【読書記録】エンジニアリング組織論への招待

目的

以前読んだ「エンジニアリング組織論への招待」。ただ、読んだときより立場が大きくかわったためか、今読むと「あれ、この本、本当に読んだことあるのだろうか?」と感じるくらい、ひとつひとつのフレーズにはっとしたり考えさせられたり心がざわざわしたり。なので、しっかり向き合ってみようと思う。

感想

ふんわりと感じていた違和感やネガティブな状態に、過去の偉人は既に名前をつけ、かつ、いろいろな対策も提案してくれていた。ただ、重要なことは行動し、観察し、変えていくこと。もう少し課題を明晰化し、行動したい。

要約

メモより要約する

1. 思考のリファクタリング

1-1 すべてのバグは、思考の中にある

エンジニアリングを行う組織では、「思考のリファクタリング」により不確実性に向き合えるようにする。

1-2 不確実性とエンジニアリング

エンジニアリング とは 「実現する」こと。実現するには、不確実性を減少させなければいけないが、そのためには情報が必要。 不確実性は「未来」と「他人」に潜む。未来の不安は行動・実験・観察して得た情報により、他人の不安はコミュニケーションを通じて削減する。

1-3 情報を生み出す考え方

エンジニアリング で 不確実性を減少して実現していくためには、「情報を生み出していく」ことが必要である。 情報は、チームで、決まっていない答えを、探しながらといていくことにより生み出される。経験主義 と仮説思考で情報を収集し、何が正解なのか自分で設定する。

1-4 論理的思考の盲点

問題を認知するために「人は感情に囚われずに判断することは難しい」という論理的思考の盲点を理解する。

1-5 経験主義と仮説思考

問題を明晰化するために、経験主義( = わからなければ行動する)と仮説思考(= 少ない情報で大胆に考える)を実践する。

1-6 全体論とシステム思考

問題発見のために全体論とシステム思考の視点を持つ。全体 とはビジネス全体のフィードバックサイクルをもったシステムであり、「秩序だった複数要素の組み合わせ」「要素に分けても見られない性質をもつ関係性」に注目することにより、真の問題を発見する。

1-7 人間の不完全さを受け入れる

人間は不完全な思考をしてしまいがち(人は正しく認知できない / 情報がないのに行動せず考えつづけてしまう / 局所最適な思考をしてしまう) 人の傾向を理解したうえで、コミュニケーションにより不確実性を減少させ、秩序を作ろう。

2. メンタリングの技術

2-1 メンタリングで相手の思考をリファクタリング

メンタリングの目的は「相手の思考をリファクタリング」することであるが、実際は行動を変えることにほかならない。 変更するために大前提として、メンターとメンティーにHRT の関係を築かなくてはいけない

2-2 傾聴・可視化・リフレーミング

メンターは、傾聴・可視化・リフレーミングにより、「モヤモヤしていない問題に変換する」= 「明確に次にすべき行動がわかる」状態に変えていく。

2-3 心理的安全性の作り方

メンティを「ラーニングゾーン」= 「責任も高く、心理的安全性も高い」状態にもっていくために、アクノレッジメントとストーリーテリングを実施する

2-4 内心でなく行動に注目する

課題がある行動を可視化し、行動をどう変えたらいいか考える。SMART を意識して行動を言語化し合意、フィードバックと承認で行動を促進しつつ、環境や構造を変えて阻害する要因を減らす。

まとめ

メンタリングにより、問題発見、感情と分離し、行動できるようにする。具体的で高い目標を自分で設定し自ら行動できるようにすることがメンタリングのゴール。

3. アジャイルなチームの原理

3-1 アジャイルはチームをメンタリングする技術

アジャイルの考え方のベースは「チームをどのように構築していくか?」。 今事業が立ち向かう不安はスケジュールではなくマーケット。チームをゴール意識の高い状態にするにはどうしたらよいのか?

