概要
https://zenn.dev/wwwave/articles/bcb4122c2f6ac6
詳細内容
## バイブコーディングで視聴数予測シミュレータ作ってみた
https://zenn.dev/wwwave/articles/bcb4122c2f6ac6
バイブコーディングを活用し、機械学習の知識がないエンジニアがアニメ視聴数予測シミュレータを迅速に開発し、コンテンツ調達業務の効率化を実現した。
**Content Type**: 📖 Tutorial & Guide
**Language**: ja
**Scores**: Signal:4/5 | Depth:3/5 | Unique:4/5 | Practical:5/5 | Anti-Hype:4/5
**Main Journal**: 83/100 | **Annex Potential**: 82/100 | **Overall**: 80/100
**Topics**: [[Vibe Coding, AIコーディング, 機械学習, 業務効率化, SageMaker]]
株式会社WWWaveのsaz氏が、機械学習の知識が皆無な状態から「バイブコーディング」を用いて、アニメ配信サービス向け視聴数予測シミュレータを開発しました。このプロジェクトは、新規配信候補作品の視聴数とロイヤリティを予測することで、コンテンツ調達業務の自動化と迅速化を図ることを目的としています。
従来の調達業務では、類似作品の選定が目視と調達者の感覚に依存しており、視聴数予測も過去データをGeminiに渡すブラックボックスな手法であったため、精度向上や調達プロセスの迅速化が課題でした。このシミュレータは、半年間分の視聴数予測とロイヤリティ算出を自動で行い、ベース、楽観、悲観の3つの予測シナリオを提供することで、調達担当者が効率的に意思決定できるよう支援します。
技術スタックにはAWS SageMaker、Python、pandas、scikit-learnが用いられ、特に意味的類似度検索にはsentence-transformersが活用されています。処理の流れとしては、まず作品メタデータをsentence-transformersでベクトル化し、コサイン類似度に基づいて類似作品を検索。次に線形回帰分析で会員数を予測し、サービス全体の視聴数を算出します。最終的に、類似作品の視聴実績から得たベンチマーク（平均値、上位25%、下位25%）を基に、予測会員数や月ごとの減速係数を加味して候補作品の視聴数を予測する仕組みです。
導入後、試運転段階ではありますが、従来の業務から1時間程度の時間短縮が見込まれており、週に1回程度の頻度で発生する調達業務において、大幅な効率化に繋がると評価されています。
開発では、外れ値やデータ量の不足（サービス開始1年未満）から適切な視聴数を出すことに苦戦し、当初はSageMaker Canvasでの自動モデル構築も断念しました。しかし、機械学習の専門知識がない状態でも、AIに細かく結果を伝え、課題を言語化して繰り返しフィードバックする「バイブコーディング」のアプローチにより、実用に耐えうるシステムを完成させることができました。著者は、AIの登場によって専門知識の基礎学習を省き、「とりあえず作って動かしてみる」ことが可能になった点を強調しており、今後も気軽に様々な開発に挑戦していきたいと述べています。