SlideShare a Scribd company logo
1 of 38
Download to read offline
Copyright 2015 So-net Media Networks Corp. All rights reserved
アドテクと機械学習システムの開発
2017.9.10
ソネット・メディア・ネットワークス(株)
a.i lab.
舘野 啓
•DSP “Logicad” における機械学習技術
•機械学習 (a little) deep dive
•実ビジネスにおける機械学習
•機械学習システムの開発
agenda
2
はじめに
• DSP "Logicad" を主力事業とする
ソニーグループのアドテク企業
• 2015年12月 東証マザーズ上場
ソネット・メディア・ネットワークスについて
4
• ミッション
• 機械学習によるLogicadの高機能・高精度化のための研究開発とシステム
開発
• デジタルマーケティング領域での新規事業のための研究開発
• 成り立ち
• ソニー(株)の研究所メンバーを中心に2014年発足
• 特徴
• 機械学習アルゴリズムのゼロベースでの研究開発からプロダクトの開発ま
で一気通貫で行うチーム力
• 生データと顧客の両方に直結した理想的な環境
a.i lab.について
"a.i" = ambitious innovation
5
DSP "Logicad"における機械学習技術
Real Time Bidding(RTB)とは
DSP
demand
side
platform
DSP
demand
side
platform
SSP
supply
side
platform
DSP
demand
side
platform
広告主
A
広告主
B
───
───
───
───
───
───
枠
ad a1
ad a2
ad b1
ad b2
auction
ad a
───
───
───
───
───
───
ad
a
¥a
¥b
広告を表示する
サイト
¥a>¥b
最大 10万req./sec
2000億req./month
レスポンス時間
SMN:3-5ms 他社:~50ms 7
Real Time Bidding(RTB)とは
DSP
demand
side
platform
DSP
demand
side
platform
SSP
supply
side
platform
DSP
demand
side
platform
広告主
A
広告主
B
───
───
───
───
───
───
枠
ad a1
ad a2
ad b1
ad b2
───
───
───
───
───
───
¥a
¥b
広告を表示する
サイト
どんな広告を
(what)
誰に (who)
いつ (when)
幾らで
(how much)
どこ{で,に} (where)
なぜ (why)メディア・ユーザ・広告主がハッピーになる
ためには決めなきゃいけないことたくさん
ad a
ad
a
¥a>¥b
auction
8
SMNの人工知能エンジン:VALIS-Engine
9
• web上の
行動履歴
• 広告主
データ
etc.
• ユーザの性別、年代を推定
機械学習の適用例:デモグラ推定 誰に (who)
10
• ダイナミッククリエイティブ
• 複数商品の写真などを組み合わせて一つのバ
ナーを動的に生成
• どう組み合わせるか?
e.g. 閲覧した商品+ユーザにおすすめの商品
• “ユーザにおすすめの商品”?
• そのユーザが買いそう・気に入りそうな商品を
予測
• “この商品を買った人はこんな商品も買っています”
• Jaccard係数などによる商品相関
• 行列の穴埋め問題として行列分解(Matrix
factorization) (後述)
機械学習の適用例:リコメンデーション 何を (what)
11
閲覧
提示
機械学習 (a little) deep dive
機械学習とは
CV
機械学習アルゴリズム
