのAIツールに対するニーズも顕在化

Slide 42

Slide 42 text

データアノテーションツール • 機械学習において重要な教師データとなるデータラベルを作成するための専⽤のデータアノテーションツールを開発することで、要件に応じた効率的なアノテーション作業を実現 • アノテーション業務を⾒てくれるチームがあるので、AI研究開発エンジニアがアノテーションデータの確保に悩まされなくて済む 41

Slide 43

Slide 43 text

AI可視化ツール: Game AI開発のためのバトルシミュレータ強化学習を使ったゲームAIプレイヤーの動作に関して、専⽤の可視化ツールを開発してバトルシミュレーションの分析をすることで、効率的なAI研究開発をサポート 42

Slide 44

Slide 44 text

AIアルゴリズム系エンジニア 4 3 分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト …

Slide 45

Slide 45 text

AI研究開発エンジニアとデータサイエンティストサービスが必要とするMLアルゴリズムの要件に応じて適切にエンジニアをアサインする 44 AI研究開発エンジニアデータサイエンティスト Computer Vision / NLP / 強化学習等研究上の専門技術を保有日々、研究動向をウォッチし専門技術を活用して事業貢献するサービス・事業の抱える分析課題を解くことに燃える集団。手段を問わず、最高の精度を出すことに泥臭くコミット高い専門性幅広い引き出し

Slide 46

Slide 46 text

データサイエンティスト(通称 Kaggler枠) 4 5 分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト … • 事業・サービスで発⽣する様々な分析課題を解くことに燃えるプロフェッショナル – ゲームの離脱分析、商品購買予測、不正アクセス検知 • 事業部内データアナリストとの連携体制で予測モデルの精度向上等実分析業務に集中

Slide 47

Slide 47 text

Kaggle⽀援 • データサイエンティストは、業務として会社のサーバ資源を使って⾃由にKaggle問題に取り組んでもらいます – ⽬安として30%の⼯数はKaggleに取り組める負荷でアサイン • Kaggle実績は分析者としての実⼒の証明であり、会社として活動を⽀援 • 会社としてのメリット – 社外の様々な分析問題と解法に対する知⾒を社内の分析問題にも展開可能 – 著名なKaggle Masterを抱えることによるブランディング効果 46

Slide 48

Slide 48 text

AI研究開発エンジニア 4 7 分析を⾏う組織体制ゲームオートモーティブ AIアルゴリズム系エンジニア AI研究開発エンジニアデータサイエンティストデータアナリストスポーツデータアナリストデータアナリスト AIシステム部 (全社横断) AI基盤系エンジニア AIデータエンジニア AI・分析インフラエンジニア AI・分析ツールエンジニア分散基盤エンジニア ◯◯事業データアナリスト … 先端のAI研究を⽇々ウォッチし、AI技術を活⽤したサービス応⽤を創出する Deep Learningを中⼼にComputer Vision、NLP、強化学習等の専⾨分野をもつ交通システム(ITS)や、創薬など事業領域での専⾨知識を有するメンバーもいる

Slide 49

Slide 49 text

リスクと解決策 • (リスク1) 研究組織として事業開発・運⽤に必要なスキルセットを持てるのか？ è インターネットサービス開発のプロである事業部との密な連携体制 è AIシステム内にAIバックエンドシステム開発に必要なスキルセットを持った各種エンジニアを全て持つ • (リスク2) 研究開発と事業開発のバランス è 事業貢献第⼀優先 è その上で、先端の研究技術に触れる機会を⼗⼆分に作る研究開発組織事業組織サービス DeNAの⽬指すAI組織 48

Slide 50

Slide 50 text

AI研究開発エンジニア先端AI技術を活⽤した事業貢献が主ミッション事業貢献のための開発業務に携わりながら、先端AI技術をキャッチアップし続けるために様々な施策を打っています 49

Slide 51

Slide 51 text

先端技術キャッチアップのために 1. 情報収集と社外発信の習慣付け 2. 論⽂再現実装や技術検証のために⾃由に使える(GPU) サーバリソース 3. 事業プロジェクトの開発業務に埋没されない余裕を持ったアサイン 50

Slide 52

Slide 52 text

社内勉強会の開催 • 週次で技術トピック(40分x2本)を社内プレゼン発表 – 対象: 社内プロジェクトの技術解説、論⽂紹介等 – 持ち回り: 全員に技術発信の習慣を意識づける – 秘匿プロジェクトで無ければ社外にも積極公開 https://www.slideshare.net/ren4yu/deep-neural-network-79382352 https://www.slideshare.net/hamadakoichi/gan-training-techniques https://www.slideshare.net/yukono1/feudal-networks-for- hierarchical-reinforcement-learning-78179805

Slide 53

Slide 53 text

国際学会派遣 • 年1回、無条件で好きな国際学会に⾏って良い – 先端研究の動向把握 – 優秀な研究者とのネットワークづくり • 社内外で参加報告を実施 – ICLR2017読み会主催 • https://engineer.dena.jp/2017/07/iclr2017.html – NIPS2017読み会@PFN - DeNAからも４件発表 • https://connpass.com/event/76552/ 52

Slide 54

Slide 54 text

AI技術勉強会の主催社外勉強会での参加・発表を推奨すると共に、DeNAでもAIイベントを主催 SHIBUYA SYNAPSE: https://shibuya.ai/ 53

Slide 55

Slide 55 text

サーバリソース技術キャッチアップ、論⽂再実装、実データでの実験などのために、アサインされたプロジェクト以外でも⾃由に使えるコンピューティングリソースを提供 • AWS/GCPクラウド上のサーバは⾃由に利⽤可能 – 環境構築は分析基盤チームが担保 • セキュリティ要件の担保（不正アクセス防御) • 社内githubへのアクセス • 希望者には Desktop GPUサーバも提供 – 利便性の⾼いクラウド環境で満⾜しているエンジニアが多いです 54

Slide 56

Slide 56 text

まとめと今後の課題 55

Slide 57

Slide 57 text

まとめ • 研究組織として事業開発・運⽤に必要なスキルセットを持つ è インターネットサービス開発のプロである事業部との密な連携体制 è AIシステム内にAIバックエンドシステム開発に必要なスキルセットを持った各種エンジニアを全て持つ • 研究開発と事業開発のバランス è事業貢献第⼀優先 èその上で、先端の研究技術に触れる機会を⼗⼆分に作る研究開発組織事業組織サービス AI研究開発と事業貢献を両立させるAI組織研究開発組織と事業組織が一緒にサービスを作り、運用する 56

Slide 58

Slide 58 text

今後⼒を⼊れていきたいところ • AI研究開発と事業貢献両⽴のさらなる追求 • AI Project Management – ふわっとしたビジネス要件を適切な機械学習課題に落としつつ、適切な技術選択(作られなくてよいものは作らない)につなげる⼈ – 様々なAIプロジェクトが⽴ち上がる中、5⼈以上のAIチーム案件も増えつつある。事業部連携のチーム体制で適切かつ臨機応変にタスクアサインしてプロジェクトを進められる⼈ • ML Ops – 機械学習アルゴリズムの実サービス展開・運⽤を効率⾼く進めるためのML Ops機能の重要性が⾼まりつつある 57