CCSE2020 メルカリにおけるEdgeAIを用いた 新たなUXの開発

Transcript

1. メルカリにおけるEdgeAIを用いた 新たなUXの開発 CCSE2020 大嶋悠司

2. 自己紹介 大嶋 悠司 2019/12 ~ Tech Lead of EdgeAI team

   in Mercari • EgeAI機能開発/研究・モデル作成・プラットフォーム構築 • OSS活動: ◦ Kubeflow katib (owner) ◦ Docker infrakit (maintainer) • Github: YujiOshima • Twitter: @overs_5121

3. 発表の流れ • EdgeAIとは・EdgeAIチームの取り組み • 機能開発（要件定義） • 機能開発（POC開発） • 機能開発（技術課題洗い出し）

4. EdgeAIとは MLモデルの推論を端末上で行う 1 sec 〜 〜 50ms インタラクティブなUXを実現

5. EdgeAIチームの取り組み 画像分類： アイテムを撮影すると即座にカテゴリを推定 MLの推論を端末上で行うことでインタラクティブなUXを実現 リリース済み

6. EdgeAIチームの取り組み 自然言語（IME）： 入力に基づき動的に表示を調整 トライアル中 MLの推論を端末上で行うことでインタラクティブなUXを実現

7. EdgeAIチームの取り組み 物体検出・追跡： カメラに映る物体をリアルタイムに追跡 この機能の開発を例に 開発中 MLの推論を端末上で行うことでインタラクティブなUXを実現

8. 開発の流れ 要件定義 社内ユーザテスト POC作成 技術課題洗い出し

9. 要件定義

10. 10 売れるかチェック アイテムを撮影すると • 売れている価格平均 • 売り切れ率 がわかる UXを改善し利用率を上げたい

11. 11 利用率を向上のために 結果表示 タップ 領域検出 類似商品検索 写真撮影 カメラ画面 売れるかチェックのステップを分解

12. 12 ボトルネックの調査 結果表示 タップ 領域検出 類似商品検索 写真撮影 カメラ画面 ここでやめてしまうお客様が多い 写真の撮影は想定以上にハードルが高いのでは？

    写真撮影のステップをなくせないか

13. 13 ボトルネックの調査 結果表示 タップ 領域検出 類似商品検索 写真撮影 カメラ画面

14. 14 ボトルネックの調査 結果表示 タップ 領域検出 類似商品検索 写真撮影 カメラ画面

15. 15 領域検出を端末上で行う 結果表示 タップ 類似商品検索 領域検出 カメラ画面

16. 16 POC作成+ユーザテスト

17. 17 領域検出を端末上で行う

18. 18 • 物体検出の精度は十分 • タップすればいいことが伝わりにくい 社内ユーザテスト 物体検出とともに売れやすい価格などの 情報提示もリアルタイムに行いたい

19. 19 領域検出を端末上で行う 結果表示 タップ 類似商品検索 領域検出 カメラ画面

20. 20 情報提示までリアルタイムに 結果表示 類似商品検索 領域検出 カメラ画面

21. 21 情報提示までリアルタイムに 結果表示 類似商品検索 領域検出 カメラ画面 画像転送に時間が かかる

22. 22 特徴量抽出 情報提示までリアルタイムに 結果表示 類似商品検索 領域検出 カメラ画面 011010 010101 011...

23. 23 特徴量抽出 情報提示までリアルタイムに 結果表示 類似商品検索 領域検出 カメラ画面 011010 010101 011...

    転送量を大幅に軽減

24. 24

25. 25 技術課題洗い出し

26. 26 リリースのために解決すべき課題 • モデルサイズと精度のトレードオフ • 端末の熱・電池消費の問題

27. 27 モデルサイズと精度のバランス アーキテクチャ Precision/mAP Recall/AR@100 モデルサイズ SSD-mobilenetv2 0.56 0.66 18MB

    SSDLite-mobilenetv2 0.56 0.67 12MB SSDLite-mobilenetv3-small 0.38 0.5 3.7MB SSDLite-mobiledet 0.59 0.71 13.8MB モデルの精度だけを追求することはできない 実行デバイスで推論速度も違う

28. 28 Edgeモデル検証用プラットフォーム モデル学習 参考：MLSE モバイル向け機械学習モデル管理基盤

29. 29 Edgeモデル検証用プラットフォーム モデル学習 参考：MLSE モバイル向け機械学習モデル管理基盤 精度・モデルサイズや 実デバイス上の推論速度を可視化

30. 30 デバイスごとのベンチマーク iPhone 11 iPhone 8 CoreML GPU CPU XNNPack

31. 31 端末の熱・電池消費の問題 30 FPS ・・・

32. 32 端末の熱・電池消費の問題 参考: Mediapipeを活用したストリーミング推論の事例紹介-カメラをかざして家の中から売れるアイテムを探そう 　 端末上での処理をパイプラインで表現 • 並列化 • 重い処理の計算頻度を下げる

33. 33 端末の熱・電池消費の問題

34. 34 まとめ • どこまでを端末上で行うか，どれくらいの精度が必要か ◦ ユーザテストとPOCを繰り返す • 端末上での処理能力や熱の問題 ◦ MLの精度の追求は難しい

    ◦ サイズ検証や実機ベンチマークを自動化 ◦ UXを損なわないレベルで計算コストを下げるチューニング 課題 • リリース後のログの設計 • モデルの更新基盤