=データからの学び方
予測モデル
(確率の計算式)
新たな
リクエスト
0.152%
0.245%
0.084%
───
───
───
───
───
───
枠
───
───
───
───
───
───
枠
ad a2
ad b1
ad c3
───
───
───
───
───
───
枠
───
───
───
───
───
───
枠
教師データ=お手本
配信設定
ad a1
ad b1
ad c1
予測結果(CV確率)
ad a1
ad b1
ad c1
学習
予測
予測したいもの特徴量=予測の手がかり
imp
予測モデル =
モデル+
学習されたパラメータ
予測のための特徴量
13
アドテク系でよく見る機械学習手法
線形回帰・ロジスティック回帰 Matrix Factorization
Factorization Machines
Deep Learningはいずこ ・行動ログ=大量・高次元データにはまだコストがかかりすぎる
・クリエイティブ画像の解析などへの適用@R&D
シンプルな回帰/分類手法 マッチング手法 (リコメンデーション)
汎用的な回帰/分類/マッチング手法
14
• 解きたい課題
• 特徴量で表現されたサンプルの、連続量やカテゴリを予測したい
• e.g. 年収予測(回帰)、男女予測(分類)
• モデル
• 特徴
• シンプル:どの特徴量がどの程度重要か?がパラメータwを見ればわかる
• 高速:学習・予測ともデータ量・特徴量次元数に対して線形で実行可能
線形回帰・ロジスティック回帰
線形回帰
ロジスティック回帰
アドテク系ではベーシックな手法 [Chapelle15]
各特徴量に
対応する重み
特徴量パラメータ
15
• 欠点
• 複雑な特徴量を扱おうとすると大変
e.g. 組み合わせ特徴量
線形回帰・ロジスティック回帰
各特徴量の組み合わせ
に対応する重み
e.g. ドメインと広告商材の組み合わせ: 10^6 × 10^3 ~ 10^9
⇒適切なパラメータを求めるのに十分なサンプル数と計算資源が必要
16
• 解きたい課題
• 2種類のサンプル同士のマッチングの良さを予測=リコメンデーション
Matrix Factorization
4 5
3 4
5 4
1 3 1
ユーザ
アイテム
4 5
3 4
5 4
1 3 1
未知の評価値を
予測
評価行列
高い予測評価値の
アイテムを推薦
17
• モデル
Matrix Factorization
4 5
3 4
5 4
1 3 1
アイテム
潜在ベクトル
ユーザ潜在
ベクトル
V
UR
ユーザの
潜在ベクトル
アイテムの
潜在ベクトル
パラメータ
[Koren09][神嶌]
18
• 特徴
• サンプルの特徴量が不要(ログのみで予測可能; 協調フィルタリング)
• 欠点
• ログがないサンプルに対しては予測できない(cold start problem)
• サンプルの特徴量を取り込めない
Matrix Factorization
19
• 解きたい課題
• サンプル同士の組み合わせや特徴量を考慮して、連続量やカテゴリを予測
したい
• e.g. ユーザとコンテンツの組み合わせ・ユーザ特徴量・コンテンツ特徴
量・評価時の特徴量から、評価値を予測
Factorization Machines [Rendle10]
予測
サンプル自体を
表現するベクトル
特徴量ベクトル
20
• モデル
• 線形回帰モデルに加え、各特徴量に対応する潜在ベクトルの内積で重みづけた組
み合わせ特徴量で予測
• 特徴
• 特徴量とサンプル同士の相性の両方を考慮した予測が可能
• 特徴量の組み合わせ爆発を起こすことなく組み合わせ特徴量を利用可能
Factorization Machines
線形モデル
組み合わせ
特徴量
内積
各特徴量に対応する
重み
𝒘
𝑽
𝑘
(潜在ベクトル
の次元数)
𝑛
各特徴量に対応する
潜在ベクトル
パラメータ
USのDSP事業者AdRollがクリック予測に利用 [AdRoll15]
