Upgrade to Pro — share decks privately, control downloads, hide ads and more …

メルカリの機械学習基盤 これまでとこれから ML Ops Study #2

Ryusuke Chiba
May 29, 2018
800

メルカリの機械学習基盤 これまでとこれから ML Ops Study #2

Ryusuke Chiba

May 29, 2018
Tweet

Transcript

  1. 自己紹介 • 2013年 新卒 • GREE News の開発 • 消滅都市の開発

    • 大学院受験をして受かったので退職 筑波大学 (学部) 筑波大学 (院) メルカリ グリー 2013 2015 2017
  2. 自己紹介 • 数理最適化の研究 ◦ Derivative-free optimization (Nelder-Mead とか) ◦ 単体上における非凸関数の大域的最適化

    • Cookpad でアルバイト ◦ トクバイで 筑波大学 (学部) 筑波大学 (院) メルカリ グリー 2013 2015 2017
  3. 自己紹介 • 2回目の新卒(中古の新卒) • Search チーム (2017.04 - 2017.12) ◦

    クエリパラメータ最適化の仕組み (JP) ◦ 近所検索 (US) • 数学部 部長 ◦ 線形代数ゼミ,アルゴリズムゼミ,数理最適化ゼミ... 筑波大学 (学部) 筑波大学 (院) メルカリ グリー 2013 2015 2017
  4. 自己紹介 • CRE (Customer Reliability Engineering) と SysML ◦ 2018.01

    から ◦ これから話す • 量子アニーリング ◦ D-wave のインターフェイスは数理最適化 筑波大学 (学部) 筑波大学 (院) メルカリ グリー 2013 2015 2017
  5. メルカリの機械学習基盤 いま • 内製のML Platform • kubernetesベース • ローカル環境とクラスタ環境の差を抽象化する •

    便利API群 • 既存のML Frameworkを使用し簡単に Training/Servingを行う環境を提供 • そのうち OSS で公開予定(多分)
  6. ML Platform (training cluster) CI ML Platform (serving cluster for

    test) Model Registry Job Job ・・ REST API Streaming TF Serving API ・・・ メルカリの機械学習基盤 いま
  7. メルカリについて • ダウンロード数: 世界合計1億800万ダウンロード超 (日本7,100万、米国 3,750万、英国数百万) (2018/3末時点) • 流通額 (GMV):

    日本 938億円 (2018/1-3月四半期累計) • 利用者数 (登録MAU): 1050万人 (2018/3時点) ◦ 登録MAU (Monthly Active User) は1ヶ月に一度以上利用したユーザの数 (「メルカリ アッ テ」「メルカリカウル」「メルカリメゾンズ」「メルチャリ」「teacha」は含まず) • 社員数: 連結 約1000人,メルカリ単体650人  (2018/3末時点)
  8. メルカリについて • カスタマーサポート(CS) ◦ お問い合わせへの対応や,違反出品物の取り締まりなど ◦ 仙台,福岡にも拠点がある • CRE (Customer

    Reliability Engineering) ◦ 技術を駆使して,お客さまに安心して利用してもらえるサービス にしたい ▪ CS のオペレーション効率化
  9. 商品監視 安心安全なマーケットプレイスを維持するために,出品が禁止されているもの https://www.mercari.com/jp/help_center/getting_started/prohibited_items • 偽ブランド品 • 盗難品 • 18禁、アダルト、児童ポルノ関連 •

    現金、金券類、カード類 • ゲームアカウントやゲーム内の通貨 • メルカリ事務局で不適切と判断されるもの • キーワード羅列 • etc...
  10. 商品監視 いま いくつかの既存モデルを,あたらしい ML Platform 上の商品監視サービス Lovemachine に移植中 それによって得られる恩恵は •

    メルカリ API, CS Tool 側の共通処理 • コード品質の向上 • 再学習の仕組み • Blue-Green deploy • リソース管理 ML Platform Lovemachine
  11. 商品監視 いま 移植作業が大変だった • Train code がない • local でしか動かない状態の

    Jupyter notebook • 身元不明の BigQuery table を読んでいる • 身元不明の CSV を読んでいる • DRY でない • 線形代数の効率的な演算が使えていない(for 文がある) • Evaluation を独立して実行できるようになっていない 恩恵: コード品質の向上
  12. 商品監視 いま ML による 自動検知 CS メンバーの確認 (ラベルづけ) 教師データに CS

    業務のフィードバックが得られる 恩恵: 再学習の仕組み
  13. 商品監視の難しいところ 違反出品は正常出品に対してとても少ない imbalanced な状態 例えば一日に100万件が正常出品されるとき • False Recall 99.000% ->

    10,000件 False positive • False Recall 99.900% -> 1,000件 False positive • False Recall 99.990% -> 100件 False positive • False Recall 99.999% -> 10件 False positive
  14. 機械学習基盤 これから 1. 全ての移植作業をやるわけにはいかない 2. 機械学習基盤の機能を充実させたい • 社内 AutoML を作りたい?

    i. Feature Extraction? ii. Black Box Optimization? 3. SysML がスキルセットの差を埋めたい • データサイエンティスト ⇔ SRE • データサイエンティスト ⇔ バックエンドエンジニア