Submit Search
Upload
Startupday dely aws_follow
•
0 likes
•
95 views
R
Ryutaro Tsuji
Follow
dely株式会社 Startupday フォローアップイベント資料
Read less
Read more
Food
Report
Share
Report
Share
1 of 78
Download now
Download to read offline
Recommended
Startupday loft
Startupday loft
Ryutaro Tsuji
ml@loft dely
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
機械学習の jupyternotebook のコードを動かした後は、実プロジェクトへの応用を始めると思います。 そのプロジェクト自体の全体像と、その中の一部ですが - 環境構築 - Hyperparameter Turning - Responsible AI (Model Explanation について、扱います
エンタープライズと機械学習技術
エンタープライズと機械学習技術
maruyama097
エンタープライズでの機械学習技術の受容の背景 いくつかの機械学習アルゴリズムの紹介 MS Azure Machine Learning での開発のサンプル
Qua s tom-メトリクスによるソフトウェアの品質把握と改善
Qua s tom-メトリクスによるソフトウェアの品質把握と改善
Hironori Washizaki
メトリクスによるソフトウェアの品質把握と改善 -GQM法とメトリクス動向- ◆概要 測定とメトリクスの基本概念、および、GQMによる目標指向の測定の解説と演習。成功や失敗の事例紹介。 ◆講師 鷲崎 弘宜 氏 早稲田大学グローバルソフトウェアエンジニアリング研究所所長・准教授 略歴: 2003年早稲田大学大学院博士後期課程修了、博士(情報科学)。 2008年より早稲田大学准教授、国立情報学研究所客員准教授。 再利用と品質保証を中心としたソフトウェア工学の研究と教育に従事。 他の活動に日科技連SQiP研究会運営小委員会委員長、 同研究会演習コース主査、情報処理学会論文誌編集委員など。 本日、QuaSTom高品質ソフトウェア技術交流会 第1回例会にて「メトリクスによるソフトウェアの品質把握と改善-GQM法とメトリクス動向-」と題し、メトリクスの基本概念や落とし穴・コツ、事例、そしてGQM法のコツとワークショップ(+少しだけ GQM+Strategiesの解説)と盛りだくさんの内容を実施しました。ワークショップでは限られた時間の中で各チーム、ゴールからメトリクス、さらには仮定まで練られたものが得られた点はさすがです。議論においても今後の実践に踏み込んだものが多数あり、参加者の皆さんの問題意識の髙さやご経験を踏まえた関心の高さを感じました。ぜひ今後実践や連携いただければ幸いです。
ハイタッチvsノータッチ 〜CSの「可観測性」向上の第一歩〜
ハイタッチvsノータッチ 〜CSの「可観測性」向上の第一歩〜
Makiko Satoh
2021/9/14 〜 2021/9/24にかけて開催された CSカレッジアワード https://www.award.customer-success.college/ の二日目(2021/9/16)、株式会社はてな様からのお題に対する決勝審査のプレゼン資料です。 事業インパクトの可視化をするにあたり、Mackerelというプロダクトではなにを指標としたらいいのか、具体的にどういう項目を計測したら良いのかについて提案させていただきました。
Tableau x Einstein 連 携 に 関 す る 勝 手 な 考 察
Tableau x Einstein 連 携 に 関 す る 勝 手 な 考 察
Tomohiro Iwahashi
Tableau データサイエンス勉強会2020年11月発表資料 岩橋 智宏
エンタープライズ モビリティ実践活用
エンタープライズ モビリティ実践活用
インフラジスティックス・ジャパン株式会社
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Preferred Networks
PFIオープンセミナー2012「多様化する情報を支える技術」 2012年9月21日(金)実施 ≪概要≫Hadoopが大規模データ処理に広く用いられれる一方、その限界も見え始めてきた。一方、データに潜む複雑な因果関係や傾向を発見し精度の良い予測を実現する機械学習技術は性能向上と適用範囲の拡大を続けている。本講演ではビッグデータとその先進アプリケーションについて、間を繋ぐ機械学習技術の観点から最新動向について述べる。特に、PFIがフォーカスしているリアルタイム性とトレーサビリティについて詳しく述べ、JubatusとBazilという製品を紹介する。