21
ノードの出力を確率分布でモデル化して、ベイズ推定で統一的に扱う決定木
決定木 経験ベイズ木
• 二値/カテゴリカル
(二値/多クラス分類木)
• 連続値
(二乗誤差に基づく回帰木)
タスクに応じた確率分布
ベルヌーイ分布、正規分布、
ポアソン分布、指数分布・・
• 交差エントロピー
• Gini指数(分散)
周辺尤度
ルール
なし 事前分布
ノードの出力
(扱う課題)
分割の規準
分割の停止
ノードをまたいで
汎化性能を向
上させる仕組み
ベイズ推定
経験ベイズ木 [関野16]
決定木の良さ
を活かしつつ
高精度化!
パラメータフリー化!
任意の分布に
一般化!
22
実ビジネスにおける機械学習
機械学習の未来はバラ色……のはず?
24
vs. “それっぽさ”
仕事やってる感
AI一丁
つらみしかないPj.
なるほど
chat
chat
chat
まだ“それっぽい”アウトプットで消耗してるの?
• “価値”を生み出しているか?
• データを中心とするサイクルがまわるか?
25
以上。
• そもそも価値あるプロダクトなのか?
• (´Д`;) 貧弱なラインナップのコンテンツ配信サービスにおけるリコメンデーション
• 機械学習はベースの価値をブーストする役割の場合が多い
• なんらかの”課題”を解決しているか?
• (´Д`;) フォームなら10秒で終わるのになぜか対話しなきゃいけないチャットボット
• faster, easier, cheaper / 不可能を可能に
• 精度向上=正義か?
• (´Д`;) 精度が求められない=計測されない=”それっぽさ”……
• 精度向上の探求こそ機械学習エンジニアとしての成長機会
”価値”を生み出しているか?
26
価値あるプロダクト、価値ある機能を作ろう
• データが集まる仕組みが無い機械学習プロダクトでは……
• 機械学習部分は作りっぱなし
• 改善できない
• あれ、精度≠正義……?
• 最初のデータ集めに苦労
• e.g. 単体機能としての顔認識 ⇔ Facebookにおける顔認識
• 頑張るしかない=つらい、コストがかかる=回収が求められる……
• 既存のサイクルへの機械学習導入
• 機械学習が無くても死なない=ある意味(後述)気楽
データを中心とするサイクルがまわるか?
27
データが集まる仕組みは死守せよ
集まらな(くてよ)いなら逃げよ
デジタルマーケティング領域での機械学習
28
自動化 最適化
高次の意思決定
• データに取り込めていない情報の考慮
• 戦略に基づく“質的な”選択
データに基づく意思決定
ルーチンワーク
時間との勝負の処理
機械学習システムの開発
• 効果の予測が難しい
• プロジェクトのコスパがわからん、検証スケジュールが引きづらい
• 期待値コントロールが難しい
• 「KPI倍増いくでしょ!(ニッコリ)」「KPI倍増しないと意味ないよね(ムッスリ)」
• スタンスは真逆なのにハードルはただ高まる
機械学習は苦しい [比戸14]
30
プロジェクトとして
不確実性の高い投資(R&D)としてトップに理解してもらう
31
• システムとしてのテストに難儀
• 学習結果はデータに依存=”正解”が判りづらい
• 「それっぽい精度が出た!」>システムに関しては無情報
• 予測結果の分布が実際の分布と合わない……実装がまずいのかモデルが悪いのか?
• 精度検証(≠システムテスト)にもっと難儀
• テストを丁寧にやって正しく実装できた!精度が出ない! orz
• 「すごい精度が出た!」>多分そもそも何かがおかしい
• パラメータチューニング:学習に時間がかかる場合、とにかく時間を食う
• っていうか完成の定義は?>時間を切るか、bizインパクトと見合えばずっと続ける
機械学習は苦しい
システムとして
地道に、丁寧に、システマティックにやる [久保17][Komiya14]
コンバージョン予測システム
32
KVS
(ユーザ
データ)
ログ
imp, CV
ユーザ特徴量 学習用データ
集約
バッチ
学習済み
