BEGIN:VCALENDAR VERSION:2.0 PRODID:-//https://techplay.jp//JP CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:機械学習基盤 本番適用と運用の事例・知見共 有会 X-WR-CALNAME:機械学習基盤 本番適用と運用の事例・知見共 有会 X-WR-TIMEZONE:Asia/Tokyo BEGIN:VTIMEZONE TZID:Asia/Tokyo BEGIN:STANDARD DTSTART:19700101T000000 TZOFFSETFROM:+0900 TZOFFSETTO:+0900 TZNAME:JST END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:792236@techplay.jp SUMMARY:機械学習基盤 本番適用と運用の事例・知見共有会 DTSTART;TZID=Asia/Tokyo:20201106T140000 DTEND;TZID=Asia/Tokyo:20201106T173000 DTSTAMP:20260425T032551Z CREATED:20200906T141655Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/79223 6?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\nこのイベン トは、機械学習工学研究会 本番適用のためのインフラ と運用WGが主催するオンラインカンファレンスです。\n 開催にあたって\n機械学習システムを本番適用するた めには、様々な自明ではない課題をクリアし各自工夫 を凝らしてきているかと思います。このカンファレン スでは、皆様が実際に関わってきたシステムの構築の 中で得られた知見を共有し、一つでも多くの機械学習 システムの課題意識やベスト/ベタープラクティスを互 いに取り入れることで、個々を超えた知見の創出を狙 えたらと思い開催します。一つでも多くの機械学習シ ステムの共通課題が見出せたらと思い開催します。\n 実際の基盤構築の際に学んだこと、構築には失敗して しまったが得られた教訓などを発表していただきたく 思います。すでに完成したシステムの話はもちろんの こと、現在進行形の話であっても、そこから得られた 学びを共有し議論できればと思います。\n登壇者の連 絡及び参加者のコミュニケーションには MLSEのSlackの#20 201106-機械学習基盤本番的湯と運用の事例知見共有会チ ャンネルを利用しますので、併せてぜひ参加ください 。\n当日の配信は、MLSEのYouTubeチャンネルで実施します 。\nYouTube配信とsli.doのリンク\n配信はYouTube Liveの以下 のリンクで行います。\nYouTube Live\n- https://www.youtube.com/w atch?v=nNFCc3nowfg\n当日の質問は以下のsli.doで行います。\n - https://app.sli.do/event/j7kg9csa\n発表スケジュール\n\n\n\n時 間\nタイトル\n発表者\n\n\n\n\n14:00-14:10\nはじめに\n\n\n\n14 :10-14:40\nゼロから始める Kubeflow での機械学習パイプラ イン構築\nAsei Sugiyama (Repro\, Inc.)\n\n\n14:40-15:10\nリーガル テックにおけるMLOps構築事例の紹介\nKeita Iwamoto (LegalForc e)\n\n\n15:10-15:40\nプレイドにおけるバッチ、リアルタイ ム基盤の事例紹介\n西村 優汰\, Akira Kasuga (PLAID\, Inc)\n\n\ n15:40-16:00\n休憩\n\n\n\n16:00-16:30\nモバイル向け機械学習 モデル管理基盤\n大嶋 悠司 (メルカリ)\n\n\n16:30-17:00\n大 規模・複雑な機械学習プロダクトの継続的な改善を支 える実験プラットフォーム\n大西 健太 (Mobility Technologie s)\n\n\n17:00-17:10\nおわりに\n\n\n\n\n発表詳細\n14:10- ゼロか ら始める Kubeflow での機械学習パイプライン構築\nAsei Su giyama (Repro\, Inc.)\nReproでは機械学習を利用する開発チー ムがありましたが、昨年2名を残して解散しました。ま た、ノウハウもメンバー内に暗黙知化していたため、 チームメンバーとともに散逸してしまいました。\nこ のセッションでは我々のチームが機械学習基盤を必要 としたきっかけから、要求仕様の策定のためにゼロか ら業務フローの定型化を行い、TFXの設計思想に基づい てパイプラインの設計を行い、Kubeflow を基盤として選 定し、実際にバッチを基盤の上で動かすまでの道のり と、そこで経験した課題について共有します。\n14:40- リーガルテックにおけるMLOps構築事例の紹介\nKeita Iwamot o (LegalForce)\nLegalForceの研究開発では自然言語処理や機 械学習を用いた法務向け契約書レビュー支援システム を開発しています。