Recommended
Startupday loft
Startupday loft
Ryutaro Tsuji
ml@loft dely
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
機械学習の jupyternotebook のコードを動かした後は、実プロジェクトへの応用を始めると思います。 そのプロジェクト自体の全体像と、その中の一部ですが - 環境構築 - Hyperparameter Turning - Responsible AI (Model Explanation について、扱います
エンタープライズと機械学習技術
エンタープライズと機械学習技術
maruyama097
エンタープライズでの機械学習技術の受容の背景 いくつかの機械学習アルゴリズムの紹介 MS Azure Machine Learning での開発のサンプル
Qua s tom-メトリクスによるソフトウェアの品質把握と改善
Qua s tom-メトリクスによるソフトウェアの品質把握と改善
Hironori Washizaki
メトリクスによるソフトウェアの品質把握と改善 -GQM法とメトリクス動向- ◆概要 測定とメトリクスの基本概念、および、GQMによる目標指向の測定の解説と演習。成功や失敗の事例紹介。 ◆講師 鷲崎 弘宜 氏 早稲田大学グローバルソフトウェアエンジニアリング研究所所長・准教授 略歴: 2003年早稲田大学大学院博士後期課程修了、博士(情報科学)。 2008年より早稲田大学准教授、国立情報学研究所客員准教授。 再利用と品質保証を中心としたソフトウェア工学の研究と教育に従事。 他の活動に日科技連SQiP研究会運営小委員会委員長、 同研究会演習コース主査、情報処理学会論文誌編集委員など。 本日、QuaSTom高品質ソフトウェア技術交流会 第1回例会にて「メトリクスによるソフトウェアの品質把握と改善-GQM法とメトリクス動向-」と題し、メトリクスの基本概念や落とし穴・コツ、事例、そしてGQM法のコツとワークショップ(+少しだけ GQM+Strategiesの解説)と盛りだくさんの内容を実施しました。ワークショップでは限られた時間の中で各チーム、ゴールからメトリクス、さらには仮定まで練られたものが得られた点はさすがです。議論においても今後の実践に踏み込んだものが多数あり、参加者の皆さんの問題意識の髙さやご経験を踏まえた関心の高さを感じました。ぜひ今後実践や連携いただければ幸いです。
ハイタッチvsノータッチ 〜CSの「可観測性」向上の第一歩〜
ハイタッチvsノータッチ 〜CSの「可観測性」向上の第一歩〜
Makiko Satoh
2021/9/14 〜 2021/9/24にかけて開催された CSカレッジアワード https://www.award.customer-success.college/ の二日目(2021/9/16)、株式会社はてな様からのお題に対する決勝審査のプレゼン資料です。 事業インパクトの可視化をするにあたり、Mackerelというプロダクトではなにを指標としたらいいのか、具体的にどういう項目を計測したら良いのかについて提案させていただきました。
Tableau x Einstein 連 携 に 関 す る 勝 手 な 考 察
Tableau x Einstein 連 携 に 関 す る 勝 手 な 考 察
Tomohiro Iwahashi
Tableau データサイエンス勉強会2020年11月発表資料 岩橋 智宏
エンタープライズ モビリティ実践活用
エンタープライズ モビリティ実践活用
インフラジスティックス・ジャパン株式会社
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Preferred Networks
PFIオープンセミナー2012「多様化する情報を支える技術」 2012年9月21日(金)実施 ≪概要≫Hadoopが大規模データ処理に広く用いられれる一方、その限界も見え始めてきた。一方、データに潜む複雑な因果関係や傾向を発見し精度の良い予測を実現する機械学習技術は性能向上と適用範囲の拡大を続けている。本講演ではビッグデータとその先進アプリケーションについて、間を繋ぐ機械学習技術の観点から最新動向について述べる。特に、PFIがフォーカスしているリアルタイム性とトレーサビリティについて詳しく述べ、JubatusとBazilという製品を紹介する。
Google のクラウド サービスを利用する前に 注意すべきこと
Google のクラウド サービスを利用する前に 注意すべきこと
Compare GW
