LINE DEVELOPER DAY 2020

機械学習アプリケーションのための、大規模データを分散処理するライブラリ

大規模データを使った研究開発において、機械学習エンジニアは、Hadoop上のデータ処理 〜 Kubernetesにおける計算リソース管理など、幅広い業務に携わる必要があります。特に大規模データをGPU上で処理する際には、データアクセス管理、データ転送、計算リソースの効率活用、分散学習などが課題となってきます。これらの課題を解決するために開発した内部ツール群と、これらを使った最新事例をご紹介します。

Libra suite – LINEのMLプロダクト改善のための内製ツールセット

LINEのData LabsはLINEの各サービスに機械学習ソリューションを提供していて、その一環としてMLOpsを実施するためのツール群「Libra suite」を開発運用しています。「Libra suite」は、推薦結果のデモ、A/Bテストの設定〜モニタリングする機能を有し、MLを含むデータ活用での最適化を支援しています。このツール群の開発

LINEサービス向けの効率的かつ効果的な推薦システム開発に向けて

推薦システム開発における実課題に対し我々がどのような取り組みを行っているか、データセット構築・推薦ロジック・評価などのレイヤごとに説明していきます。そしてそれらの実課題を念頭において現在開発しているシステム（masala）について説明いたします。

LINEではどのようにサービス横断でのデータ活用を実現しているのか

サービス横断的に行っているそのようなLINEのデータ活用事例を、分析・機械学習・マネジメントの観点からご紹介します。さらに、データ活用を推進するため開発している社内プロダクトについてもご紹介します。

自社LINE公式アカウントのメッセージ送りすぎ問題をデータサイエンスで解決する

LINE公式アカウントは、LINEと企業、ユーザーにとって三方良しとなるプラットフォームを目指しています。主要機能であるメッセージ配信機能によって、直接ユーザーに価値を届けることができることが本プラットフォームの大きな特徴です。プラットフォームの課題とそれを解決するためのデータサイエンス・機械学習の活用についてお話させていただきます。

LINE DEVELOPER DAY 2019

LINEの“すべて”のサービスから最適なコンテンツを届ける、推薦システムのアーキテクチャ

LINE フェロー Machine Learning 基盤開発担当の並川がLINEサービス全体を横断して、ユーザーに最適なコンテンツを届ける推薦システム構築について語りました。

LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像

LINE Machine LearningチームのChaerim Yeoが、データ専門研究開発組織「LINE Data Labs」での機械学習の特徴量の運用方法「Feature as a Service」について解説しました。

LINEの機械学習チームが語る、「おすすめのLINEスタンプ」のレコメンドアルゴリズム

Machine Learningチームの菊地が、機械学習を専門とするチームの紹介と、LINEのさまざまなサービスで用いられているレコメンド機能などの裏側について語りました。