Blog - LINE ENGINEERING

TAG ARCHIVES: line-intern-ja

【インターンレポート】Positive-Unlabeled Learningを用いた位置情報とチェックインログに基づく滞在店舗推定
Ryo Shirai2023-03-06
ML Privacyチーム, Family Service Data Scienceチーム
はじめに　初めまして。大阪大学工学部4年の白井僚と申します。2022年の夏期インターンシップに6週間参加し、その後アルバイトとして勤務しています。期間中、ML PrivacyチームとFamily Service Data Scienceチームに所属し、「Positive-Unlabeled Learningを用いた位置情報とチェックインログに基づく滞在店舗推定」というテーマで研究に取り組みました。本記事では、私が行った研究についてご紹介します。また、本研究に関する論文は、第15回データ工学と情報マネジメントに関するフォーラム（DEIM2023）にて発表しました。背景　本研究では、リアルタイムに取得したGPSやWi-Fiなどの位置情報データから、ユーザが滞在している店舗を推定する「滞在店舗推定問題」に焦点を当てます。この推定によって、現在位置に基づくクーポン提供などの施策が可能になります。ただし、位置情報データには誤差があるため、この誤差範囲を考慮して、誤差範囲内に存在する店舗から実際にユーザが訪れた店舗を推定するための予測モデルが必要です。下図に、この誤差範囲とその中に存在する店
【インターンレポート】グラフベースで、機械学習を用いないニュース記事要約文の hallucination 検出
Tomoya Kurosawa2023-03-03
NLP開発チーム
こんにちは、黒澤友哉と申します。 2022 年 8 月 15 日から 6 週間、LINE株式会社の NLP 開発チーム（現在は NLP チーム）で就業型インターンシップを行ないましたので、その内容を報告していきたいと思います。私は東京大学情報理工学系研究科コンピュータ科学専攻の修士で、自然言語処理を専門としています。所属は谷中研究室です。 0. 概要本文に入る前に、このレポートの概要を書きます。以下の図はこのインターンレポートの背景と手法をまとめた図です。このレポートでは第 3 章で「言語モデルを用いた要約生成」、「hallucination」、「日本語のグラフ」について説明した後、第 4 章でグラフ生成手順と hallucination 検出の手法、第 5 章でビジュアライザを紹介し、第 6 章以降でデモと課題を説明するという構成となっています。図 0: 本インターンレポートの背景と手法の概要図。ニュース記事は「LINEで予約」、新たにカラオケ館全215店舗との連携を開始から抜粋。要約文は手元で作成、ビジュアライザは一部改変 1. はじめに自然言語処
- NLP
- line-intern-ja
【インターンレポート】光源環境を考慮した編集可能なNeRFにむけて
Hikaru Fujita2023-03-02
CVLチーム
はじめにこんにちは、東京大学情報理工学系研究科コンピュータ科学専攻修士一年の藤田光と申します。私は6週間LINE AIカンパニーのComputer Vision Labチーム（CVL) Virtual Humanユニットでインターンシップに参加させていただき、研究活動を行いました。今回私が期間中に取り組んだ多視点画像による光源環境の推定と、それによる編集可能なNeRFに向けた研究と実験についてご紹介します。問題背景近年NeRF[1]をベースとして多視点の画像から三次元のvolumetricな表現を学習する手法が多く研究されています。これは三次元空間内の各点の輝度を推定することで任意の視点の画像をvolume renderingするというのが主な手法ですが、空間内のすべての点を同様に扱うためオブジェクトごとに認識されているわけではなくオブジェクトを移動・追加させたり、不要なオブジェクトを消すことが困難です。いくつかの研究[4]ではオブジェクト毎に表現を学習することで編集が可能なNeRFベースのモデルが考案されていますが、どこか出力された画像は不自然に見えるものもあります。この原因は
- line-intern-ja
- Computer Vision
【インターンレポート】未知の語彙を含む画像に対して頑健なOCRモデル学習手法の提案
Shota Nakamura2023-02-24
Computer Vision Labチーム