パラメータ
学習用サーバ 入札用サーバ
学習依頼
API
学習設定
学習 予測 req.
入札
superset
監視・分析
配信結果
学習結果
コンバージョン予測システム
検証用システム 監視&分析
33
α β Λ … AR値
0.1 0.1 1 0.813
0.1 0.1 10 0.824
0.1 1 1 0.806
学習設定etc. 管理用
レポジトリ
学習用データ
起動・deploy
テスト結果
(精度)
Superset
学習・テスト用
検証の実行、結果の管理を楽に 日々の配信テスト結果、学習結果など
Google
spreadsheet
データサイエンティスト
まとめ
35
• 今まで世の中でできなかったことができると楽しい
• 「へー、これぐらい予測できるんだ!」は楽しい
• 頭を使うのは楽しい
• e.g. 富豪的プログラミングや雑なシステム設計ではダメ、
どうすれば効率的にデータを扱えるか?
• 世の中に介入できると楽しい
• “社会にダイナミズムをもたらす”!
機械学習は楽しい
適切な条件化で
36
Enjoy!
• [AdRoll15] Factorization Machines
http://tech.adroll.com/blog/data-science/2015/08/25/factorization-machines.html
• [Chapelle15] Chapelle, O., et al., Simple and scalable response prediction for display advertising, ACM TIST, 2015.
• [比戸14] 比戸, あなたの業務に機械学習を活用する5つのポイント https://www.slideshare.net/shoheihido/5-
38372284
• [神嶌] 神嶌, 推薦システムのアルゴリズム http://www.kamishima.net/archive/recsysdoc.pdf
• [Komiya14] 機械学習分野におけるテストの自動化 https://goo.gl/EHEV9M
• [Koren09] Koren, Y., et al., Matrix factorization techniques for recommender systems, Computer, 2009.
• [久保17] 機械学習モデルの実装における、テストについて
http://qiita.com/icoxfog417/items/67764a6756c4548b5fb8
• [Netflix12] Netflix Recommendations: Beyond the 5 stars (Part 1) https://medium.com/netflix-techblog/netflix-
recommendations-beyond-the-5-stars-part-1-55838468f429
• [Rendle10] Rendle, S., Factorization Machines, ICDM, 2010.
• [関野16] 関野, 経験ベイズ木, IBIS2016 D2-18, 2016.
参考資料
37
• アドテクにおける機械学習技術
• https://www.slideshare.net/ttpooh/tokyo-data-night-tokyodn
• セレンディピティと機械学習
• https://www.slideshare.net/ttpooh/ss-64890255
• Java でつくる低レイテンシ実装の技巧
• http://www.slideshare.net/nappa_zzz/java-70326737
• 秒間5万リクエストを処理する リアルタイム広告システム
• http://www.slideshare.net/yasuda/20140430-q-
contokyo2014bs33yasuda
SMN公開資料
38

