Machine Learning Platform室

Machine Learning Solution室

参考情報一覧

組織・業務紹介

LINE Machine Learning Dept, Data Science Center

2021年7月1日に開催した「LINE Machine Learning室採用説明会」にて使用したMachine Learning室の紹介資料です。
※2022/2/2現在、スライド17枚目に記載のOpen Positionsのうち、「ML Product Manager」「ML Project Manager」は「プロジェクトマネージャー / Data Science Center」に統合されています。

LINE初のエンジニアフェロー並川淳さんは、どんな仕事をしているのか。マシンラーニングエンジニアが求められるスキルとは。(LINE Engineering Blog)

LINE初のエンジニアの最高役職、フェローに就任した並川（ML基盤開発担当）のインタビュー記事です。フェローとはどういう役職で、所属する「LINE Data Labs」というチームではどんな役割があるのか、活躍できる人材について紹介します。

インタビュー石河純輝 (LINE 新卒採用 2021)

大学院を経て2020年に機械学習エンジニアとして入社した石河に、入社を決めた理由や詳しい業務内容・具体的な仕事の流れを聞きました。

MLOpsを支えるモニタリングシステム。「Lupus」開発の裏話

このインタビューではMLプロダクトに必要なメトリクス収集やアラートシステム、ダッシュボードなどの機能を実現するモニタリングシステム「Lupus」の開発についてMachine Learning室 Machine Learning Developmentチームの石河が解説します。

より良い機械学習基盤を構築するために。属性推定システムのリニューアルにおける工夫と改善

ユーザー一人ひとりへ最適なコンテンツやサービスを届けるため、LINEでは機械学習を用いてユーザーの属性や興味・関心を推定する属性推定システムを開発・運用しています。2021年の夏に、この属性推定システムの利便性やメンテナンス性を向上させるため大規模なリニューアルを実施しました。
その過程で機械学習モデルだけではなく、モデルへの入力データパイプラインやモデル推論結果を安定的に外部供給するための仕組みなど、いくつもの改善ポイントが見えてきました。それらの課題を解決するために取り組んだ施策の秘話を機械学習エンジニアが解説いたします。

プロジェクト紹介

ユーザー調査とテストを徹底的に繰り返し、反対派も巻き込みローンチに至った「スマートチャンネル」開発プロジェクトの裏側(LINE Engineering Blog)

天気予報や占い・話題のニュース記事など、普段利用しているLINEサービスからユーザーにおすすめの情報が、LINEのトークリスト上部に表示される新機能「スマートチャンネル」。今回はこのスマートチャンネルの企画からリリースまでの開発舞台裏について、プロジェクトメンバーに語り合ってもらいました。

イベント登壇記事

LINE DEVELOPER DAY 2021

出前館におけるサービス向上のための機械学習

フードデリバリー事業における推薦システム、調理時間や配達時間の予測、ドライバー配置効率化のための需要予測、ドライバーと配送を担当する注文の効率良い組合せの決定などの取り組みにおいてそれぞれどのような難しさがあり、それをどのように解決しようとしているのかについてお話しします。

属性推定システムのリニューアルで見えた様々な課題とその解決の事例紹介

長年運用してきた従来の属性推定システムに対して、メンテナンス性向上などの観点から、昨年の夏、大規模なリニューアルを実施しました。
その過程で見えてきた課題をどのように解決してきたかについて、これまでのストーリーを交えつつ、実際の取り組みをいくつかご紹介いたします。

Lupus - MLOpsを加速させるためのモニタリングシステム

MLOpsでは学習やデプロイのパイプラインに注目されがちですが、そのライフサイクルを回すためには日々のモニタリングもまた重要です。そのため、MLプロダクト特有のメトリクスの収集やアラートシステム、ダッシュボードを共通化し、MLエンジニアやPMのような運用者が、工数をかける必要のないモニタリングシステムの開発に取り組みました。
本発表では、LINEにおけるMLOpsの課題とともに、MLOpsのためのモニタリング共通基盤 "Lupus" をご紹介します。

機械学習で使っている分散処理用RPCライブラリ

素早い起動、少ない依存ライブラリ、コードの書きやすさを念頭に開発したPythonの分散処理用のRPCライブラリを、いくつかの事例を交えて紹介します。

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。本発表では、このツール群の開発背景、仕組み、運用実例をご紹介します。

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 DEVELOPER DAY 2018

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。