はじめに 8/8から6週間の就業型インターンに参加しました、中村祥大と申します。私は東京工業大学大学院に所属する修士1年で、現在は深層学習の高速化に関する研究をしています。今回のインターンではComputer Vision LabのOCRユニットに所属し、その中でも特に、テキスト認識タスクの性能向上に関連するテーマに取り組みました。本レポートではその成果について報告します。背景今回のインターンで私はテキスト認識に関連するタスクに取り組みました。テキスト認識とは、与えられた画像に書かれている文字列は何であるかを認識する処理です。近年、深層学習モデルを用いたテキスト認識が台頭しています。しかしながら、そのようなアプローチには、学習時に登場していないテキストを含む画像に対する認識精度が低下するという問題（Vocabulary Reliance）が存在します。以降ではテキストの集合のことを「語彙」、「学習に用いる語彙」のことをIn Voc、「学習に用いておらず、実際の推論時に登場する語彙」のことをOut Vocと呼びます。実際のユースケースで登場しうるOut Vocの例として、「ana
【インターンレポート】6.7B日本語モデルに対するLoRAチューニング
Hao Wang2023-02-22
NLP開発チーム
はじめにこんにちは、王昊(オウコウ)と申します。現在、私は早稲田大学基幹理工学部情報理工学科4年で、河原研究室に在籍していて、自然言語処理の研究を行なっています。私は特にマルチリンガルに関する研究に興味を持っていて、多言語BERTの構築、漢文の日本語書き下し文の生成などの研究に取り組んでいます。 2022年8月上旬から6週間、LINE夏インターンシップ技術職就業型コースに参加させていただき、AIカンパニーのNLP開発チームにて「6.7B日本語モデルに対するLoRAチューニング」という課題に取り組みました。本レポートではその内容について紹介します。本レポートの内容は、2023年3月12日から沖縄で開催される、言語処理学会年次大会にて発表いたします。6.7Bモデルのファインチューニングなどのより詳細な情報はそちらで発表いたしますので、年次大会にご参加の方はよろしくお願いいたします。背景・目的近年、Wikipediaなどのテキストデータを使用した大規模な事前学習と特定のタスクやドメインへの適応(ファインチューニング)が自然言語処理において重要なパラダイムとなっています。GPT-3などの
【インターンレポート】自動テストを実装したら衝撃を受けた学生の話
Hibiki Takehara2023-02-01
QA Engineering1チーム（LFK）
はじめにこんにちは。福岡工業大学3年の嵩原ひびきです！QAエンジニアインターン生としてLINE Fukuoka株式会社に2ヶ月間お世話になり、ノンコーディングツールを活用したテスト自動化について勉強させていただきました。この記事では、期間中に学んだ内容について紹介していきたいと思います。 QA Engineering室(以下QAE室)について私は今回、QAE室という組織にお世話になりました。QAE室ではインターン受け入れの前例がなく、今回が初めてとのことでした。（受け入れありがとうございます！） QAE室は2020年にLINE Fukuoka内に設立された組織で、テストのみならず、要件定義・設計／開発なども含めた開発プロセス全体に関与して品質保証や改善業務に取り組んでいることが特徴です。なにをやったのか LINE社内向けの認証認可プラットフォームの開発プロジェクトに参画し、ノンコーディングツールであるMagicPodを用いてテストの実装・実施を行いました。 MagicPodとは昨今普及しているノンコーディングテスト自動化ツールの一種で、非エンジニアでも使える直感的なデザインが特
LINEのData Catalogの検索精度を大幅に改善した話
Taishi Eguchi2022-12-26
IU Devチーム
はじめにこんにちは。東京大学大学院修士1年の江口大志です。10月から12月にかけてのパートタイムジョブという形で、LINEでソフトウェアエンジニアとして働きました。今回はData Platform室のIU Devチームに所属し、LINE社内のData Catalogの検索精度の改善に取り組みました。本ブログではその内容について紹介します。背景 LINEでは、社内のデータ利活用を促進するためにInformation Universe（以下、IU）と呼ばれる内製のデータプラットフォームを利用していて、LINEのほぼ全てのサービスから生成されるデータが集積されています。図. LINEの内製のデータプラットフォーム（参考）現在IUでは、4万テーブルに約400 PBのデータが入っており、それらのデータは毎日150,000ものジョブで生成・変更され増え続けています「IU Web」は、IUのデータを安全かつ効率的に活用できるように、Data Catalogとして以下のような機能を提供しています。データの検索機能データの権限管理データのメタデータの管理機能（Data Linea
GraphQLにおける型の循環参照を使用したDoSの事前検知・可視化ツールの開発および社内への適用
Kazuki Takashima2022-12-20
アプリケーションセキュリティチーム
京都大学情報学研究科修士１回の髙嶋一樹と言います。今回、技術職就業型コースのインターンシップとして、セキュリティセンター配下の Security Assessment Team に 10/3 から 11/11 まで参加させていただきました。こちらでは自分が行った業務の内容紹介とそこで見つけた課題、その解決策と実際に行ったことについて述べたいと思います。（タイトルでオチていますが……）業務内容について今回配属されたチームである Security Assessment Team（旧 Application Security Team）は、セキュリティセンターの改組を受けて生まれた組織です。組織の業務内容としては大きくは変わらず、過去のブログにも書かれているように開発されたアプリケーションのリスクアセスメントや LINE Bug Bounty Program の運営などを行っています。このインターンでは、過去に見つかったアプリケーションの脆弱性を検証してみたり、開発されたアプリケーションのリスクアセス
- Security
- line-intern-ja
【インターンレポート】BERTの知識蒸留によるEnd-to-End音声認識の性能向上
Yuta Nishikawa2022-11-24
Speechチーム
初めまして。奈良先端科学技術大学院大学修士1年の西川勇太です。2022年夏にLINE株式会社の就業型インターンシップに6週間参加しました。インターンシップではAI開発室のSpeechチームに所属し、「BERTの知識蒸留によるEnd-to-End音声認識の性能向上」のテーマで研究を行いました。本インターンシップの内容は学会に投稿予定のため、本記事ではその一部の内容のみを紹介させていただきます。問題背景・目的近年、End-to-Endモデルによる音声認識手法が目覚ましい成果を上げており、注目を浴びています。この手法は、従来の音響モデル、言語モデル、発音辞書を組み合わせて構成されるモデルと比較して、シンプルなアーキテクチャでかつ、高い精度での推論を可能とします。このEnd-to-End音声認識モデルは大きく分けて自己回帰型のモデルと非自己回帰型のモデルの２通りのモデルがあります。まず、自己回帰型のモデルはAED（Attention Encoder-Decoder）モデル[1][2]やRNN Transducer[3][4]などがありまず。これらの自己回帰型のモデルは、各トークン間の依存関
【インターンレポート】LINE NEWSレコメンド記事判定処理の改修を通した学び
Yamamoto Yuma2022-11-22
NEWS開発1チーム
はじめにこんにちは、はじめまして。東京工業大学大学院情報理工学院修士1年の山本悠眞（Yamamoto Yuma）と申します！普段は認知神経科学の研究をしている私ですが、今回有難いご縁を頂き、9月20日から6週間LINEの技術職就業型コースのインターンシップに参加してきました。私は期間中NEWS開発1チームに配属され、案件の一つとして記事をレコメンドするかどうかの判別機能の改修を行いました。この記事では期間中に担当した案件や、LINE NEWS開発の案件を担当した経験を通して学んだことをご紹介していきたいと思います！内容に入る前に、先に私の開発経験を軽くご説明します。私は約1年間学生ベンチャーでPHPを使ったWebアプリ開発をしており、そこではスピード感を重視していたために仕様書を書く文化は全くなく、QAチームなどもいない状況でした。そのような中、私は世の中のエンジニアの方々が実際にどのようにプロダクトを開発しているのかを知りたいと思うようになり、特に以下の2点について知りたいと思い、今回インターンに参加させて頂きました。大規模プロダクトにおける案件の進行フロー一週間のエンジニ
- line-intern-ja
- Recommendation

1 2 3 4 5