3-2 アジャイルの歴史

品質管理、生産管理、生命科学ハッカーカルチャーなどから軽量ソフトウェア開発プロセスアジャイルが生まれた。

3-3 アジャイルをめぐる誤解

アジャイルには5つの誤解がある。決まった開発手法をささないための誤解。

3-4 アジャイルの格率

アジャイルは理想状態。チームが環境に適応して、不確実性を最も効率よく削減できている状態にするために、経験学習を取り入れたこと、実現のためにコミュニケーションや感情に向き合い、価値の流れを最適化する 。

アジャイル開発は「脱構築」される

アジャイルになるには、自分たち自身のやり方や役割を変えていく「脱構築」が必要。そのために観察 と対話 を繰り返す。

4. 学習するチームと不確実性マネジメント

4-1. いかにして不確実性を管理するか

不確実性を可視化し、マネジメントする ( 方法・目的・通信 )

4-2 スケジュール予測と不確実性

方法不確実性へどう対応するか? 納期 = 理想工期 ( 工数人月 / 人数 )+ 制約スラック + プロジェクトバッファにより決定するが、スケジュールマネージメント (制約スラックを削減する / 見積もりの予測可能性を上げる /プロジェクトバッファの消費を可視化し改善する) により予測可能。予測できれば事業を推進できる。

ただし、本当によめないのは、「何をつくるのか」の過程。エピック、テーマ、ストーリー、タスクと分解され、詳細化していく過程で不確実性がさがるため、ボトルネックを探してスループットを上げる ( 仮説検証戦略 → 開発要求 →開発→ テスト→リリース→ 効果検証)。

いずれにしろ、スケジュール不安はコントロールできるため、 ビジネス - 開発の不信を排除し、全員が「何をつくるのか」「それはマーケットに受け入れられるのか」に目を向けられるようにする。

4-3 要求の作り方とマーケット不安

何をつくるか 、という目的不確実性にどう対応するか。リリースポイントをまめにつくる / ユーザーストーリーをつくる など、価値が高くリスクも高いところから仮説検証し、少しずつマーケット不安を削減する。

4-4 スクラムと不安に向き合う振り返り

スクラムは不安に向き合うフレームワーク。WHAT / HOW / DAILY の不安を発見し仮説をたて検証していく。

不安を知りチームマスタリーを得る

不安はなくならないが、チームのゴール認識のレベルが高くなると、チームが自分たちで不安をみつけ、検証することができるようになる

5.技術組織の力学とアーキテクチャ

5-1 何が技術組織の"生産性"を下げるのか?

技術組織の”生産性" は情報処理能力 = 方法不確実性と通信不確実性への対処方法 で測る。 エンジニア組織の情報処理能力を向上させるには、権限の委譲と期待値調整、 適切な組織・コミュニケーション・外部リソース調達の設計、全体感のあるゴール設定と透明性の確保、技術的負債の見える化を実施する。

5-2 権限委譲とアカウンタビリティ

権限と責任は表裏一体/責任と権限の不一致は往々にして発生し、委譲具合は伝わっていない。権限委譲と責任を果たすことができる組織構造、不断のコミュニケーションによる期待値調整 が情報処理能力の高い組織を生む。

5-3 技術的負債の正体

技術的負債は「見えない」「マイナスの価値」。経営者にとっては「負債」=「返済すべき」ではない場合もある。見える化 = 理想システムの追加工数との差や将来要件の不確実性 などで、事業に与えうるインパクトを言語化し、情報の非対称性をなくす取り組みが必要。

5-4 取引コストと技術組織

取引コストは「探索のコスト」「交渉のコスト」「監督のコスト」に大別される。組織が大きくなると組織内外で限定合理性が高くなり、全体最適に向かわない。機能横断組織がひとつの解。

5-5 目標管理と透明性

チームのゴール認識を高め、限定合理性によらない目標を設定するために、目標管理の仕組みをデザインすることと情報の透明性を保つことが重要である。

5-6 組織設計とアーキテクチャ

ビジネスモデルにあわせて組織とアーキテクチャをデザインする。

エンジニアリングカンパニー

企業活動は、エンジニアリング。根本的な問題が「構造上の問題」であることに気づけば、対立は消える

続きを読む

2020年を振り返る

年末に書きたかったけど、1/2 に書いてます。

仕事

CTOになりました。 仕事の振り返りはTECHSCORE ブログでしたので書ききれなかったことをここには書きます。

こまごまといろいろなことに取り組んだものの、大きく仕組みを整えるようなことができなかった。自信がないのと、軸がないのと、両方ですね。 シンプルに各所でインプットが足りないので、あきらめて、しっかり入力していきつつ、環境と習慣を変えていきたい。

結局ここができていないのですよね。

最初からうまくいくとは思わずに、数をこなす・時間とエネルギーをかけることによって、足りないところを見極めて、克服していきたい。

技術力をあげるために足りない知識ってなんなんだろうな。というか、去年と同じことを書いているということはスモールゴールを設定したり成長したりができていないのかもしれない。

  • Python : 家にある本をことごとく実装する
  • Kaggle : 1回出す
  • データ指向の本を読む
  • Docker に慣れる

来年したいことが毎年変わらない。来年は本当に必要になるかもしれない。

  • 記録する
  • アウトプットする
  • 美しく可視化する

ただ、技術的なことは統計・AI・ML (の小難しいこと)と英語に的をしぼろうと思う

家族にはしんどい一年だった。本当に。よくがんばっていると思う。 来年はもうすこし心穏やかにくらせますように。

遊び

結局技術的なインプットと(一人)旅が私の心から楽しいことだと再確認したので、来年は日帰り一人旅を増やして行こうかな。行きたいのは豊田美術館と松山、佐賀。

去年と変わらないなあ。今年は小笠原にちゃんといきたいなあ。

RecSys 2020 (11) Day3, Novel Machine Learning Approaches II

最後のセッションですね。

番外編 : Expo: Netflix Research

Netflix の研究所があらゆることをやっているよ、という話。話している人、去年Spotify にいたようないなかったような。

Designing good exploration is an art

他、「metrics に設定したものしか改善しない」みたいな金言がいろいろきけたので、スライドが公開されたらもう一回みます。

Exploiting Performance Estimates for Augmenting Recommendation Ensembles

Abstract

Ensemble をどうするかが、職人技すぎるので、そうではなく、パフォーマンスを計測する方法を提案する。Best Long Paper の次点。

感想

使えそうな感じがするのだが、寝ぼけていたのか理解できなかった。

Cascading Hybrid Bandits: Online Learning to Rank for Relevance and Diversity

Abstract

topics のdiversification のために、topic coverage をたもって推薦アイテムのリストをつくることを考える。
提案手法。relevance と diversity のバランスをとる。 f:id:ayakobaba:20200925145446p:plain

感想

どのあたりがcascadeなのか。これをみたらわかるのか。ML 用語なのだろう。勉強が足りない。 f:id:ayakobaba:20200925145642p:plain

MultiRec: A Multi-Relational Approach for Unique Item Recommendation in Auction Systems

Abstract

Auction System は1点ものなので、過去の実績で推薦するCF は使えない。なので、ある情報すべてつかってどうにかする。 f:id:ayakobaba:20200925150704p:plain

どうにか。 f:id:ayakobaba:20200925150927p:plain

感想

オフラインテストでかなり良い結果がえられていた。

Contextual and Sequential User Embeddings for Large-Scale Music Recommendation

Abstract

Spotify。音楽の推薦では今日の今までで何聞いたかとか、どのデバイスで聞いているかとかのsession が大事。 f:id:ayakobaba:20200925152455p:plain

なので、sessionを考慮したモデルを考える。 f:id:ayakobaba:20200925152600p:plain

LSTM なつかしさ感じる。さて、評価。

f:id:ayakobaba:20200925153001p:plain

感想

base line のOracle ってなんだろう。

ImRec: Learning Reciprocal Preferences Using Images ⭐️

Abstract

pairs の推薦をプロフィール画像を中心につくってみた。 f:id:ayakobaba:20200925154007p:plain f:id:ayakobaba:20200925154103p:plain

検証したら、特にImRec はcold start (まだLIKE を一個もしていない、など)のときにいい感じになった。

感想

QA がめちゃくちゃもりあがった。「全身写真と顔写真と、どっちがもてるの?」とか。 あと、Siamese Networkを初めて知った。

RecSys 2020(10) Day3, Understanding and Modeling Preferences

Day3 も架橋。でも日本時間昼一はねむいです。

TAFA: Two-headed Attention Fused Autoencoder for Context-Aware Recommendations

Abstract

推薦システムでuser-itemのpreference と review を同時にモデリングする手法を提案。 左下のautoencoder でレビューを、右下のautoencoderでuser-itemの嗜好をエンコードし、early fusion / late fusion を実行した上で、decodeする。 実験した場合、reviewの情報が利くことがわかった。 f:id:ayakobaba:20200925120431p:plain

感想

Attention(fusion でつかってる) は weight を可視化できるからreview のどこが推薦に効いているかがわかって面白い。

A Ranking Optimization Approach to Latent Linear Critiquing for Conversational Recommender Systems

Abstract

会話しながらニュース記事を推薦するシステム。ユーザは「スポーツのニュースある?」「もっとご機嫌なやつがいい」など批判(critique)的な応答を欲しい記事を手に入れるまで繰り返す。この批判とユーザのpreference をどう組み合わせるのか?

  1. Linearly Embedding Everything
  2. Critique based reranking
  3. LP Optimization

f:id:ayakobaba:20200925122155p:plain

感想

去年もきいたなあ。英語が聞きやすいのとトピックが理解しやすいのでおぼえている。

Content-Collaborative Disentanglement Representation Learning for Enhanced Recommendation

Abstract

CF と Content Features、両方のよいところを推薦システムに取り組みたいが、課題はHigh Feature Correlation とFeature Duplication。
そこで、これらをdisentangled representation( = ときほぐす)で解決したい。

ちなみに disentangle とは 以下のようなことをいうらしい。

潜在空間中の各次元が観測データ中の因子や性状ごとに分かれているような状態を disentangled な表現

提案手法はこんな感じ。 f:id:ayakobaba:20200925123551p:plain

モデルをvisualize すると、解きほぐされている様子がわかる? f:id:ayakobaba:20200925124002p:plain

感想

disentangled representation。またひとつかしこくなりました。ありがとうPFN。

“Who Doesn’t Like Dinosaurs?” Finding and Eliciting Richer Preferences for Recommendation

Abstract

推薦に使う情報はうすいクリックなどのフィードバックしかないが、絵を描いてもらったり文を描いてもらったりすることで、推薦に必要な嗜好を抽出することができるのではないか?調査の手法(TeLLY)を提案する f:id:ayakobaba:20200925125633p:plain

感想

昨日に続き、MSの人の発表、二回目。複数発表する人がおおいのだなあ。応募が少なかったのだろうか。

Neural Collaborative Filtering vs. Matrix Factorization Revisited

Abstract

Googleの発表。類似度をMLP などNeural で計算するのはやっているが、本当にDot Product ではだめなのか?
実験結果をみると、Dot Product でもちゃんとチューニングするといい感じになる。さらにdot product は MLP で学習するのがむずかしい。dot product ありだよ。 f:id:ayakobaba:20200925130425p:plain

感想

それはなにより。ただタスクによるような気もする。

[Industrial Talks ] Query as Context for Item-to-Item Recommendation

Etsy というオークションサイトの発表。 似たもの、というだけではなく、「ハロウィンの時期に検索された赤い帽子ならハロウィンにふさわしいやつを推薦したい」 f:id:ayakobaba:20200925132008p:plain

時期などを考慮した推薦をする仕組みを構築 f:id:ayakobaba:20200925132128p:plain

システムの評価にいろいろな指標をつくった。オフラインテスト・オンラインテストそれぞれにmetrics がある。
A/B テストの指標には $ マークがw f:id:ayakobaba:20200925132737p:plain

RecSys 2020 (9) Day3, Real-World Applications III

3日目にして、ようやくいろんなことに慣れてきましたが、もう終わりです!

Learning to Collaborate in Multi-Module Recommendation via Multi-Agent Reinforcement Learning without Communication

Abstract

Alibabaとの共同研究。同じページに推薦の「モジュール」が複数ある場合、そのままだとそれぞれが別々のモデルで学習、推論し、協調はしない。ただ、ユーザからすればひとつのモジュールでのユーザ行動はすべてのモジュールへのフィードバックとして学習してほしい。そこで、ゲーム理論を参考に二つのrewardを検討するSignal network の考えをとりいれる。オフライン、オンラインの検証をしていい結果がでた。 f:id:ayakobaba:20200925090629p:plain f:id:ayakobaba:20200925090726p:plain

感想

ゲーム理論から発想。

Exploring Clustering of Bandits for Online Recommendation System

Abstract

contextual banditにはcold start problem がある。cluster of banditはユーザのuncertainty を考慮していない。
Clustering - explorable bandits を提案する。スパースに注意して、知識をadaptive cluster でshare するようにモデルを構成し、exploring clustering を通してユーザの関心を学習する。

感想

クラスタの作り方がわからなかった

Contextual User Browsing Bandits for Large-Scale Online Mobile Recommendation

Abstract

モバイルの画面はせまいので、見せられる商品の数も限られる。テキスト情報も少ししか表示できない。いまクリックしなかった情報をnegative sample に利用する手法があるが、このような状況では商品をみたかどうかわからないため、negative sample(あまりおきにめさなかった証拠)として扱うのは不適切。そこで、UBM 。これを Contextual Bandit に組み込む f:id:ayakobaba:20200925093353p:plain f:id:ayakobaba:20200925093517p:plain

感想

なんか二回話しているひとがいるw AB テストで、100万人 per day のユーザで検証するところが、Alibaba様。数の力。

Offline Contextual Multi-armed Bandits for Mobile Health Interventions: A Case Study on Emotion Regulation

Abstract

ER (emotional regulation)= 感情制御 を行うための、行動推薦システムを バンディットで作成する話。
ER はFlexibility / 人によってことなる という課題があり、 ER をscale させたいという思いもあって、調査。
dataset: N = 114 , 5週間のスマホのデータ、行動 + 1日6回気分をきく( negative - positive) このデータからモデルを学習した。 f:id:ayakobaba:20200925094926p:plain

感想

モデルよりわかった結果(どういう行動をとったら機嫌よくなるか?)を知りたい。論文をよむか。

[Industrial Talks] Building a Reciprocal Recommendation System at Scale from Scratch: Learnings from One of Japan’s Prominent Dating Applications

Abstract

SBX テクノロジーのIndustrial Talks
Tapple マッチングアプリを作っているので、その相互推薦の話。Reciprocal Recommendationの 難しさはmutual であること、 dynamicであること。Cold start problem ( あまりLike 乱発しない)もあるので、ひとつひとつ紐解いてクリアしている。 f:id:ayakobaba:20200925100355p:plain f:id:ayakobaba:20200925100439p:plain f:id:ayakobaba:20200925100501p:plain

さらに、スケールさせないといけないので、DynamoDB → Sparkを AWS Step Function で構成するなど、システム面でも工夫しているよ。 f:id:ayakobaba:20200925100851p:plain

感想

マッチングアプリの仕組みをつくるのは面白いんだろうなあ。そして儲かるんだろうなあ。

RecSys 2020 (8) Day3 , Keynote 3

3つめのKeynoteIBM でWatson の開発に携わった人の話。この会社の人です。 juji.io

"You Really Get Me": Conversational AI Agents That Can Truly Understand and Help Users

TREND : Conversational Commerce transforms customer experience.
Conversational Recommender もだいぶ自然に応対できるようになってきた。

ここで、Juji Chat AIのDemo。みてほしいポイントは、推薦時の言葉「高品質の車がほしいんだね」 f:id:ayakobaba:20200924230723p:plain

応答を変えると、「あなたはthoughtful personだから prefer big, well-known brandsのこの車がいいのでは?」とサジェストしてくる。

Juji は"Active Listening" と "Personality Insights " を組み合わせてwording をしている。 f:id:ayakobaba:20200924231111p:plain

ここからは、ユーザーのパーソナリティをどう理解するかの話。パーソナリティとは? f:id:ayakobaba:20200924231258p:plain

推薦システムではパーソナリティが大事 : infer user implicit needs / capture changing needs
では、どうやってパーソナリティを推論するか?
心理学では伝統的にassesment(アンケート) によりパーソナリティ診断を行っていたが、いくつか課題がある。 そこで、"psycholiguistics"、つまりユーザの発話、作文から心理を計算する。

v1.0 では、ユーザにアンケート回答を正解とし、ユーザのテキストを入力とした回帰モデルを作成した。これで「文からパーソナリティを得る」ことが可能になったものの、最初の正解が信頼性が低いアンケートにより作成しているという課題が残った。

そこで、v2.0 では、Generalized Item Response Theory により、ユーザの作成した文をもとに潜在 traits をinfer するようにした。これにより、アンケートによらず自動的にパーソナリティを抽出できるようになった。

Personality とユーザ行動の関係をみていこう。パーソナリティといえばBig 5。Big 5 によりユーザの行動、ユーザのニーズを予測できるということが 心理学でわかりつつある。例をいくつか。 f:id:ayakobaba:20200924232453p:plain f:id:ayakobaba:20200924232613p:plain

なので、ユーザテキストからBig5を推論するモデルを作成する。モデルの評価は定量・定性で行った。評価ポイントは、ReliabilityとValidity。
モデルの推論結果に対して、インタビューなどをして評価した。

Personalityの応用はいろいろ考えられる。
f:id:ayakobaba:20200924233636p:plain

音楽の推薦も。音楽や本の説明文より、itemのpersonality を推論する。 f:id:ayakobaba:20200924233703p:plain

まとめ。最新のAI は行間もよむよ。 f:id:ayakobaba:20200924234332p:plain

くわしいことが知りたい場合は論文もみてね。 f:id:ayakobaba:20200924234513p:plain

Q&A では、Personality を推論するということ、推論されているということに対する気持ち悪さやプライバシーに関する議論があった。答えはない。

感想

徹底的に評価の方法を考え抜いているのが私たちになかったところ。

RecSys 2020(7) Day2 , Real-World Applications II

2日目最後のセッション。

From the Lab to Production: A Case Study of Session-Based Recommendations in the Home-Improvement Domain

Abstract

Home Depot との共同研究。Session based recommendation 、オフラインevaluation できちんと実力を評価できているのか?offline で成績がいいものを選び、Experts にもみてもらい、オフライン検証の効用と課題を検証する。まず、Session Based Recommendation を既存手法より4つ選出、これらの推薦結果を、Human Expert にラベルつけしてもらった。結果、オフライン評価とHuman Expert とは違う評価を下した。 f:id:ayakobaba:20200924144132p:plain

さらに、ABテストした場合、1. オフライン 2. Human Expert 3. AB テストで結果が異なった。

感想

オフラインテストでは難しいことは感覚的にそうかな、と思っていたので、違和感はない。ただ、オンラインは気軽にためせないのでオフラインテストのノウハウやバイアスは知見として溜めたいところだが。

RecSeats: A Hybrid Convolutional Neural Network Choice Model for Seat Recommendations at Reserved Seating Venues

Abstract

座席の推薦。席の好みって人によって違う。 どうする? 1. Classification メリット:わかりやすい デメリット:ユーザを区別していない 2. 推薦システム

f:id:ayakobaba:20200924145130p:plain

なんでCNNつかったんだろう f:id:ayakobaba:20200924145415p:plain

式の注釈が英語じゃなくて f:id:ayakobaba:20200924145538p:plain

実験はうまくいった。

感想

どのあたりに新規性があるのだろうか。

In-Store Augmented Reality-enabled Product Comparison and Recommendation

Abstract

AR でリアル店舗とオンライン推薦を融合する例。HoloLens で掃除機を推薦するシステムを動画つきで紹介。掃除機の属性がすぐわかる。 f:id:ayakobaba:20200924150103p:plain

他機種との比較も簡単。推薦は、機能の類似性と画像の類似性でスコアリングして提示。なにか批判するとそれが推薦に反映される。
この研究で検証したいことは新しいUXの可能性。ユーザテストを丁寧に、アンケートなどで調査し、ARでの推薦に関して検討して。 f:id:ayakobaba:20200924150759p:plain

感想

まだAR はオフラインの劣化版みたいになってしまう。新しい体験を提供できるか。オンラインの機能をARに全て移植するのではなく、何かを削ぎ落とさなければいけないのだと思う。あるいは、オンライン・オフラインにない情報提供を。 あとで読みたい。

Recommending the Video to Watch Next: An Offline and Online Evaluation at YOUTV.de

Abstract

ニュースなどの動画の寿命は短いので、それらを加味した「次なにみる」推薦をしたい。

f:id:ayakobaba:20200924151557p:plain

f:id:ayakobaba:20200924151852p:plain

f:id:ayakobaba:20200924152345p:plain

f:id:ayakobaba:20200924152458p:plain

感想

時系列はなんかやりたいけどなあ。なんかってなんだろう。

On the Heterogeneous Information Needs in the Job Domain: A Unified Platform for Student Career

Abstract

Talto の話。学生に仕事を紹介する話 Multistake holder / match making / cold start オーストリアの会社みたいです f:id:ayakobaba:20200924153323p:plain

CF とか Doc2Vec とか Solr とか、わりと親しみやすいシステム ICE4Rec

f:id:ayakobaba:20200924153836p:plain

感想

集中してきけなかった。IKEA

Balancing Relevance and Discovery to Inspire Customers in the IKEA App

Abstract

Insipiration Feed の話。20% up はすごい f:id:ayakobaba:20200924155732p:plain

感想

イケアの読み方はアイケア。