会社でMLモデルを作るとは @電気通信大学 データアントレプレナーフェロープログラム

下記登壇時の発表資料です。

https://www.de.uec.ac.jp/

Transcript

1. 会社でMLモデルを作るとは？ 
 ~入社1ヶ月目でMLモデルを作成した話 ~
 @電気通信大学 データアントレプレナーフェロープログラム 
 GA technologies Data本部 Applied ML部 
 酒井悠斗 Data Scientist
 2025/09/13

2. 1. 登壇者紹介 / 会社紹介
 2. 会社でMLモデルを作るとは？ ~具体例ともに ~
 3. まとめ
 アジェンダ 

3. 登壇者紹介 
 酒井 悠斗 / Yuto Sakai
 学歴：慶應義塾大学大学院 数理科学専攻
 職歴：新卒で外資保険会社 → 2024年 GA technologies入社
 所属：Data本部 Applied ML部 データサイエンティスト 
 
 GA technologiesでの取り組み：
 ・デジタルマーケティング領域の出稿割合の最適化 
 ・セールス領域の行動とKPIの関連性可視化・分析
 ・社内でのLLMアプリ作成ツール導入による LLMの民主化

4. 会社紹介 / GA technologies
 ※コーポレートストーリー 2025年6月より（証券コード：3491）

5. 事業紹介 / RENOSY
 ※1 東京商工リサーチによる投資用不動産の売上実績（2025年3月調べ）
 ※2 東京商工リサーチによる投資用不動産会社の売上原価調査（2024年10月調べ）

6. 事業紹介 / RENOSY
 ※コーポレートストーリー 2025年6月より（証券コード：3491）

7. お客様が投資用不動産を購入するまで 
 Webでの問い合わせから成約までの一連のフローは以下の通り 
 成約
 Field Sales
 オンライン面談
 Inside Sales
 電話面談
 Web
 問い合わせ

8. 入社直後のある日 
 MLモデル作成してね 
 承知しました！
 MLモデルを作成して欲しい。 広告コストの最適化 (CAPI*) で使いたいんだ。
 *CAPI: Conversion API

9. Conversion API (CAPI) について
 広告コストを最適化するための CAPIとは？
 https://www.treasuredata.co.jp/blog/conversion-api/
 広告媒体側ではわからない、 RENOSY側での顧客の行動情 報を広告媒体にフィードバック することで、広告効率を高める 
 問い合わせ時の情報で、問い 合わせ顧客の成約率を正確に 予測できることが広告効率を 高めることに 

10. 入社直後のある日 
 いざMLモデル作り 
 よし！がんばるぞ！あれ・・・？ 

11. 会社でMLモデルを作るとは？ 
 MLモデル単体を取り巻く様々なことを意識しながらモデルを作成する必要がある。 
 ユーザー
 社内メンバー/開発者
 システム
 DWH
 *DWH = Data Warehouse
 MLモデル
 ドキュメント
 モデルの出力
 モニタリング

12. 会社でMLモデルを作るとは？ 
 MLモデル単体を取り巻く様々なことを意識しながらモデルを作成する必要がある。 
 ユーザー
 社内メンバー/開発者
 社内システム
 DWH
 *DWH = Data Ware House
 MLモデル
 ドキュメント
 モデルの出力
 モニタリング
 課題 課題 課題 課題 課題 課題 課題
13. どんな変数使えそうかな？ 
 変数の意味調べてみよう！ 
 モデル作成段階 

14. データカタログの情報が不十分 
 データの説明が 100%整備されていることはまずないです 
 しっかり説明が記載されているプロダクトもあった り、そうではないものも・・・ 
 社内のドキュメント + 人に聞く
 （長期的にはデータガバナンスの強化が大切） 
 用語：SchemaSpy, OpenMetadata
 課題
 解決策

15. 変数の時系列での分布がおかしいぞ？ 
 モデル作成段階 

16. 不正確なデータ 
 過去のデータの値・説明が正しい保証はないです。 
 エンジニアの実装ミスで一定期間の値のマッピン グが間違っていたことも 
 該当期間のデータを正しく修復できそうなら修復。 
 難しそうなら削除
 課題
 解決策

17. あれ、ありえないデータが？ 
 モデル作成段階 

18. 異常なデータ 
 ありえないデータもきます。 124歳・・・？！ギネス級？ 
 記入フォームでバリデーションしてない。 
 していても想定外の入力はある。 
 MLモデルへの投入前に Data Validationフェーズ を追加
 用語: Data Validation, Pandera
 課題
 解決策