"Going Google" のパイロット プログラムに基づく 調査結果
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
Works Applications
Java開発を助けてくれるSpotBugs(FindBugs)について、大規模ERP開発でどのように使い生産性を高めているか話します。 静的解析ツールはコード品質の底上げに役立ちますが、実行が遅かったり用途が直感的でなかったりと開発プロセスに組み込むうえでの難しさがあります。その難しさといかに向き合ってきたか、実例を交えて紹介します。 また社内フレームワーク・社内ライブラリの正しい使い方を広めるためのプラグインの実装方法についても紹介します。
Dyna traceによるuxマネジメント
Dyna traceによるuxマネジメント
伸夫 森本
介護医療業界におけるマイクロソフトテクノロジー動向
介護医療業界におけるマイクロソフトテクノロジー動向
Daisuke Masubuchi
医学博士(お医者さま)、運動療法士、リハビリテーション業界の方々向けにITとデータ活用のお話をさせていただきました
ビジネスとデザイン ~ビジネスは悪くない~
ビジネスとデザイン ~ビジネスは悪くない~
Ken Azuma
ビジネスは、デベロッパーにとって悪いものではありません。この基本的なことを理解することによって、デベロッパーにとってどのような心構えや取組が必要になるのかをお話し、そのためになぜデザインが必要になるかについてもお伝えしていきたいと思います。
X dev 20121106
X dev 20121106
Ken Azuma
More Related Content
Similar to Startupday dely aws_follow
Google のクラウド サービスを利用する前に 注意すべきこと
Google のクラウド サービスを利用する前に 注意すべきこと
Compare GW
"Going Google" のパイロット プログラムに基づく 調査結果
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
Works Applications
Java開発を助けてくれるSpotBugs(FindBugs)について、大規模ERP開発でどのように使い生産性を高めているか話します。 静的解析ツールはコード品質の底上げに役立ちますが、実行が遅かったり用途が直感的でなかったりと開発プロセスに組み込むうえでの難しさがあります。その難しさといかに向き合ってきたか、実例を交えて紹介します。 また社内フレームワーク・社内ライブラリの正しい使い方を広めるためのプラグインの実装方法についても紹介します。
Dyna traceによるuxマネジメント
Dyna traceによるuxマネジメント
伸夫 森本
介護医療業界におけるマイクロソフトテクノロジー動向
介護医療業界におけるマイクロソフトテクノロジー動向
Daisuke Masubuchi
医学博士(お医者さま)、運動療法士、リハビリテーション業界の方々向けにITとデータ活用のお話をさせていただきました
ビジネスとデザイン ~ビジネスは悪くない~
ビジネスとデザイン ~ビジネスは悪くない~
Ken Azuma
ビジネスは、デベロッパーにとって悪いものではありません。この基本的なことを理解することによって、デベロッパーにとってどのような心構えや取組が必要になるのかをお話し、そのためになぜデザインが必要になるかについてもお伝えしていきたいと思います。
X dev 20121106
X dev 20121106
Ken Azuma
Similar to Startupday dely aws_follow
(6)
Google のクラウド サービスを利用する前に 注意すべきこと
Google のクラウド サービスを利用する前に 注意すべきこと
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
SpotBugs(FindBugs)による 大規模ERPのコード品質改善
Dyna traceによるuxマネジメント
Dyna traceによるuxマネジメント
介護医療業界におけるマイクロソフトテクノロジー動向
介護医療業界におけるマイクロソフトテクノロジー動向
ビジネスとデザイン ~ビジネスは悪くない~
ビジネスとデザイン ~ビジネスは悪くない~
X dev 20121106
X dev 20121106
Startupday dely aws_follow
1.
Upgrade UX with Data
2.
3.
4.
5.
6.
7.
8.
クラシルを抽象化してみる
9.
料理する人 ↕ ↕ レシピ
10.
Users ↕ Media ↕ Items
11.
