配達とモビリティ / 配車と配達
Grab：複数の推薦サービスに共通するユーザーモデル
- 企業
- Grab
- 国
- 分類なし
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
Grabの推薦モデルは業務ごとに個別に設計したユーザー特徴に依存していた。各チームが食事注文、配車、支出などの情報を別々に処理する必要があり、アプリ内の行動順序も十分に捉えられなかった。複数サービスで再利用できるユーザー表現が必要だった。
使った技術とデータ
Grabは取引とユーザー属性の表形式データ、閲覧やクリックなど時系列の行動データを共同学習するTransformer型ユーザーモデルを構築した。データ種別ごとのadapterと順序処理により、長期的傾向と直近の意図を表すembeddingを抽出する。Rayによる処理はCPUのデータ準備とGPUのモデル実行を分離し、毎日数百万人のアクティブユーザーのembeddingを更新して複数の下流モデルに提供する。
成果
Grabは広告最適化、dual app予測、不正検知、離脱確率予測がすでにこのモデルの恩恵を受けていると説明した。各チームは共通embeddingを既存モデルに入力し、新しいモデル開発にも再利用できるようになった。原文は開発時間の短縮と予測改善を説明するが、サービス別のオンライン実験値や削減額は示していない。
限界と残る課題
業務別の精度、オンライン実験の効果、費用削減の数値は確認できない。全サービスのデータフロー統合や対象となる実体の拡大は今後の改善計画である。
出典
- Grab | 여러 추천 서비스의 공통 사용자 모델engineering.grab.com, 確認
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。