そば太郎

[そば太郎 @_sobataro]

教育の場での「調べ学習」にAIを使って2時間で論文10本サーベイして進路を考える、すごすぎる #2dayaiagent

[そば太郎 @_sobataro]

わいわい https://t.co/Lab8sYKa84 #2dayaiagent

[そば太郎 @_sobataro]

Q. 林さんの、段階的かつ素早い価値検証の方針をどう獲得したか？（気になる！！）
（Wantedly林さん）Move Fastな会社の文化。仮説を立てたら判断はユーザにしてもらう文化があり、MLにも親和性が高い #mixi_wantedly_ml

[そば太郎 @_sobataro]

パネルディスカッション！ #mixi_wantedly_ml

[そば太郎 @_sobataro]

Q. AI/ML活用のアンチパターン、失敗談
（MIXI木内さん）画像のキャプション自動生成を研究開発していたが、リリースに繋がらなかった。MLで大きな新規価値を出すより、既存の機能や体験を改善するアプローチの方が有効かも #mixi_wantedly_ml

[そば太郎 @_sobataro]

実装上は簡単な前処理だけ実装したが、それでも遅く、またメモリ不足によるクラッシュもあり、回避のためいろいろ工夫した。結果、前処理の速度を1桁程度改善し、クラッシュも回避。なかなか大変だ…… #mixi_wantedly_ml

[そば太郎 @_sobataro]

最後にMLモデルのモバイル推論の話。tflite (LiteRT) を利用し、GPU/NPUも利用可能とするため入力を固定長にして、多様な入力動画像のアスペクト比・解像度対応にはゼロパディングで対応。サーバ・モバイル (iOS/Android) 3環境対応のため、前処理・後処理をなるべくモデルに寄せた #mixi_wantedly_ml

[そば太郎 @_sobataro]

精度改善のため、①前の期間を参照した半教師ありクラスタリング、②同一画像内の顔を別クラスタにする制約付きクラスタリング、③顔クラスタと人物の再名寄せ、④初回名寄せタイミングの最適化、⑤その他各MLモデル更新などを実施。弊チームで自画自賛ですが、いろいろ工夫してます #mixi_wantedly_ml

[そば太郎 @_sobataro]

続いて弊社みてねの事例紹介 #mixi_wantedly_ml

[そば太郎 @_sobataro]

顔クラスタリングによる人物分類、期間ごとに顔を分けてクラスタリングし、期間同士をセントロイドで紐づける #mixi_wantedly_ml

[そば太郎 @_sobataro]

結果、PJ開始後10日で最初のオフラインテストを実施 & リクルータの行動も、表示ユーザ数、スカウト送信数が増加し、最終的にマッチング成立数も増加。ちゃんと成果に繋がっていてすごい。一方でembeddingの方法やベクトル検索まわりも気になる👀 #mixi_wantedly_ml

[そば太郎 @_sobataro]

続いてフリーワード検索のオンライン推薦化（検索結果のリクルータ別パーソナライズ）の話。かなり大変そう #mixi_wantedly_ml

[そば太郎 @_sobataro]

大規模プロジェクトになるので、①バッチ処理のままモデルのみ更新 & 一部リクルータのみパーソナライズ実施、②オンライン推論への変更 & パーソナライズ対象リクルータの追加、とフェーズを分けて高速に価値検証 #mixi_wantedly_ml

[そば太郎 @_sobataro]

あとで読む https://t.co/pVQiXKsMZu #mixi_wantedly_ml

[そば太郎 @_sobataro]

Wantedly VisitにおけるUser to User推薦の難しさ：Item to Userのように一方向でなく、相互の嗜好に基づき、双方向に企業とユーザが両思いになる必要がある。が、従来は一方の嗜好を重視してしまう構造になっており、相互推薦システムを導入 #mixi_wantedly_ml

[そば太郎 @_sobataro]

一方で、①ユーザ・企業それぞれの応募・スカウトキャパシティを考慮した全体最適な推薦が必要、②マッチング成立後にユーザがサービスを離脱することによるデータ不足、スパース性への対応が必要で工夫しているとのこと。技術的におもしろそう！ #mixi_wantedly_ml