⇠ マッチングロジック Users ↕ Media ↕ Items ⇠ ユーザー素性 ⇠
アイテム素性
12.
とあるアパレルECの事例
13.
14.
15.
レシピサービスの場合
16.
17.
18.
19.
⇠ マッチングロジック Users ↕ Media ↕ Items ⇠ ユーザー素性 ⇠
アイテム素性
20.
パーソナライズにおける課題 素性をどう整備するか?
21.
⇠ マッチングロジック Users ↕ Media ↕ Items ⇠ ユーザー素性 ⇠
アイテム素性 ⾏動ログでクラスタリング
22.
⇠ マッチングロジック Users ↕ Media ↕ Items ⇠ ユーザー素性 ⇠
アイテム素性 こっちをどうするか?
23.
レシピ素性のデータ整備は ⼈⼒⼊⼒で綺麗なデータを⽤意 ↓ 機械でやることに固執しない
24.
レシピの素性データ⼊⼒は ⼈間が得意なタスク
25.
機械と⼈間の得意分野は異なる Task 1: Task
2:
26.
機械と⼈間の得意分野は異なる Task 1: Task
2: 3の倍数だけを⾜した値は?
27.
機械と⼈間の得意分野は異なる Task 1: Task
2: 3の倍数だけを⾜した値は? 21 87 100 86 14 54 276 70 60
28.
機械と⼈間の得意分野は異なる Task 1: Task
2: 3の倍数だけを⾜した値は? 21 87 100 86 14 54 276 70 60 この⼈は話を聞いているか?
29.
機械と⼈間の得意分野は異なる Task 1: Task
2: 3の倍数だけを⾜した値は? 21 87 100 86 14 54 276 70 60 この⼈は話を聞いているか?
30.
フィードバックデータを 効率良く取得する
31.
32.
33.
34.
35.
36.
⾏動ログでユーザークラスタリング 調理⼈の“⼈⼒データ⼊⼒” フィードバックデータの取得 クラシルの裏側
37.
世界のメディア企業は全て 同じ⼟俵での戦いになっている
38.
⇠ マッチングロジック Users ↕ Media ↕ Items ⇠ ユーザー素性 ⇠
アイテム素性
39.
⇠ マッチングロジック Users ↕ Media ↕ Video ⇠ ユーザー素性 ⇠
アイテム素性
40.
41.
クラシルもメディアの⼟俵 Upgrade UX with
Data は⽣き残るための必要条件
42.
今⽇お話したいこと •Personalization •Data-Driven •ETL Eco System •EDA
Scrum
43.
今⽇お話したいこと •Personalization •Data-Driven •ETL Eco System •EDA
Scrum
44.
Personalization ユーザのライフスタイルに寄り添う 時短 難易度低 和・洋多め 塩分多い ⽢め 低カロリー 難易度中 和・中多め 塩分量多め ⾟め ⾼カロリー 難易度⾼ 和・洋・中多め 塩分量少め ⽢め ログイン時間⻑ スキル低 平⽇の利⽤多い ⼣⽅の量多い お気に⼊り少ない ログイン時間短 スキル中 休⽇の利⽤多い カロリー⾼め お気に⼊り多い ログイン時間⻑ スキル⾼い 休⽇の利⽤多い カロリー低め お気に⼊り多い 直近お気に⼊り 直近視聴状況 ユーザ素性レシピ素性 オンライン調整 週末によく調理して いる ヘルシー志向 和⾷と中華が好き ⾟いものが好み 和⾵パスタ カロリー低め ⾟め 時短 R1 R2 R3 理由 U1 U2 U3 UserRecipe
45.
