下田 倫大【ぼくのかんがえたさいきょうの機械学習プロジェクト進行法（PoC/デモ編）】 　株式会社ブレインパッド

1. ぼくのかんがえたさいきょうの
機械学習プロダクト進⾏行行法
（PoC/デモ開発編）
by Norihiro Shimoda

2. ⾃自⼰己紹介
• 下⽥田倫倫⼤大(@rindai87)
• データ分析専業の企業のエンジニアマネージャー
• TensorFlow User Group(TFUG)主催者
• GDE(Google Developer Expert)のML Expert

3. 今⽇日お話すること
機械学習要素が⼊入った
プロダクト開発の
ベストプラクティスっぽい何か
ただし、PoCやデモフェーズまで
そこから先は⾊色々とアレなので含んでいません

4. 注意
結果うまく⾔言った話を
後から整理理したので
キレイに⾒見見えますが
実際はすごく泥泥臭いです

5. 想定オーディエンス
お客様
（つよい）
わたしたち
（よわい）
⼀一ヶ⽉月後までにイベント⽤用
の機械学習のデモ作りたい
んだけど
は、はひぃぃぃ
⼆二ヶ⽉月後までにPoC終わら
して成果をエライ⼈人の前で
デモしたいんだけど

6. っていう状況で
プロジェクトマネジメント
しないといけなくなった⼈人たち
に捧げる話

7. （機械学習）エンジニアデータサイエンティスト プロジェクト推進役
PM / PO的な⼈人
最近の問題意識識
案外⼈人材はいる
圧倒的不不⾜足

8. プロジェクト推進役
• データサイエンティストと機械学習っぽい話をする
• エンジニアとシステムや開発っぽい話をする
• クライアントと要件やビジネスっぽい話をする
• 全部まとめてやるべきこと/やらないことを決める
こういう⼈人がいないと
カジュアルに炎上します

9. 1ヶ⽉月くらい
5⼈人くらい
（公開できる）私の経験その1

10. Serving Mode

11. Learning Mode

12. https://sho-‐‑‒soar.github.io/slides/tfug5/#/ https://goo.gl/Vi7hTE
技術的な細かい話は以下からどうぞ

13. 1.5ヶ⽉月くらい
5⼈人くらい
（公開できる）私の経験その2

15. 期間の割にボリュームあるな­−
って思いました？
通常の案件でもだいたい
似たようなものだったりします
だいたい3〜～5⼈人で1〜～2ヶ⽉月くらい

16. PoC/デモ開発プロジェクトの進⾏行行
1. 要望のヒアリング / 要件の整理理
2. 全体のラフ案の整理理
3. ラフ案の実現可能性の検証
4. ラフ案から設計の起こし
5. 実装！実装！
6. テスト！テスト！
7. 制約条件やオペレーションの整理理
8. 納品（デモならセットアップやサポートなども）
この辺まで精度度の良良い⾒見見積もり
ができないが時間がないので、
エイヤでやらざるを得ない

17. 顧客要望の機械学習的観点での整理理
テーブルの上にあるお菓⼦子を認識識して、ロボットで掴
むと⾯面⽩白いと思うんですよね。⾳音声で⼊入⼒力力してお薦め
をレコメンドする感じです。
レコメンドロジックの構築から逆算し、
ロボットの操作に⽬目処をつけなければいけない案件
⾳音声認識識と物体認識識（画像処理理）は確
実に出て来るな。お勧めのレコメンド
をどうするかがポイントの案件だな。
あとロボットの所もどうするかだな。

18. こんな案件っぽいな、と分かるわけです
⾳音声認識識
画像処理理
レコメンド
ロジック
ロボットの
操作

19. レコメンドロジックを決めるとこうなります
⾳音声認識識
による
⽂文字起こし
お菓⼦子画像の切切
り出し
Word2vec
による
特徴量量化
⽬目標物認識識
発話
テーブル
の上の
お菓⼦子
CNNによる画
像の特徴量量化
ベクトルの
内積
レコメンドロジック
⽬目標物取得
ロボットの操作

