Machine Learning Casual Talks #2 参加メモ
B to Cサービスの現場から考える機械学習活用（グノシー 関さん）
それぞれが得意なこと
- 機械が得意なこと
- 大量のデータを処理すること
- 24時間働き続けること
- 数値データから素早く意思決定をすること
- 人が得意なこと
- 仮説を立てること
- 人の気持ちを理解すること(対機械比)
- ニュアンスを読み取ること
B to Cサービスでの課題
- 学術研究では過去のデータをいかに再現できるかを見る
- 機械学習が組み込まれる前と後でユーザの行動は変わる
- 重要なのはユーザの満足度
- ユーザ層が変わればモデルが変わる
タスクの進め方
- 目標設定
- 改善目標となる数値を決める
- タスクの優先順位をここから決める
- 仮説立案
- 仮説なきモデル実装はやってはいけない
- 簡単な実験
- ルールベース・人力などによって有効性を確認する
- モデル実装・自動化
- ルールベース・人力で有効性が確認されたらモデル化・自動化を進める
学術知識の利活用
- いま何ができるようになっているかを知る
- どのような考え方が成功しているかを知る
- 手法の精度や結果より、なぜその手法を用いることの優位性があるのかに注目する
機械学習 × KPI
- アカデミック側の評価基準にとらわれないことが大事
あなたの仕事に機械学習を活かす5つのポイント（PFI 比戸さん）
機械学習は普通のデータ活用よりもハードルが高い
- 効果をほとんど予見できない
- 投資対効果が見えない
- 結果の解釈性・納得性が低い