More Related Content

What's hot

ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement LearningPreferred Networks
 
FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話NipponAlgorithm
 
Hokkaido.cap#1 Wiresharkの使い方(基礎編)
Hokkaido.cap#1 Wiresharkの使い方(基礎編)Hokkaido.cap#1 Wiresharkの使い方(基礎編)
Hokkaido.cap#1 Wiresharkの使い方(基礎編)Panda Yamaki
 
katagaitai CTF勉強会 #5 Crypto
katagaitai CTF勉強会 #5 Cryptokatagaitai CTF勉強会 #5 Crypto
katagaitai CTF勉強会 #5 Cryptotrmr
 
IoT自前導入のすすめ
IoT自前導入のすすめIoT自前導入のすすめ
IoT自前導入のすすめAmbientData
 
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Preferred Networks
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Koichi Hamada
 
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験克海 納谷
 
アドテクを支える技術 〜1日40億リクエストを捌くには〜
アドテクを支える技術 〜1日40億リクエストを捌くには〜アドテクを支える技術 〜1日40億リクエストを捌くには〜
アドテクを支える技術 〜1日40億リクエストを捌くには〜MicroAd, Inc.(Engineer)
 
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライド
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライドNLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライド
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライドJunSuzuki21
 
Pycairo を使ってみる その1
Pycairo を使ってみる その1Pycairo を使ってみる その1
Pycairo を使ってみる その1ryos36
 
RSA鍵生成脆弱性ROCAの紹介
RSA鍵生成脆弱性ROCAの紹介RSA鍵生成脆弱性ROCAの紹介
RSA鍵生成脆弱性ROCAの紹介MITSUNARI Shigeo
 
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウムT. Suwa
 
全脳アーキテクチャ若手の会 強化学習
全脳アーキテクチャ若手の会 強化学習全脳アーキテクチャ若手の会 強化学習
全脳アーキテクチャ若手の会 強化学習kwp_george
 
PFIセミナー 2013/02/28 「プログラミング言語の今」
PFIセミナー 2013/02/28 「プログラミング言語の今」PFIセミナー 2013/02/28 「プログラミング言語の今」
PFIセミナー 2013/02/28 「プログラミング言語の今」Preferred Networks
 
報酬設計と逆強化学習
報酬設計と逆強化学習報酬設計と逆強化学習
報酬設計と逆強化学習Yusuke Nakata
 
Googleの新しい検索技術 Knowledge Graphについて
Googleの新しい検索技術 Knowledge GraphについてGoogleの新しい検索技術 Knowledge Graphについて
Googleの新しい検索技術 Knowledge Graphについてmaruyama097
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門ryosuke-kojima
 

What's hot (20)

ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
 
FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話FastAPIのテンプレートプロジェクトがいい感じだった話
FastAPIのテンプレートプロジェクトがいい感じだった話
 
Hokkaido.cap#1 Wiresharkの使い方(基礎編)
Hokkaido.cap#1 Wiresharkの使い方(基礎編)Hokkaido.cap#1 Wiresharkの使い方(基礎編)
Hokkaido.cap#1 Wiresharkの使い方(基礎編)
 
katagaitai CTF勉強会 #5 Crypto
katagaitai CTF勉強会 #5 Cryptokatagaitai CTF勉強会 #5 Crypto
katagaitai CTF勉強会 #5 Crypto
 
IoT自前導入のすすめ
IoT自前導入のすすめIoT自前導入のすすめ
IoT自前導入のすすめ
 
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
 
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
 
アドテクを支える技術 〜1日40億リクエストを捌くには〜
アドテクを支える技術 〜1日40億リクエストを捌くには〜アドテクを支える技術 〜1日40億リクエストを捌くには〜
アドテクを支える技術 〜1日40億リクエストを捌くには〜
 
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライド
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライドNLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライド
NLP2023 緊急パネル:ChatGPTで自然言語処理は終わるのか? 説明スライド
 
Pycairo を使ってみる その1
Pycairo を使ってみる その1Pycairo を使ってみる その1
Pycairo を使ってみる その1
 
RSA鍵生成脆弱性ROCAの紹介
RSA鍵生成脆弱性ROCAの紹介RSA鍵生成脆弱性ROCAの紹介
RSA鍵生成脆弱性ROCAの紹介
 
coordinate descent 法について
coordinate descent 法についてcoordinate descent 法について
coordinate descent 法について
 
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム
静的型つき組版処理システムSATySFi @第61回プログラミング・シンポジウム
 
全脳アーキテクチャ若手の会 強化学習
全脳アーキテクチャ若手の会 強化学習全脳アーキテクチャ若手の会 強化学習
全脳アーキテクチャ若手の会 強化学習
 
PFIセミナー 2013/02/28 「プログラミング言語の今」
PFIセミナー 2013/02/28 「プログラミング言語の今」PFIセミナー 2013/02/28 「プログラミング言語の今」
PFIセミナー 2013/02/28 「プログラミング言語の今」
 
報酬設計と逆強化学習
報酬設計と逆強化学習報酬設計と逆強化学習
報酬設計と逆強化学習
 
Marp Tutorial
Marp TutorialMarp Tutorial
Marp Tutorial
 
Googleの新しい検索技術 Knowledge Graphについて
Googleの新しい検索技術 Knowledge GraphについてGoogleの新しい検索技術 Knowledge Graphについて
Googleの新しい検索技術 Knowledge Graphについて
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
 

Similar to アドテクと機械学習システムの開発@SMN・サンカク・CodeIQワークショップ

楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten, core skills neede...
楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten,  core skills  neede...楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten,  core skills  neede...
楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten, core skills neede...Rakuten Group, Inc.
 
