立ち上げ期のサービスでレコメンドを導入した際の機械学習モデルの開発とアーキテクチャの事例

[tsuzukid]

AWS 行動規範 (Code of Conduct) への同意 (必須)

• 私は、AWS 行動規範 (Code of Conduct) を確認し、同意しました

Twitter ID (必須)

tsuzukit2

セッションタイトル (必須)

• セッションのタイトルをイシュー件名に最大40文字程度で入力しました

セッションのアブストラクト (最大250文字) (必須)

商品やユーザーなどのレコメンドは広く使われていると思いますが、本格的に導入しようと思うと、アプリケーションの開発と並行してデータパイプラインの整理や MLOps などのセットアップが必要になります。
また、導入する際にはアプリケーションの特性に合わせた設計を行い、導入後には結果を見ながら改善を行っていくというプロセスが必要不可欠です。

本セッションでは、サービスの立ち上げ期にレコメンドを導入し、またそれをどのように改善していったかについての事例を共有させていただきます。
同じようにサービスにレコメンド機能を導入しようとしているスタートアップの参考になれればと幸いです。

セッションについての補足情報 (最大800文字) (任意)

以下の AWS サービスを使ったレコメンドのアーキテクチャについて解説します

• ECS / EKS
• Codepipeline / CodeBuild / CodeDeploy

またレコメンドの機械学習モデルをどの様に調査、検討し本番に導入を行いながら改善を進めていったかについても共有します。
出来るだけ機械学習の専門的な用語や知識がなくても理解いただける様に解説する予定ですが、レコメンドモデルで実際につかっているアルゴリズムなど一部専門的な内容となる可能性があります。

登壇者の所属するスタートアップのフェーズ （必須）

series A

想定受講者のスタートアップのフェーズ (複数選択可) (必須)

Seed, series A

想定受講者の開発対象やロール・役割 (複数選択可) (必須)

Web バックエンド / サーバーサイド開発, 機械学習モデル開発

セッションのトピック (複数選択可) (必須)

アプリケーションアーキテクチャー

セッションのフォーマット (必須)

スライドを映しながら話す、通常セッション