19. リリース直後：
 モデルうまく動いているかな・・・ 
 ドキドキ・・・
 モデルリリース 

20. 本番運用中はモデルの精度確認にもラグが出る 
 答えはすぐにはわかりません。 KPIのダッシュボードを作成しモニタリング 
 成約率だと最低でも 1,2ヶ月は答え（成約するか）を 知るために待つ必要がある 
 日々変わる答えに対応したモニタリングの検討 
 別KPIなどでの多角的なチェック 
 用語: 先行指数, 遅行指数
 課題
 解決策

21. リリース後のある日： 
 あれ、今日の分のMLモデルの出力が
 無い？！
 リリース後 

22. データ連携の失敗 
 パイプラインは失敗するもの 
 Cloudサービス・実装ミス・予期しない負荷などの 影響でデータフローは失敗する 
 フローの各地点でうまく動いているかどうか記録・ エラーの検知を設定しておく 
 用語: Logging, Webhook
 課題
 解決策

23. リリース後のある日： 
 あれ、MLモデルの出力おかしいぞ *
 *フィクションです。実際この時は事前に 社内で情報共有がありました。 
 リリース後 

24. データはビジネス要件によって変化する 
 未来のデータの値が同じである保証もないです 
 特徴量として使用している変数が問い合わせ フォームの項目削減によって変更になる 
 モデルの学習し直し。プロジェクトの進捗を常に キャッチアップ。モニタリングも行う 
 用語: PSI, Feature Drift, Concept Drift
 課題
 解決策

25. 他にも気にする点あります

26. コストとベネフィットの意識が必要 
 MLモデルによるコスパも意識しなければいけません 
 Notebookで作成したMLモデルを本番運用するた めには様々なコストがかかる。 
 開発コスト, Pipeline稼働コスト, データ連携コスト, ベネフィットなどの計測 
 用語: ROI, FinOps
 課題
 解決策

27. 伝える努力も必要です 
 ドキュメンテーション・コミュニケーションも大事です 
 https://www.ownml.co/machine-learning-canvas 例えばチーム内では左のような 
 ML Canvasというフレームワークで 情報を整理していたりします。 
 複雑なMLモデルを人に伝えるのは大変 
 MLモデルに関するドキュメンテーションや 
 直接のコミュニケーションが大切 
 用語: ML Canvas
 課題
 解決策

28. 会社でMLモデルを作るとは？ 
 MLモデル単体を取り巻く様々なことを意識しながらモデルを作成する必要がある。 
 ユーザー
 社内メンバー/開発者
 システム
 DWH
 *DWH = Data Ware House
 MLモデル
 ドキュメント
 モデルの出力
 モニタリング
 仕様変更 異常値 バグ 連携失敗 Doc不足 ドリフト バラバラ
29. 会社でMLモデルを作るとは？ 
 MLモデル単体を取り巻く様々なことを意識しながらモデルを作成する必要がある。 
 • データカタログが完璧ではない中で、 
 • 過去のデータの不整合もカバーして、 
 • 日々流れてくる異常値にも頑健で、 
 • たまにデータ連携が失敗することもある中で、 
 • 未来のschema変更にも注意を払ってモデルをメンテナンスして、 
 • モデルの精度に気をかけながら、 
 • コストとベネフィットのバランスを考え、 
 • それらを正確に正しくコミュニケーションしながら、 
 MLモデルを作るということ 
 いろいろ考えることは多いがそれが楽しい！ 

30. MLモデルを作成するだけでも ...
 前述のような前後のこと、 
 • データがどのように集められてくるか 
 • MLモデルの出力をどのように活用するか 
 にも思いをめぐらせることで、より良い分析・モデリングができ ると思います！ 

31. 最近のはなし 
 LLMアプリ作成してね 
 承知しました！
 LLMでアプリケーションを 作って欲しい。営業社員 の効率化のために使いた いんだ。

32. 最近のはなし 
 いろいろ取り組んでいるのでご興味あればご覧ください 
 社内のAI/ML活用のための取り 組みについて紹介します！ 
 @ナウキャストさん (九段下)
 @09/29(月)
 LLMや統計を用いた社内の便 利アプリをいろいろ作ったり (*1) 営業の商談トークを LLMを用い て分析したり (*1)
 新しいデータ活用基盤について 考えたり (*2) *1: https://speakerdeck.com/yuto16 *2: https://finatext.connpass.com/event/365995/
33. ご清聴ありがとうございました！