Oss magic
Oss magicOss magic
Oss magicK5_sem
 
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」基調講演「データのグループウェア化」
基調講演「データのグループウェア化」Cybozucommunity
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理Koichi Hamada
 
Oss magic2
Oss magic2Oss magic2
Oss magic2K5_sem
 
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))HironoriTAKEUCHI1
 
Dx private conf_20190628_004
Dx private conf_20190628_004Dx private conf_20190628_004
Dx private conf_20190628_004Kei Nakahara
 
ソフトウェア開発の現場風景
ソフトウェア開発の現場風景ソフトウェア開発の現場風景
ソフトウェア開発の現場風景Koichi ITO
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- Koichi Hamada
 
2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network ConsoleSony Network Communications Inc.
 
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日データサイエンティスト協会 セミナー2016 第2回 2016年7月19日
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日Atsushi Tsuchiya
 
クラウド座談会資料
クラウド座談会資料クラウド座談会資料
クラウド座談会資料知礼 八子
 
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」PC Cluster Consortium
 
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けてHironori Washizaki
 
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~Recruit Technologies
 
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択Shingo Kitayama
 
大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術RyuichiKanoh
 
デスクトップエンジニアという働き方
デスクトップエンジニアという働き方デスクトップエンジニアという働き方
デスクトップエンジニアという働き方Hiroshi Oyamada
 
ヒーロー島 Visual Studio 2012
ヒーロー島 Visual Studio 2012ヒーロー島 Visual Studio 2012
ヒーロー島 Visual Studio 2012智治 長沢
 

Similar to アドテクと機械学習システムの開発@SMN・サンカク・CodeIQワークショップ (20)

楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten, core skills neede...
楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten,  core skills  neede...楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten,  core skills  neede...
楽天市場で使われている技術、エンジニアに必要なコアスキルとはTechnology used in Rakuten, core skills neede...
 
Oss magic
Oss magicOss magic
Oss magic
 
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
Oss magic2
Oss magic2Oss magic2
Oss magic2
 
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
 
Dx private conf_20190628_004
Dx private conf_20190628_004Dx private conf_20190628_004
Dx private conf_20190628_004
 
ソフトウェア開発の現場風景
ソフトウェア開発の現場風景ソフトウェア開発の現場風景
ソフトウェア開発の現場風景
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console2018/3/23 Introduction to Deep Learning by Neural Network Console
2018/3/23 Introduction to Deep Learning by Neural Network Console
 
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日データサイエンティスト協会 セミナー2016 第2回 2016年7月19日
データサイエンティスト協会 セミナー2016 第2回 2016年7月19日
 
クラウド座談会資料
クラウド座談会資料クラウド座談会資料
クラウド座談会資料
 
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
PCCC21:株式会社日立製作所 「研究開発力向上のための研究DXソリューション」
 
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
新しいソフトウェアエンジニアリングのためのパターンランゲージに向けて
 
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
 
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
 
OSS Market Momentum In Japan
OSS Market Momentum In JapanOSS Market Momentum In Japan
OSS Market Momentum In Japan
 
大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術
 
デスクトップエンジニアという働き方
デスクトップエンジニアという働き方デスクトップエンジニアという働き方
デスクトップエンジニアという働き方
 
ヒーロー島 Visual Studio 2012
ヒーロー島 Visual Studio 2012ヒーロー島 Visual Studio 2012
ヒーロー島 Visual Studio 2012
 

アドテクと機械学習システムの開発@SMN・サンカク・CodeIQワークショップ