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
   

   View Slide

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
   

   View Slide

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）
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

9. 要件定義
   

   View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

16. 16
    POC作成+ユーザテスト
    

    View Slide

17. 17
    領域検出を端末上で行う
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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...
    

    View Slide

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
    

    View Slide

24. View Slide

25. 25
    技術課題洗い出し
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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

    View Slide

31. 31
    端末の熱・電池消費の問題
    30 FPS
    ・・・
    

    View Slide

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
    

    View Slide

33. 33
    端末の熱・電池消費の問題
    

    View Slide

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
    

    View Slide