20. 実現可能性の検証に⼊入ります
• ⾳音声認識識での⽂文字起こし
• お菓⼦子画像の画像切切り出し
• word2vecをどう実現するか
• CNNをどう実現するか
• ロボットの操作はそもそもどうするのか？
– ロボット⾃自体の選定
– 選定したロボットの精度度などの動作まわり
パーツパーツが全体の
シナリオにあった形で
うごくのか？という
観点での選定/検証

21. 実現可能性検証〜～実装のポイント
• 基本的に⾃自前でモデルやアルゴリズムを作らない
• モデルやアルゴリズムは差し替えしやすくしておく
• 実装は基本エイヤーで頑張るしかない
– たぶんプログラミング⾔言語選定はPython⼀一択

22. ⾃自前で作らず検証
⾳音声認識識
Cloud Speech API
Web Speech API
⽂文字起こしの形態素解析 Cloud NL API
⽂文字起こしの特徴量量化
Gensim + word2vec-‐‑‒
Googlenews-‐‑‒vectors
画像の切切り出し OpenCV
画像の特徴量量化 TensorFlow + Inception V3
今回はGoogle Cloudのイベントだったのでこんな感じですが、
もちろんGoogle製品じゃなくてもできることはありますね
ここの選び⽅方を
失敗すると死にます

23. センスの良良いあなたによって
実現可能性が確認できました！
モデルの精度度やら⾊色々気になりますが、
動きそうならこの時点ではOKとします
※この時点でOKしたやつがだいたい最終化されます

24. モデルの差し替え
• 最初は公開されているモデルやライブラリでとにかく試
してみる
• 全部作り終わってから精度度向上を検討する時にモデル⾃自
体は再考する
– word2vecの辞書を別のものに変える
– CNNのモデルをInception-‐‑‒v3から別のものに変える
– あるいは⾃自前で作る

25. 実装
• まあ基本は気合でエイヤーの世界となります
• 機械学習系のライブラリはPythonが充実しているので、
必然的にPythonで作ると効率率率が良良くなります
• なので、Flaskあたりで薄いAPIを作って裏裏側でほげほげ、
みたいな感じになるかと
Web API
By Flask
ML App

26. テスト〜～制約条件の洗い出し
• 実装ができたらひたすらテスト
• テストの⽬目的はバグの洗い出しだけではなく、実装され
たものの制約条件を洗い出す
• 制約条件はお客様にお伝えしてご理理解/ご納得いただく
– 制約条件がそのままデモシナリオに反映されていくイメージ

27. ということで、、、
• ここまできちんと進めると「特定条件下」で「要望を満
たすように」動いている何かができてきます
• そこから可能な範囲で精度度の向上など頑張りましょう

28. その他どうでも良良いTips

29. その他どうでも良良いTips
• ベンダーが複数出てくる時、インターフェースの責務を
こっちに寄せる
– 調整するコストの⽅方が⾼高いので、よっぽどの事がない限り相⼿手
が欲しがるプロトコルで欲しいデータを作って上げる
• 転ばぬ先の杖は多めに⽤用意する
– 特にデモの場合（かつハードウェアが絡む場合）⽤用意周到過ぎ
る準備をしたとしても、それでも不不⾜足の⾃自体が起こる

30. 「何とかなる」
という強い⼼心を持つことが
⼀一番⼤大事でしょう
ほぼ毎⽇日「できそう」と「できないかも」
を往復復する不不安定な⽇日々が続きます

31. まとめ
• 機械学習は⽇日々進化しており、それを使ったプロジェク
トは⽇日々難易易度度が増し、特にプロジェクト推進役には職
⼈人化/属⼈人化が加速しています。
• 知⾒見見を共有し合う場が欲しいと思う今⽇日このごろです。

32. おまけ（TFUG告知）
• 発表者はいつでも募集中！
– TFがちょっとでもかすってたらOKです！
• 運営側の参加者募集中！
– めっちゃ肥⼤大化してますが今のところ2⼈人体制なので⾟辛いで
す！
– 今ならやりたい放題やっていただけます！

33. Thanks!!