Personalization ユーザのライフスタイルに寄り添う 時短 難易度低 和・洋多め 塩分多い ⽢め 低カロリー 難易度中 和・中多め 塩分量多め ⾟め ⾼カロリー 難易度⾼ 和・洋・中多め 塩分量少め ⽢め ログイン時間⻑ スキル低 平⽇の利⽤多い ⼣⽅の量多い お気に⼊り少ない ログイン時間短 スキル中 休⽇の利⽤多い カロリー⾼め お気に⼊り多い ログイン時間⻑ スキル⾼い 休⽇の利⽤多い カロリー低め お気に⼊り多い 直近お気に⼊り 直近視聴状況 ユーザ素性レシピ素性 オンライン調整 週末によく調理して いる ヘルシー志向 和⾷と中華が好き ⾟いものが好み 和⾵パスタ カロリー低め ⾟め 時短 R1 R2 R3 理由 U1 U2 U3 UserRecipe 1. レ シ
ピ 素 性 抽 出 • ⼈海戦術 • ルールベース • 推論
46.
Personalization レシピ素性抽出 • ⼈海戦術 • クラシルシェフ •
管理栄養⼠
47.
Personalization レシピ素性抽出 • ルールベース • クラシルシェフ •
管理栄養⼠
48.
Personalization レシピ素性抽出 • 推論 • HPO活⽤
49.
Personalization レシピ素性抽出 • 推論 • HPO活⽤
50.
Personalization レシピ素性抽出 • 推論 • Search活⽤ 複数のアルゴリズム でトレーニングした い場合タグを付与す る
51.
Personalization ユーザのライフスタイルに寄り添う 時短 難易度低 和・洋多め 塩分多い ⽢め 低カロリー 難易度中 和・中多め 塩分量多め ⾟め ⾼カロリー 難易度⾼ 和・洋・中多め 塩分量少め ⽢め ログイン時間⻑ スキル低 平⽇の利⽤多い ⼣⽅の量多い お気に⼊り少ない ログイン時間短 スキル中 休⽇の利⽤多い カロリー⾼め お気に⼊り多い ログイン時間⻑ スキル⾼い 休⽇の利⽤多い カロリー低め お気に⼊り多い 直近お気に⼊り 直近視聴状況 ユーザ素性レシピ素性 オンライン調整 週末によく調理して いる ヘルシー志向 和⾷と中華が好き ⾟いものが好み 和⾵パスタ カロリー低め ⾟め 時短 R1 R2 R3 理由 U1 U2 U3 UserRecipe 2. ユ ー
ザ 素 性 抽 出 • ユーザ⾏動 • ルールベース • 推論
52.
Personalization ユーザ素性抽出 • ユーザ⾏動 • レシピとの接触状況 •
推論
53.
Personalization ユーザ素性抽出 • ユーザ⾏動 ID DL⽇時
起動回数 お気⼊り数 プレミアム 100 2018/11/30 16:10:22 1200 15 無 200 2019/01/30 12:43:12 3000 400 有 300 2019/04/12 21:20:42 250 25 有
54.
Personalization ユーザ素性抽出 • レシピとの接触状況 ID 時短
和⾷ 低カロリー ⾁多め 100 30 1000 50 300 200 210 2200 400 320 300 71 125 3 101
55.
Personalization ユーザ素性抽出 • クラスタリング • 協調フィルタリング •
バッチ推論
56.
Personalization ユーザ素性抽出 • バッチ推論
57.
Personalization ユーザ素性抽出 • バッチ推論
58.
Personalization ユーザ素性抽出 • オンライン調整 時間経過や繰り返し視聴によりコ ン
テ ン ツ は 磨 耗 し て い く ↓ 同じクラスタ内の未 視 聴レシピに⼊ れ 替 え て 、 コ ン テ ン ツ プ ー ル を リ フ レ ッ シ ュ
59.
Personalization 献⽴機能の強化への取り組み 週末によく調理して いる ヘルシー志向 和⾷と中華が好き ⾟いものが好み 提案 フィードバックを反映 献⽴ 買い物リスト 提案 +先週の残り物 週末によく調理して いる ヘルシー志向 和⾷と中華が好き ⾟いものが好み 家族構成 嫌いな⾷材 低価格 時短 曜⽇ User 理由 理由
60.
今⽇お話したいこと •Personalization •Data-Driven •ETL Eco System •EDA
Scrum
61.
Data-Driven データの活⽤ ≠ 集計
≠ 可視化 • 集計して、増えた↑減った↓に⼀喜⼀憂しない • ダッシュボードを作って達成した気にならない • データから未来の価値を⽣み出す データの活⽤ = 未来の価値
62.
Data-Driven 未来の価値とは? • 分布を知る • 課題の局所化 •
相関を知る • 因⼦を知る 現状の把握 未来の価値 転換 • ユーザビリティ向上 • プロダクト向上 • コンテンツ向上 • ビジネスサポート 機械学習は⼿段
63.
イベントデザイン・ファースト イベント設計 ファンネル・チェック 代表ファンネルの トラフィックバランス を分析 開発前にイベントと施策の 評価指標を決める Data-Driven
64.
今⽇お話したいこと •Personalization •Data-Driven •ETL Eco System •EDA
Scrum
65.
機械学習 Deep Learning ⺠主化 データ・エンジニアリング インフラ・ストラクチャ AutoML サービス・アーキテクチャ 今までのMLエンジニア これからのMLエンジニア 統計 エンジニアリング 細分化 ETL
Eco System
66.
柔軟性の⾼い設計とは? クラスタリング結果が⾮決定的 推論結果が⾮決定的クロスプラットフォーム 複数リソースのマージ モデルのリビジョン管理データセットのリビジョン管理 アルゴリズムの変更 トレーニング・インスタンス の最適化 ソース管理 ETL
Eco System 不確実性
67.
柔軟性の⾼い設計=代替提案が可能 ETL Eco System
68.
ワークフローの循環を優先する とにかくデータは 貯める 最初はとにかくSQL を叩きまくる S3に⽇付フォルダなどで とりあえず管理 精度は出なくても とにかくトレーニング 分析・分類・推論結 果をとりあえず返す 最初はシンプルなスクリプトで実装 最初にイベントを 設計 ETL Eco System
69.
リソースコストの低減 インフラ EDA分析 ML
サービス 運⽤ フィードバック インフラ EDA分析 ML サービス 運⽤ フィードバック圧縮コスト • ETL Eco Systemを活⽤して全体コストを圧縮 • 圧縮コストを次の施策に向けたEDA分析に充てる ETL Eco System EDA分析拡⼤
70.
今⽇お話したいこと •Personalization •Data-Driven •ETL Eco System •EDA
Scrum
71.
成果の⾒える化 • EDA分析には終わりがなく進む⽅⾓を⾒失いがち • 周囲からも何をやっているのかわかりづらい EDA
Scrum レポートのライブラリ化 - 他の⼈が過去に⾏った同じ分析を 再びしなくて済む - 多部署から分析依頼を受けた時に 過去の調査結果を参照できる 部署横断の報告会 - 分析の結果有⽤な情報は部署を横断 して報告する - 得られた気づきを次のEDAに活かす 2週間スプリント
72.
具体的なスクラムでの取り組み(⼀部) • サムネイル評価(再⽣数、お気に⼊り数) • 代替⾷材判定 •
⼿順のクラシルらしさ判定 EDA Scrum
73.
サムネイル評価(再⽣数、お気に⼊り数) EDA Scrum
74.
サムネイル評価(再⽣数、お気に⼊り数) EDA Scrum
75.
代替⾷材判定 EDA Scrum
76.
⼿順のクラシルらしさ判定 EDA Scrum
77.
ETL x EDAサイクル EDA
Scrum Extract Transform Load EDA SQL アドホック分析 変換 可視化 パイプライン化 レポート・報告 オンライン ストリーミング プロダクション lv.1 lv.2 lv.3 lv.4 ユーザ・フィードバック バッチ バッチ
78.
まとめ • Personalization ユーザからのフィードバックにより、レシピとユーザの素性を相互的に追加 • Data-Driven データ活⽤の本当の価値は、現状を把握して未来の価値を⽣み出すこと •
ETL Eco System 設計の不確実性には、SageMakerなど代替可能なサービスで対応 • EDA Scrum EDAの価値を⾒える化し、無駄のないETLとEDAの循環を効率よく回す
Download now