\n機械学習システムの開発におい ては、機械学習を始めるまでのデータの収集やインフ ラの立ち上げ、デプロイやモデルの管理などに課題が ありました。\nそこで、機械学習基盤（MLOps）の構築を 行いましたが、機械学習基盤の構築においてはツール の比較検討を含めた試行錯誤がありました。\n本発表 では弊社の機械学習基盤の構成やそこに至る過程をご 紹介いたします。\n15:10- プレイドにおけるバッチ、リ アルタイム基盤の事例紹介\n西村 優汰\, Akira Kasuga (PLAID \, Inc)\n株式会社プレイドでは、webやappに訪問したエン ドユーザーの行動をリアルタイムに解析し、行動に応 じたアクションを提供できるKARTEを開発しています。 エンドユーザーの行動データから機械学習のモデルを 作成するパイプライン、また、予測をバッチ、リアル タイムの両軸で行う基盤の事例紹介をいたします。\n16 :00- モバイル向け機械学習モデル管理基盤\n大嶋 悠司 ( メルカリ)\nこれまで機械学習を使った機能は，サーバ 上にモデルを配置しクライアントからAPI経由で呼び出 すことが一般的でした．\nしかしモバイル端末の高性 能化によって，モバイル端末上でMLモデルの推論を行 うことが可能になってきています．\nそれによってイ ンターネット越しにAPIを呼ぶ必要がなく，高速かつセ キュアなML機能を実現することができるようになりま した．\nしかしMLモデルの推論をサーバ上で行う場合に 比べ，モバイル端末上ではモデルサイズや推論速度の 制限が厳しく，多くのハードウェア上での動作を保証 しなくてはなりません．\nメルカリではそのようなモ バイル端末上で動作するMLモデルを管理するための機 械学習基盤を構築し，モバイル上で推論を行う機能を 開発しています．\n本発表ではその基盤についてお話 します．\n16:30- 大規模・複雑な機械学習プロダクトの 継続的な改善を支える実験プラットフォーム\n大西 健 太 (Mobility Technologies)\nMobility Technologiesでは\, 交通事故 削減支援を行う次世代AIドラレコサービス「DRIVE CHART」 を提供している.\nこのプロダクトでは\, ドライバの危 険なアクション (脇見や車間距離の詰めすぎなど) を検 知するロジックがコアな機能となる. エッジデバイス で軽量なディープラーニングモデルを用いて特徴抽出 し\, サーバで学習モデルやルールベースで検出処理を 行っている. さらに\, 一部では動画を入力としたエン ドツーエンドの重厚なディープラーニングモデルを検 出処理に加えている. これらを多段のプロセスを総合 してドライバへレポートしている. これらのインテリ ジェンスを、20名超のデータサイエンティストとコン ピュータビジョンリサーチャが専任で開発している.\n こうした複雑な機械学習システムを大人数で実装・実 験するための環境に求められる要件を\, 大きく3点にま とめた. (1) ある特定の検出処理単体の修正など\, 影響 範囲が限定される変更に対して\, 各人の変更だけを反 映し\, それ以外はプロダクション同等の環境を再現し て実験ができること. (2) エッジデバイスのモデルの更 新など\, システムパイプライン全体に影響を与える変 更に対して\, 入力となる特徴抽出から最終出力となる 検出まで一貫した結合試験を実施できること. (3) これ らの実験を様々な役割・バックボーンを持つメンバが\ , 同時・独立・容易に実施できること.\nこれら要件を 実現するために\, 我々はKubeflow + Amazon Web Serviceで実験 環境を構築・運用している.\nCall for Proposal\n募集は締め 切りました。ご応募ありがとうございました。\n\n締め 切り: 2020/09/30\n\nSessionizeでCall for Proposalを募集します。 奮ってご応募ください\nhttps://sessionize.com/mlse-opwg-ws\n想 定されうるトピックとして、以下に限りませんが一例 として紹介します。\n\n探索的データ分析、実験、学習 、本番系での予測も含むパイプライン、統合的機械学 習基盤\nモデルのライフサイクル管理・デプロイ、ガ バナンス、サービング\nfeature storeやデータのバージョ ン管理、ガバナンス\n既存システムとの連係、要件や 技術の変化への対応 \n\nスケジュール\n\n9月30日: 発表 募集終了\n10月中旬: 採択通知。スケジュール発表\n10月 19日: 参加申込開始 (MLSE connpassにて通知します)\n11月6日 : カンファレンス開催\n\n資料について\n資料は発表後 、原則1週間以内に公開をして頂く予定です。\nその他\ n\nスケジュールなど本ページの掲載内容は状況により 変更する場合がありますので予めご了承ください。\n\n 主催\n日本ソフトウェア科学会 機械学習工学研究会\n 本番適用のためのインフラと運用WG\n幹事：Treasure Data 有賀、NTTデータ 土橋 LOCATION:YouTube Live オンライン URL:https://techplay.jp/event/792236?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR