Blog

<h2>概要</h2>
今回CRE ML Teamによる、チャットメッセージにおける違反検知システムに関する研究「<a href="https://aclanthology.org/2022.ecnlp-1.8/">Textual Content Moderation in C2C Marketplace</a>」が、国際学会 <a href="https://aclanthology.org/">ACL</a>（The Association for Computational Linguistics）のワークショップである<a href="https://sites.google.com/view/ecnlp">ECNLP</a>に採択されました。
ACLは言語処理系における最も権威のある学会の一つであり、開催60回目である今年のACL 2022はアイルランドの首都ダブリンで開催されました。ECNLPは今回で5回目の開催となる、eコマースと自然言語処理に関するワークショップです。
<h2>発表内容のポイント</h2>
<ul>
<li>チャットメッセージの違反検知に機械学習システムを導入</li>
<li>違反検知精度を向上しながら、人力によるマニュアルチェック数の大幅な削減に貢献</li>
<li>メンテナンス性に優れ、継続的な精度向上が可能なシステムを構築</li>
</ul>
<h2>研究の背景</h2>
メルカリでは商品の購入手続き後、出品者・購入者間で、チャットによるコミュニケーションを自由に行うことができますが、誹謗中傷や脅迫行為などは迷惑行為として利用規約で禁止しています。しかし、迷惑行為に該当する可能性があるやりとりを全て事務局が目視でチェックすることは難く、違反行為を検知するシステムによる自動スクリーニングを行っています。
以前は、違反検知のためにキーワード検索などのヒューリスティックを用いていましたが、精度に限界がありました。しかし、出品者・購入者同士のコミュニケーションはトラブルに発展しやすく、違反を見逃してしまった場合のリスクが大きいため、違反検知の再現性（= Recall）を担保する必要があります。また、ヒューリスティックによるスクリーニングを通過したとしても依然として偽陽性は高く、膨大な会話量を人手でチェックしていました。
今回の研究では、このスクリーニングに特化した機械学習モデルを利用したシステムの 
導入により、再現性を担保したまま誤検知の数を減らし、結果的に人手によるチェックが必要な会話数を大幅に削減できることを報告しました。
<a href="https://aclanthology.org/2022.ecnlp-1.8/">Textual Content Moderation in C2C Marketplace - ACL Anthology</a>
<h2>研究概要</h2>
メルカリにおいて、購入者による商品購入手続き後、出品者・購入者は互いに自由にチャットメッセージを送信することができますが、そのテキスト内容はそれ以前に行われていた会話の文脈を引き継いで意味を成している場合があります。そこで我々は送信されるテキスト単体について、違反 / そうでないか、という予測を行うのではなく、それまでの会話の文脈も考慮した上で、推測を行う機械学習モデルを考案し、メルカリの本番環境へ導入しました。
モデル自体は非常に軽量に設計されており、メルカリでやりとりされている膨大なチャットメッセージ全てに対し、合理的なコストで推論を行うことができます。また、今後、利用規約で定められた禁止行為の内容が変化することも考えられるため、違反内容の種類ごとに追加・変更・削除を容易に行えるアーキテクチャを採用しています。機械学習システムによりスクリーニングされた会話は、その後モデレーションスタッフのチェックを受けます。この時の判定は真のラベルとして学習データに追加されます。こうして、違反検知システム内にフィードバックループが構成され、継続的な精度向上が期待できます。
なお、チャットメッセージの不正・トラブル防止観点での確認については、法令を遵守し、お客さまの同意を得たうえで行っております。
<h2>CRE ML Teamについて</h2>
CRE MLチームでは今回採択された論文以外にも複数の機械学習サービスを運用し、お客さまの安心・安全のために技術的な面からサポートを行っております。

メルカリAIチームの研究「Textual Content Moderation in C2C Marketplace」が ACL2022 ECNLP Workshopに採択されました

こんにちは、メルカリのレコメンドチームで ML Engineer をしている <a href="https://twitter.com/MLBear2">ML_Bear</a> です。 
普段はメルカリのホーム画面などに表示されるレコメンドパーツの改善を担当しています。今回はメルカリの莫大なユーザーログデータと、出品された商品に付与されているメタデータ(詳細後述)を活用したレコメンドロジック改善事例をご紹介します。
<h2>商品メタデータについて</h2>
メルカリではユーザーの商品検索体験を向上させるため、出品された商品に対して様々なメタデータを付与しています。ファッションアイテムだと色や生地感、家電だと型番といった、主として商品の属性をあらわす様々なデータをメタデータと呼称しています。 
今回、私は本やマンガに紐づいているメタデータ (以下、タイトルデータと記載) に着目しました。 
メルカリアプリ内では、本やマンガに商品が属するシリーズを表現するメタデータが付与されています。例えば「キングダム 1巻」「キングダム 2巻」「キングダム 25-50巻」「キングダム 全巻」といった商品には全て “キングダム“ というタイトルデータが付与されています。 
他方、メルカリではユーザーが閲覧した商品のログは全て記録されています。 
そして、そのログとタイトルデータを突き合わせつつ、Item2Vecというレコメンドの手法を利用することでユーザーの興味にあった本やマンガのレコメンドができないかと考え、改善を試みました。
<h2>Item2Vecの活用</h2>
自然言語処理で有名な手法の一つにWord2Vec[1]というものがあります。単語をベクトル化することで様々な処理を行えることを提唱した手法で、比較的枯れた技術であるものの、その汎用性の高さからか、現在も様々な研究や機械学習コンペティション等で利用されています。 
それを商品のレコメンドに利用できるように転用したものがItem2Vec[2]という手法です。 
実装も学習も比較的簡単なのですがそれなりの精度も出る、非常に使い勝手のいい手法のため、他社さんでも利用事例が紹介されています。ユーザーログが多くない場合は利用が難しいこともありますが、メルカリのように、莫大なユーザー数を抱え、膨大なログが日々蓄積されるサービスとは非常に相性がいいと個人的に思っております。 
今回は以下のような方法を用いてレコメンドロジックを作りました。
<ol>
<li>
作品ごとの類似度関係性の算出 (過去Nヶ月のデータを用いて月次でPython処理する) 
a. 過去Nヶ月で本やマンガの商品を閲覧したユーザーを抽出 
b. ユーザーの過去Nヶ月の商品閲覧履歴を収集 
c.セッションごとに分割し、タイトルの羅列を抽出する 
d.タイトルの羅列を文章、各タイトルを単語とみなして Item2Vec でタイトルのベクトルを算出 
e.タイトルのベクトルを利用し、タイトル同士の関係性 (cos類似度) を算出 
f.タイトル同士の関係性データをBigQueryに保管
</li>
<li>
ユーザーへのレコメンドの生成 (過去N時間のデータを用いて毎時BigQuery処理) 
a. ユーザーの過去N時間の商品閲覧履歴のうちタイトルデータが紐づけられるものを抽出 
b. 「ユーザーが閲覧した商品のタイトルに似ているタイトル」を算出 
c. ↑で算出したものを「ユーザーへレコメンドするタイトル一覧」としてBigtableに格納 
d. ユーザーがホーム画面来訪時、Bigtable内にレコメンドするタイトル一覧があればそのタイトルを検索してレコメンド商品リストとして表示
</li>
</ol>
<img src="https://storage.googleapis.com/prd-engineering-asset/2022/09/9e7796a9-figure_1-1024x684.png" alt="" /><center> 
Fig1. 商品閲覧ログにタイトルを割り振りセッションに分割するイメージ図
<img src="https://storage.googleapis.com/prd-engineering-asset/2022/09/3d14bef2-img_1-473x1024.png" alt="" /> 
Fig2. 今回作成したレコメンドパーツ「あなたにおすすめの本・マンガ」
</center>
レコメンドデータの生成や、アプリで表示する際のシステムについて詳細は述べませんが、概要は以下の通りです。全てGCP上で処理しており、Googleさまさまという感じです。
<ul>
<li>商品閲覧ログ周りのデータ処理はほぼ BigQuery で実行 (数億行のログデータを処理するのはBigQueryを利用するのがお手軽簡単)</li>
<li>Item2Vec の計算は Colab 上で Gensim を利用して処理</li>
<li>データパイプラインは Cloud Composer (Airflow) を利用し、毎時 / 月次のデータ処理を実行する</li>
<li>プロダクション環境でのデータストアはBigtableを利用 
<h2>Item2Vecの結果について</h2>
Item2Vecで計算した結果をいくつかご紹介します。 
以下、<a href="https://radimrehurek.com/gensim/">Gensim</a> で計算したモデルの most_similar 関数を叩いた結果を表示しています。(数値は類似度です)
</li>
</ul>
マンガ「ドラゴン桜」に似ているタイトル
<pre><code>1[(&#039;ドラゴン桜2 17 &#039;, 0.8193),
2 (&#039;エンゼルバンク : ドラゴン桜外伝&#039;, 0.6674),
3 (&#039;東大へ行こう : ドラゴン桜公式ガイドブック&#039;, 0.628),
4 (&#039;ドラゴン桜わが子の 東大合格力 を引き出す7つの親力 : 龍山高校 親力 特別...&#039;, 0.5366),
5 (&#039;ドラゴン桜公式副読本 16歳の教科書2 勉強 と 仕事 はどこでつながるのか&#039;, 0.5265),
6 (&#039;銀のアンカー : 内定請負漫画&#039;, 0.5145),
7 (&#039;アルキメデスの大戦 &#039;, 0.5118),
8 (&#039;部長島耕作 : バイリンガル版&#039;, 0.5098),
9 (&#039;インベスターz 全巻&#039;, 0.5034),
10 (&#039;ドラゴン桜公式副読本 16歳の教科書 なぜ学び なにを学ぶのか&#039;, 0.4913),
11...</code></pre>
三田紀房先生の作品が並ぶ中、入試関係の副読本が混ざっていたりしますね。私としても予期せぬ結果で非常に面白く思いました。
マンガ「正直不動産」に似ているタイトル
<pre><code>1[(&#039;不動産業者に負けない24の神知識&#039;, 0.5547),
2 (&#039;初心者から経験者まですべての段階で差がつく 不動産投資 最強の教科書 投資家1...&#039;, 0.493),
3 (&#039;クロサギ&#039;, 0.4731),
4 (&#039;世界一やさしい不動産投資の教科書1年生 : 再入門にも最適 &#039;, 0.4692),
5 (&#039;業界で噂の劇薬裏技集 不動産大技林&#039;, 0.4675),
6 (&#039;相続探偵&#039;, 0.4628),
7 (&#039;不動産の未来 マイホーム大転換時代に備えよ&#039;, 0.4405),
8 (&#039;クソ物件オブザイヤー&#039;, 0.4351),
9 (&#039;やってはいけない不動産投資&#039;, 0.4313),
10 (&#039;モンキーピーク&#039;, 0.4291),
11...</code></pre>
(正直不動産でも原作を手掛けられている) 夏原武先生が同じく原作を手がけられているクロサギが出てきました。やはり同じ作者というのは関連性が高いんですね。また、こちらもマンガが並ぶ中に不動産関係の普通の本が並んでいて面白いです。 
ちなみに相続探偵というマンガはこのテックブログを書いている今まさにこの瞬間に初めて知ったので、執筆を一旦止めて電子版を買って読んでみましたが、まぁまぁ面白かったです。正直不動産と作風が似ている感じも確かにしました。
小説「坂の上の雲」に似ているタイトル
<pre><code class="language-1[(&#039;翔ぶが如く">2 (&#039;世に棲む日日 全巻&#039;, 0.7067),
3 (&#039;夏草の賦 上下&#039;, 0.6681),
4 (&#039;梟の城&#039;, 0.6624),
5 (&#039;壬生義士伝 上下&#039;, 0.6594),
6 (&#039;花神 上中下&#039;, 0.653),
7 (&#039;関ヶ原 上巻 中巻&#039;, 0.6471),
8 (&#039; 織田信長 &#039;, 0.647),
9 (&#039;功名が辻 &#039;, 0.6468),
10 (&#039;徳川慶喜 最後の将軍&#039;, 0.6324),
11...</code></pre>
司馬遼太郎先生の作品がずらっと並んでいますね
小説「下町ロケット」に似ているタイトル
<pre><code>1[(&#039;下町ロケット ゴースト ヤタガラス&#039;, 0.9246),
2 (&#039;下町ロケット ヤタガラス ゴースト&#039;, 0.9115),
3 (&#039;株価暴落&#039;, 0.8829),
4 (&#039;新装版 銀行総務特命&#039;, 0.8819),
5 (&#039;花咲舞が黙ってない&#039;, 0.8758),
6 (&#039;仇敵&#039;, 0.8756),
7 (&#039;新装版 不祥事 &#039;, 0.8702),
8 (&#039;鉄の骨&#039;, 0.8686),
9 (&#039;金融探偵&#039;, 0.8614),
10 (&#039;銀行仕置人&#039;, 0.8589),
11...</code></pre>
こちらも池井戸潤先生の作品が並んでいます。メルカリで小説を探される方は、同じ作者のいろいろな商品をご覧になることが多いのかもしれません。
<h2>レコメンドロジックのABテスト</h2>
さて、Item2Vecが完成したので、(Book2Vecという名前もちゃっかりつけて) ABテストを回しました。 
メルカリではあらゆる改善をABテストで定量的に評価する文化が根付いています。ABテスト標準化の試みについては、同チームの yaginuuun が発表した資料もあるのでそちらも参考にしてください。(<a href="https://speakerdeck.com/shyaginuma/btesutobiao-zhun-hua-hefalsequ-rizu-mi">Slides</a>) 
結論としては、(具体的な数値は伏せますが) それなりに良い結果を出すことができ、自分の作ったレコメンドロジックは無事採用となりました。現在はホーム画面以外でも同じロジックを活用するべく、鋭意開発を行っているところです。 
自分が考えて実装したロジックが、数千万人が使うサービス上で動き続けることが決まった時の喜びは、メルカリのエンジニアとして働く醍醐味だと思っています。
<h2>We’re Hiring!</h2>
今後も引き続き、本やマンガ以外のメタデータや、その他にメルカリが抱えている膨大なデータを使ってレコメンドロジックの改善を行っていく予定です。 
普段からメルカリアプリを使ってくださっている方は薄々感じていらっしゃるかもしれませんが、メルカリのレコメンドロジックにはまだまだ手をつけられてないところがたくさんあり、改善の余地だらけです。 
莫大なアクセス量があるがゆえに、複雑なロジックは本番環境で利用できないと言った難しさがあるのも事実ですが、その反面、一発当てればものすごく大きな経済的価値を生み出したりもできます。これからもユーザーが良い商品に出会える仕掛けづくりをやっていきたいと思っています。 
少しでも興味を持っていただいた方は、僕にでも、周りのメルカリの知り合いにでも、お気軽にお声がけいただければ幸いです。ではまた。
<a href="https://apply.workable.com/mercari/j/3333DC5597/">Software Engineer, Machine Learning &amp; Search &#8211; Mercari</a>
<h2>参考文献</h2>
[1] Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Distributed representations of words and phrases and their compositionality. In Proceedings of NIPS 2013 (pp. 3111-3119). 
[2] Oren Barkan and Noam Koenigstein. 2016. Item2vec: Neural item embedding for collaborative filtering. arXiv preprint arXiv:1603.04259.

Item2vecを用いた商品レコメンド精度改善の試み

「MERCARI GEARS Lecture Series」は、株式会社メルカリをはじめとするメルカリグループ各社が、これから目指す方向や、技術的なチャレンジについて紹介するエンジニア向けの動画シリーズです。
今回のMERCARI GEARSでは、メルカリのEdge AIチームが開発する、iOSとWebのリアルタイム商品スキャン機能について紹介しています。
<center> 
<iframe loading="lazy" width="560" height="315" src="https://www.youtube.com/embed/cKBzwB5StLY" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe> 
Edge AI - Realtime Item Scan for iOS and Web [AI@Mercari] 
</center>
メルカリでは「AI出品」と呼ばれる、出品する商品写真をアップロードした際、そのアイテムのカテゴリやブランド、売れやすい価格などを提案する機能があります。
「AI出品」でレコメンドを行うには、商品写真を撮影・アップロードする必要があったのですが、今回Edge AIチームは、カメラを起動し、商品にピントを合わせた時点でアイテムのレコメンドを可能にしました。
より素早く・快適な出品体験を実現するために、近年のスマートフォンの進化を利用した計算コストの低いMLモデルを実現しました。その結果、計算サーバーと往復させることなく、スマートフォン上で直接提案を行うことができるようになりました。
学習モデルへの量子化の適応・推論を行うための処理時間・デバイスとの相性の改善、実装後のパフォーマンスモニタリングのツール開発…等、さまざまなポイントに関して工夫を行っており、動画内で詳しく解説をしております。ぜひご覧ください。

Edge AIチームが実現する、iOSとWebのリアルタイム出品スキャン

「<a href="https://medium.com/mercari-engineering" title="Making Mercari">Making Mercari</a>」は、メルカリのUS事業のエンジニアリングブログです。今後、「Making Mercari」に投稿されたAI関連の投稿について、本Webサイトでもご紹介していきます。
<hr />
今回は、メルカリUSのマシンラーニングプラットフォームのソフトウェアエンジニア・Abhishek Munagekarによる投稿を紹介します。本ブログポストでは、機械学習のトレーニングのためのコンピューティングリソースのコストを最適化した方法について紹介しています。具体的には、機械学習のトレーニング用のKubernetesクラスターのダウンスケールに課題があり、PodDisruptionBudget、専用のnode pool、Gatekeeper Assign CRDを組み合わせて利用することでそれを解決しています。
<a href="https://medium.com/mercari-engineering/how-we-optimized-our-machine-learning-training-infrastructure-costs-c2a64f7451bb" title="**How we optimized our Machine Learning Training Infrastructure Costs | by Abhishek Munagekar | Making Mercari | Apr, 2022 | Medium**">How we optimized our Machine Learning Training Infrastructure Costs | by Abhishek Munagekar | Making Mercari | Apr, 2022 | Medium</a> 
※こちらの記事は英語でのポストとなっています

メルカリUSで機械学習のトレーニングインフラコストを最適化した方法

Interview

<a href="https://ai.mercari.com/articles/ai/suadd_kimuras_1/">「AI出品、パーソナライゼーション… CEO 山田進太郎・Director 木村俊也が振り返る、メルカリのAI活用の歩み」</a>では、メルカリが2017年からリリースした「AI出品」「おすすめタイムライン」「画像検索」など、AI技術を搭載した様々な機能を振り返り、当時メルカリがAI活用を積極的に進めた背景や課題ついて、対話が繰り広げられました。本記事では、メルカリの考える循環型社会を達成するためのAI倫理、そして具体的な道筋について議論しています。
<h2>メルカリが「循環型社会」というキーワードにたどり着くまで</h2>
木村俊也（以下、木村）：メルカリはいつから「循環型社会」をキーワードとして掲げ始めたのでしょうか。
山田進太郎（以下、山田）：2019年9月頃からでしょうか。これまでも課題意識は組織としてもっていましたが、2019年の1月頃にESGに関する社内議論を本格的に開始。循環型社会はメルカリがど真ん中で取り組むべき課題であると感じました。まずは、メルカリとしてのマテリアリティの特定と、やるべきことの課題化を行い、第一弾のサステナビリティレポートを出しました。
メルカリの現在のお客さまの数は月間2,000万人以上。今後、3,000万人、4,000万人…と多くの方に使っていただけるサービスになるにあたって「あったら便利」を超えて「社会になくてはならない」存在になるべきだと考えています。そのために昨年以来有識者とのディスカッションを経て、我々のプラットフォームとしての思想や、マーケットプレイスの基本原則を定めました。メルカリが循環型社会への貢献責任を果たすことは、我々のビジネス上の成長にも繋がっていく、という道筋が見えてきました。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/02/4d2363c1-image1-1024x683.jpg" alt="" />
この数年で、コロナの影響もあって自然環境への関心は急速に高まっています。温暖化の進行や、大量廃棄も大きな問題になってきてます。資源を無駄に使っている状況は、社会全体で対応すべき問題ですよね。モノ自体が使えるうちは、きちんと循環させて使っていくべき、という世界になるべきだと考えています。そうした循環型社会において、メルカリがどう必要不可欠な存在になれるかを常に考えています。メルカリのサービスのどういう点が、今の社会に対してバリューを出せるのかを考えた時、「循環型社会」に対する貢献は、特に大きなキーワードになると思います。
<h2>145兆円分の差を埋めるために、解消すべき摩擦とは</h2>
木村：モノのリユースの加速という意味では、メルカリはある程度貢献していると思います。でも、進太郎さんにとっては、まだまだなのでしょうか？
山田：まだまだですね。食品などリユースでないモノも含めて、日本における販売総額は小売だけでも約年間146兆円なんですよね。メルカリの総取引金額は1兆円なので、1％にも届いていません。この差が表す通り、二次流通の市場に乗らず、廃棄されているものや、死蔵しているモノがまだたくさんあると考えています。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/02/1b4220f5-image5-1024x683.jpg" alt="" />
例えば、家にあるものがすべてデータ化されており、一瞬で出品が完了できたら、メルカリへの出品はさらに楽になりますよね。今はまだ色々と考えて、手間をかけないと出品できない。発送方法などもまだ複雑な面がありますよね。現状のそうした摩擦を取り除ければ、もっと出品が増える。メルペイがあることでお金のやりとりも、さらにシームレスにできる。「これを買うから、これを出品してみようかな」と、さらにモノが循環するサービスにできるのではと思っています。
今は売り買いを能動的にやらないといけないのですが、ここはAIが威力を発揮するところだと考えています。「これを買うなら、これを売ったら？」といったらサジェスチョンを行うなど。メルカリを通じて、資源の有効活用を進められれば、より循環型社会を加速化できますよね。
<h2>二次流通だけでは解決しない。一次流通との連携を進める背景</h2>
木村：循環型社会にAIが貢献するというのは非常にしっくりきます。メルカリのお客さまは、自分がほしいものは自ら検索するけど、潜在的に必要なものは能動的に探していなかったりする。そうした、お客さまが潜在的に必要なものをメルカリがAIを活用して示唆する。また、お客さまの手元にあるモノの需要を示唆することで、出品するチャンスも作れますよね。メルカリはCtoC、さらにはネットショップサービス「メルカリShops」の登場によってBtoCまでも領域を拡充しています。いまは個人間のフリマアプリを超え、巨大なマーケットプレイスになりつつある。より一層、売る側も買う側のどちらも加速しないと循環していきません。マッチングの数値はビジネス戦略上でも重要視しています。そして循環型社会に貢献していくためには、一次流通の方々のご協力も必須となります。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/02/569af45c-image3-1024x683.jpg" alt="" />
山田：そうですね。今後この課題に対応していくためには、二次流通のマーケットが発展するだけでは難しいと考えています。二次流通市場では、何が支持されているかといったデータを、一次流通に伝えていくアプローチも進めています。モノだけではなく、データも循環させた結果、メーカーの方々は必要なプロダクトを必要な量だけ生産し、お客さまはそれを使えるだけ使う世界に少しずつ近づけられるのではと考えています。
現在、メーカーの方々とのデータ連携も徐々に開始しています。まだまだですが、ある程度バリューを出せる部分が見えてきました。身の回りのモノのデータ化は二次流通だけでは難しいところがどうしてもありますよね。我々メルカリが、自分たちのフィールドで全部やるのではなく、カタログ(SKU)連携を含め、データプライバシーに配慮しながら、一次流通のマーケットとさらに繋がっていくことは必要不可欠です。
<h2>「AI倫理」をどう捉えるか。メルカリにおける倫理的課題</h2>
木村：AIの活用は今後もメルカリを発展していく上でとても重要なテクノロジーであることは議論できましたが、AI活用の検討と同じくらい「AIをどのように倫理観を守って扱っていくか」の議論も重要だと考えています。例えば、おすすめ機能についても、お客さまのプライバシーを侵害してしまうようなデータの扱い方や、不快に思われるようなことは推薦を行ってはいけないですよね。必要なことは推薦するけれど、不必要な情報は押し付けないなどです。
山田：不必要な情報を押し付けないのは大事ですよね。そして、今後さらに意識していきたいのは「人類のためになるかどうか」という点です。たとえそのお客さまにとって必要なモノであっても、メルカリはメルペイでお金の部分も扱っているからこそ、より高い倫理観を持つべきです。だからこそ、例えば、返済能力を超えて、借金までしてご購入していただく状態になってはならない。メルカリは売り買いのプラットフォームで、一見すると広告分野やSNSに比べて、倫理的な問題は発生しづらいですが、ビジネス上の成長のために、どんどん買わせる、という仕組み作りは憚（はばか）られるべき。そういう意味でも、メルカリにおけるAI開発は面白い経験ができる場所ですね。過去に、誰も考えたことがないような倫理的な課題にぶつかる可能性も高いと思います。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/02/f72b46c6-image2-1024x683.jpg" alt="" />
木村：最近でもAIの倫理観について社内で議論をしている時に、おすすめ機能というものは、お客さまが次に購入していただけるであろう商品を予測できますが、それがお客様にとって知られたくない趣味であったり、プライバシーを阻害してしまうような推薦をしてしまうと、お客さまにとって不快感や不信感を抱かせてしまうというセンシティブな問題も起こり得るという話をしていました。
山田：確かに、セレンディピティとレコメンデーションのバランスが極端に偏ると気持ち悪いですよね。メルカリのアクティビティだけが全てではないので。日常的にキャンプに行っているけれど、メルカリ上ではキャンプグッズを売買していないとかはあり得ます。どのお客さまにどういった商品をおすすめするのか、倫理観を要求される。これからの課題ですね。
<h2>データで本質的な価値に迫ることができる。メルカリでAIをやる面白さと道筋</h2>
木村：僕らは循環型社会を実現するために、AIで需要と供給を推定し、必要なものを必要なだけ届けることを目標に掲げて取り組んでいます。しかし、正直まだ道半ばです。AIのモデル作り、そしてパーソナライズの実験を高速に進める必要があり、今後も引き続き取り組んでいきます。
山田：やれることも、試したいこともいっぱいありますよね。ビッグ・テックのように大勢のAI/MLエンジニアがいるわけでもありません。一方、メルカリが扱っているデータには、お客さまが撮影した商品画像やキャプション、そして値段といった、お客さまとの距離が近い情報を多く持っています。こうしたデータを持っている会社やサービスは少ないので、イノベーションを起こせる可能性はあると考えています。
木村：普通のECとはデータの種類も性質も違いますよね。本質的なモノの価値が分かる、というのはメルカリでAIをやる上で非常に面白いポイントです。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/02/a8b8d5d0-image4-1024x683.jpg" alt="" />
山田：メルペイやメルカリShopsのデータも対象ですしね。今はデータ基盤も確立され、色々と面白い挑戦ができるタイミングだと言えます。メルカリのデータ・メルカリのサービスによって何ができるか、クリエイティブに考えなければならない。
同時に中長期で物事を捉え、そして失敗も許容できる組織です。ロングスパンでデータをつくり変えてたり、データ基盤づくりを進めたり、人材の意味では、インド工科大学（IITs） をはじめとした各国の新卒メンバーも多い。そういう環境では、MLエンジニアを育てる風土もあると思います。共通して言えることとしては、今すぐの効果ではなく。中長期で考えているということ。そのためにAI倫理など含めて腰を据えて取り組んでいきたいですね。
2017年から始まったメルカリのAI活用。UI/UX改善だけでなく、メルカリをより安心・安全に使える機能を開発・提供してきました。 
関連記事：<a href="https://ai.mercari.com/articles/ai/suadd_kimuras_1/">AI出品、パーソナライゼーション… CEO 山田進太郎・Director 木村俊也が振り返る、メルカリのAI活用の歩み</a>
そして今後はさらに「AIで循環型社会に貢献する」ことを目指し、新たなイノベーションを模索していきます。メルカリのAIチームは、さらなる挑戦を続けていきます。
Photo : Shun Nakayama (<a href="https://shunnakayama.myportfolio.com/">Web</a>/<a href="https://twitter.com/shunnakayama_">Twitter</a>) 
Text : Ayumi Iga (<a href="https://twitter.com/aymmm_i">Twitter</a>)

循環型社会に貢献するために。メルカリのAI技術が克服すべき課題 CEO 山田進太郎×Director 木村俊也

メルカリでは2017年〜2018年の間に「AI出品」「おすすめタイムライン」「画像検索」など、AI技術を搭載した様々な機能をリリースしました。これらは今でもメルカリのコア機能となっています。
では、その過程に何があったのか？メルカリがAI活用を積極的に進めた背景、当時の課題や組織変化について、代表取締役社長 CEOの山田進太郎と、Director of AI&amp;Searchの木村俊也が振り返ります。
<h2>メルカリにはもともとデータドリブンな意思決定の土壌があった</h2>
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/6dd58f3a-image1-1024x683.jpg" alt="" />
<div style="text-align: center;">木村俊也 Director of AI&Search</div>
木村俊也（以下、木村）：メルカリではこれまでもAIの活用に力をいれてきましたが、進太郎さんとしてはいつからAIを力をいれていくぞ、というスイッチが入ったんでしょうか。
山田進太郎（以下、山田）：メルカリはもともとゲーム開発をしていたメンバーが多く参加している会社でした。僕もZyngaという会社にいましたし、特にメルカリ創業当時はディー・エヌ・エーやミクシィから入社したメンバーも多くいて。ガラケーのゲームサービスをつくっていた時代から、スマホ文化に移行しても、引き続きデータを用いる重要性はみんなが感じていたんですよね。だからA/Bテストを行って、データドリブンな意思決定・プロダクト開発を行ってきました。
木村：進太郎さん自身の原体験からの影響もあるのでしょうか？
山田：Zyngaにいたころ、システム開発を進めるうえで、ボタンの色の選定や新しいゲームシステムの試行などにA/Bテストを積極的に活用していました。PDCAをまわすことでお客さまのリテンションが向上したり、売上も上がるなど、ビジネス上のインパクトを実感していました。メルカリをリリースした2013年当時は、まだBigQueryもなかったのですが、データエンハンスメントは最初から行っていましたね。それらのシステムを活用して、より付加価値が高いデータの活用法が見えてきて、その中にAIと機械学習（マシンラーニング）もありました。
木村：それはいつ頃の出来事ですか？
山田：AIの中でもディープラーニングの積極的な活用が世の中に広く認知され始めたのは2015〜2016年頃だったと記憶しています。自分たちもAIを使って色々な機能を開発できるのでは？と考え、開発を開始し、2017年にはAI出品など、機械学習を取り入れたプロダクト開発を開始しました。
<h2>AI活用が進んだきっかけは、中国企業のデータ活用を目の当たりにしたこと</h2>
木村：進太郎さん自身が、個人的にAIの力を感じ、積極的にAI利活用を進めたいと考えられたのは何かきっかけなどもあったんでしょうか。 
山田：社内の動きを振り返ると今お話ししたような流れですが、個人的には、中国で様々なサービスがAIを活用していたことが強く印象に残っています。当時はメルペイの立ち上げ期で、中国に限らず、色々な国のFinTechサービスのリサーチに行くメンバーが多く、社内で数多くレポートあがってきていました。2017年の夏には、私も入社前の青柳（青柳直樹・メルペイ代表取締役 CEO 兼 株式会社メルコイン代表取締役 CEO）と中国を訪れました。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/1581af58-image5-1024x683.jpg" alt="" /> 

<div style="text-align: center;">山田進太郎 メルカリ代表取締役CEO（社長）</div>

その後、日本でもTikTokで有名になるByteDanceでは、头条（トウティアオ）というディープラーニングを活用してパーソナライズされたニュースサービスを展開していました。日本だとSmartNewsに似たサービスですね。美団（メイタン）は食べログのようなグルメサイト、大衆点評（ダージョンディエンピン）を展開し、その後は食品デリバリー、さらにライドシェアへ進出。どちらもAI活用が進んでいました。百度（バイドゥ）による検索サービスもすごかったですね。
彼らに共通していたのは、利用者のデータを集め、そのデータをビジネスストラテジーの中心に据え、どう活用できるか、何ができるか考えてサービスを展開していた点です。美団（メイタン）の場合、食品デリバリーのバイクの走行データなどを用いて、ライドシェアに参入したところでした。
当時見た中国で勢いのある会社が、優れたデータ活用を行っている、データカンパニーだったことで「こうするといろんな事業展開ができるんだ」という実感を持てました。WeChatPayやAlipayなどを見ても、この先に新しい金融の形ができるのでは、と。
木村：たしかに、2017年当時の中国企業のデータ活用は衝撃がありましたよね。
<h2>「おすすめタイムライン」「AI出品」メルカリのコア機能の実装を開始</h2>
木村：メルカリでのAI活用はまず、「AI出品」という機能が開発されました。これは写真を撮影すると、商品の情報のサジェストし、さらには値段の推定までも行ってくれる機能です。世の中にインパクトを与え、今でもこの機能がメルカリのいいところだという声もあるほど、便利な機能だと感じています。進太郎さんは当時どう感じられたのでしょうか。
山田：まず単純に「AIってここまで来ているんだな」と感じました。商品を携帯で撮影し、商品やブランドの識別、さらに値段の推定まで行うものでした。機能の概要を聞いた時は、正直そこまでの精度は出ないだろうと思っていた自分がいました。しかしプロダクト側の提案を受けて実装を進め、実際の機能を触ってみたところ、想定以上に精度が高く出ており、本当に驚きました。画像認識の技術をきちんと実装し、メルカリにマッチする形で機能に落とし込む。実際に、出品画面が表示されてから、出品完了するまでの出品完了率も明確に向上しましたね。この一連の経験を経て、これからにさらに技術投資の必要性を感じました。
<iframe loading="lazy" width="560" height="315" src="https://www.youtube.com/embed/NHxc2m3SEL8?controls=0" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>

<div style="text-align: center;">AI出品機能の紹介動画</div>

その後は、タイムラインに表示される商品の並び順をパーソナライズする「おすすめタイムライン」の実装を行いましたよね。当時メルカリはタイムラインはすべての商品カテゴリを新着順で表示するだけだったんですが、お客さまの閲覧履歴から興味のあるジャンルを推定して、タイムラインに出す機能をリリースしました。この機能は非常に効果があり、総取引金額の面でも大きなインパクトがありました。
木村：自分が買いたいと思えるモノの一歩先、あるいは斜め先のようなサジェストをしてくれるのがAIの醍醐味ですよね。
山田：AIの良いところは、人間によるルールベースの表示順を構成するわけではなく、様々なデータを扱って処理を行い、適切なアウトプットを自動で導くことができる点だと考えています。どのセグメントのお客さまに対して、どのカテゴリの数字を変えるのか。反応が優れない時にはどう調整するのか。そうした複雑なオートメーションを行えるのが、AIの優れた点です。头条（トウティアオ）や美団（メイタン）がやってきた、パーソナライズサービスにもアイディアを受けています。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/2f7d3cdf-image4-1024x683.jpg" alt="" />
<h2>急拡大する組織ではあえて足並みは揃えず、必要な時にシナジーを生む</h2>
山田：木村さんが入社された当時、組織面はどんな状況でしたか？
木村：僕が入社した2017年7月、当時はエンジニア今ほど多くありませんでした。まだAIチームもなかったですね。AIを活用した開発は、現在はMLエンジニアとして活躍していますが、以前はバックエンドエンジニアが開発を担当していました。AIチームができたのは2018年初頭だったと記憶しています。違反検知やAI出品・写真検索・プライスサジェスチョンや、US版メルカリの重量推定や配送方法推薦といったさまざまなプロジェクトにAIエンジニアがアサインされていました。
当時メルペイもできたりと、組織としては大きくなりつつも、同時にプロジェクトは細分化していました。MLエンジニアも、メルペイやUS版メルカリといった各組織に所属が分かれていきました。そうした中で、AI開発の足並みをあえて揃えず、各組織で開発を進めていきました。連携を密にするあまり、開発が遅くなるよりも、それぞれの組織が独立して開発を進めつつ、ゆるくつながる。スピードを重視しつつ、必要な場面でシナジーを生む。メルカリのサービスが多様化・グローバル化する状況の中で、それぞれの組織がAIを活用した開発を行うこの状況は非常に面白いなと思っています。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/3caec9fc-image3-1024x683.jpg" alt="" />
<h2>AI活用を進める上で大きな課題となった、データ整備のプロジェクトとは</h2>
山田：当時から考えるとかなり人も増えましたよね。今は数百人というエンジニアが所属しています。A/Bテストの枠がいっぱいになってしまい、コンフリクトしはじめてしまった時期もありました。その頃から、A/Bテストの自動化は必須だなと課題に感じていたんです。また、そのフェーズに至るまでにデータ取得の仕組みが整理されていることは、極めて大事だなと感じました。
2019年当時、メルカリはすでに、多くのお客さまに使っていただいているサービスに成長していたのですが、 データの取得方法が統一されていなかったり、データの保存箇所がばらばらであったり、といった課題がありました。その後、データ取得体制を刷新するためのプロジェクトを開始しましたよね。
木村：きちんとしたデータ基盤の整備は2019年頃に初めて取り組みましたね。背景として、データドリブンな意思決定を促進したり、AI開発の期待値が高まっていたことから、データの正確性や即時性を高める必要性が全社的にも高まっていた。AI活用やデータドリブンな意思決定を強化するためにも、現状メルカリの取得しているデータの構造や取得方法を再整備する必要が生まれたのです。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/222f69c7-image6-1024x683.jpg" alt="" />
当時は、分析の柔軟性を重視していたために、データの保存がかなり自由で簡単にできる仕組みでした。そのため、大量なデータがデータベースに保存されるようになって、データのメンテナンスやマネージメントが徐々に困難になってきたのです。データマネジメントについても議論が起こっており、リーガル観点、エンジニア観点、アナリティクス観点でそれぞれのステークホルダーに独自の意見がある。そんな中でメルペイの開発も開始し、状況はかなり複雑化していきました。
これは現在でも全社的に取り組む必要がある＝ステークホルダーも非常に多い課題です。次期メルカリジャパンCEOのJeffが取りまとめを行いって、実装を進め、全社的なコンセンサスを得て、その後はデータの取得法や保存方法が統一され、かつリアルタイムにデータを保存ができる、より堅牢性が高いデータプラットフォームとなりました。さらに現在はデータガバナンスも整えるプロジェクトが全社的にも進んでいます。
<img src="https://storage.googleapis.com/prd-ai-asset/2022/01/a7895e3d-image2-1024x683.jpg" alt="" />
関連記事： 
<a href="https://ai.mercari.com/articles/ai/suadd_kimuras_2/">循環型社会に貢献するために。メルカリのAI技術が克服すべき課題とは CEO 山田進太郎×Director 木村俊也</a>
Photo : Shun Nakayama (<a href="https://shunnakayama.myportfolio.com/">Web</a>/<a href="https://twitter.com/shunnakayama_">Twitter</a>) 
Text : Ayumi Iga (<a href="https://twitter.com/aymmm_i">Twitter</a>)

AI出品、画像検索… CEO 山田進太郎・Director 木村俊也が振り返る、メルカリのAI活用の歩み

「MERCARI GEARS Lecture Series」は、株式会社メルカリをはじめとするメルカリグループ各社が、これから目指す方向や、これから取り組む技術的なチャレンジについて紹介するエンジニア向けの動画シリーズです。
今回のMERCARI GEARSでは、メルカリのTnSチーム（Trust and Safetyチーム）が開発する、モデレーションシステムの構築について焦点を当てて紹介しています。
<center> 
<iframe loading="lazy" width="560" height="315" src="https://www.youtube.com/embed/STmIHmDCnfI" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe> 
Violation Detection Using Machine Learning at Mercari [AI@Mercari] 
</center>
モデレーションシステムとは、あんしん・あんぜんなマーケットプレイスを提供するためにCS（Customer Success）チームが使用するシステムで、マーケットポリシーに違反する可能性があるアイテムを機械学習を用いて検知しています。
より安全なマーケットプレイスを実現するために、モデレーションシステムのシステムアーキテクチャ・マーケットポリシーごとの別々のモデル・CSと連携したリクエスト処理等の工夫をしており、動画ではその説明をしていますのでぜひご覧ください。
関連プロジェクト： 
<a href="https://ai.mercari.com/projects/auto-content-moderation-for-trust-safety/" title="http://あんしん・あんぜんのための自動違反検知">あんしん・あんぜんのための自動違反検知</a>

あんしん・あんぜんなマーケットプレイスのために 機械学習を活用した違反検知

「MERCARI GEARS Lecture Series」は、株式会社メルカリをはじめとするメルカリグループ各社が、これから目指す方向や、これから取り組む技術的なチャレンジについて紹介するエンジニア向けの動画シリーズです。
今回のMERCARI GEARSでは、メルカリのCRM（カスタマー・リレーションシップ・マネジメント）MLチーム*が、機械学習や因果関係の推論を活用し、より良いマーケティング体験の提供、またキャンペーン効果を向上させる方法について紹介しています。
*現在はMarketing Data Scienceチームに名称変更
<center> 
<iframe loading="lazy" width="560" height="315" src="https://www.youtube.com/embed/g1r67WFVKUU" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe> 
Optimizing Marketing Campaigns using Artificial Intelligence [AI@Mercari #1]</center>
メルカリのクーポン配布の効率は、クーポン配布のセグメンテーション定義に機械学習モデルを取り入れたことで、大きく改善されました。メルカリのAIチームでは、AIを活用してより良いカスタマーエクスペリエンスを実現するための実践を行っています。
関連プロジェクト： 
<a href="https://ai.mercari.com/projects/eaf0a7f389/" title="顧客満足度を高め、マーケティング活動を効率化するためのUplift Modelingの適用">顧客満足度を高め、マーケティング活動を効率化するためのUplift Modelingの適用</a>

CRMへのAI活用〜より良いマーケティング体験の提供とキャンペーン効果を向上させる方法について

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025​の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

メルカリAIチームのブログです。AI技術や組織にまつわる情報などを日々発信していきます。

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

Articles

メルカリAIチームの研究「Textual Content Moderation in C2C Marketplace」が ACL2022 ECNLP Workshopに採択されました

Item2vecを用いた商品レコメンド精度改善の試み

Edge AIチームが実現する、iOSとWebのリアルタイム出品スキャン

メルカリUSで機械学習のトレーニングインフラコストを最適化した方法

循環型社会に貢献するために。メルカリのAI技術が克服すべき課題 CEO 山田進太郎×Director 木村俊也

AI出品、画像検索… CEO 山田進太郎・Director 木村俊也が振り返る、メルカリのAI活用の歩み

あんしん・あんぜんなマーケットプレイスのために機械学習を活用した違反検知

CRMへのAI活用〜より良いマーケティング体験の提供とキャンペーン効果を向上させる方法について

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025​の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025​の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025​の口頭発表に採択されました

メルカリAIチームの研究「LLMOps for Eval-Driven Development at Scale」がFOSSASIA Summit 2025に採択されました

メルカリAIチームの研究「Strategic Coupon Allocation for Increasing Providers’ Sales Experiences in Two-sided Marketplaces」がKDD2024 TSMO 2024 Workshop採択されました

メルカリAIチームの研究「LLMs as an Interactive Database Interface for Designing Large Queries」がSIGMOD 2024のHILDA Workshopに採択されました

メルカリのMLチームは組織課題をどう解決してきた？エンジニアが社内横断Guildを立ち上げた話

Articles

メルカリAIチームの研究「Textual Content Moderation in C2C Marketplace」が ACL2022 ECNLP Workshopに採択されました

Item2vecを用いた商品レコメンド精度改善の試み

Edge AIチームが実現する、iOSとWebのリアルタイム出品スキャン

メルカリUSで機械学習のトレーニングインフラコストを最適化した方法

循環型社会に貢献するために。メルカリのAI技術が克服すべき課題 CEO 山田進太郎×Director 木村俊也

AI出品、画像検索… CEO 山田進太郎・Director 木村俊也が振り返る、メルカリのAI活用の歩み

あんしん・あんぜんなマーケットプレイスのために 機械学習を活用した違反検知

CRMへのAI活用〜より良いマーケティング体験の提供とキャンペーン効果を向上させる方法について

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

メルカリAIチームの研究「Vision Language Modelを用いたEコマースプラットフォームにおける画像推薦の性能改善」が画像の認識・理解シンポジウム MIRU2025の口頭発表に採択されました

あんしん・あんぜんなマーケットプレイスのために機械学習を活用した違反検知