Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Empfohlen
Empfohlen (20)
Startupday loft
- 9. ①顧客と商品の属性取得
- 12. ②フィードバックループの設計
- 14. ③責任者の⼤きな権限
- 16. ④機械でやることに固執しない
- 17. 機械と⼈間の得意分野は異なる Task 1: Task 2:
- 18. 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？
- 19. 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
- 20. 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？
- 21. 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？
- 33. 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
- 34. 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
- 37. 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
- 38. 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
- 41. 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
- 43. 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
- 44. 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
- 45. 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
- 47. delyではエンジニアを募集しています！ • クラシルシェフが作ったレシピが味わえます 美 味 し そ う な の は ⾒ た ⽬ だ け な ん で し ょ う ？ と よ く 聞 か れ ま す が 、 そ ん な こ と は あ り ま せ ん ぜ ひ ご 賞 味 く だ さ い そ の つ い で に k u r a s h i r u の 開 発 に も 興 味 あ る と い う ⽅ は ぜ ひ ご 連 絡 く だ さ い ！