Data Driven Meetup #5に行ってきました
今回も視聴者参加
でした.しかも仕事がおして遅刻して. 資料等はこちらから
LTとかで報告したいモチベーションはあるのですが, 事業会社ではなく,自分たちでプロダクト開発しているわけでもないので,うーん,というかんじです. 無理やり探すか,LTできるネタを公開できる場所に移るか……
データドリブンな小売店舗経営を支えるプロダクト開発の裏側
ABEJAのOotaguro Hiroyukiさんによる,同社のプロダクト開発のお話でした. ABEJAといえば私は小売店の導線分析とか,カメラを用いたデータドリブン・マーケティングの最先端を行く企業という印象ですが, その裏ではとても泥臭いことをやっているようです.
研究開発からプロダクトの納品までに起こるいろいろなコンフリクトを,どのような業務フレームで回したのかというお話でした.
研究基質の強い人はトライ・アンド・エラーを繰り返してコードを書き換えていろいろ回す一方, プロダクト開発においてはコードを可能な限り書き換えたくないというコンフリクトは自分でもあるなあと思いました.
モデル・アルゴリズム・サービスによってコードを書き分けることで,このコンフリクトを回避しながら, スピーディにプロダクト開発を進めていいくという方針は,小さなチームやコーディングに慣れていない自分でも活かせる点に思われました!
機械学習で動くシステムを実運用に組み込むということ
ブレインパッドの吉田勇太さんによる,機械学習をビジネスに適用する上での困難と,それへの対応の仕方に関するご報告でした. 特に深層学習による異常検知を事例をベースに,受託企業で機械学習を提供することの難しさと対応についてでした.
異常検知ではPrecision(誤検知)とRecall(見逃し)のトレードオフ構造が大きなトピックになっており, 顧客としては「人が起こしうる誤検知や見逃し」こそ機械学習で回避したいというニーズなのに,それが難しい現実を いかに折衝するかというところは,私自身仕事をする上で直面する課題でもあるなあと思いました.
そんな「よしなにしたいけどよしなにできない」問題に「機械学習による異常検知にも人の介在が前提となる」として対応すること, それをクライアントにどう納得させるのかというのは,これから機械学習がビジネスに浸透する中で埋まるべきギャップだなあと思いました.
事業が似てる会社さんなので,現職で仕事する上でも大事な話だなあというところで,勉強になりました*1
LT
アーキテクチャの話がメインでした.Webサービスを支える基盤になるので,どの会社も力を入れているところですよね. 聴いていますか弊?アーキテクチャです.
とりあえずgcpugにJoinすることにします.
*1:もっとも業界は違うんですが