Depop の導入事例

Depop は、ユニークなファッションのマーケットプレイスを通じて、ショッピングの新たな選択肢を提供しています。既存の PaaS テクノロジーの限界に到達し、AWS に移行しました。AWS により、Depop は機械学習を重視して、新機能をすばやく反復、デプロイ、スケールアウトすることが可能になります。

Depop の売りは、若い世代がユニークなファッションを見つけて、購入し、販売できるコミュニティ主導型のソーシャルショッピング体験です。Depop は循環型を謳った新しいショッピング体験の提供を通じて、持続可能な目的主導型のファッション業界を構築することを目指しています。

その成長と、将来必要となる新しい機能をサポートするために、Depop はすべてを AWS に統一するべく移行を行いました。スタートアップ初期から 2,500 万人のユーザー (アクティブユーザーの 90% が 25 歳未満) を抱える近年の成功に至るまで、米国、英国、オーストラリアの主要マーケットで年率 130% の成長を遂げています。

Depop は 2 年半ほど前に AWS に移行しましたが、当時は既存の「サービスとしてのプラットフォーム (PaaS)」テクノロジーが限界に到達していました。「PaaS のプロバイダーは、スケーラビリティの限界、アプリケーションスケール時の柔軟性の欠如、フルマネージドが原因のソリューション構築方法の限界など、複数の課題に直面していました」と Depop の技術およびデータの最高責任者である Remo Gettini 氏は語っています。

Depop のアプリケーションおよびサービス部門のディレクターである Robert Erdin 氏は、Depop には、管理性とコスト効率の高いインフラストラクチャも必要であったと付け加えています。

Depop は課題を克服するために、AWS ソリューションアーキテクチャへの移行を実行しました。これらの課題には、各種のコスト節約を理解して確実に監視および適用するほか、さまざまな AWS のサービスの成熟度を理解することも含まれていました。

もう 1 つの課題は、アプリケーションデベロッパー向けの再利用可能で安全かつ簡単な抽象化を提供することと、デベロッパーに対するプロビジョニングインフラストラクチャへのダイレクトアクセス許可を付与することの正しいバランスを見つけることでした。

AWS の利用により、Depop の多くのチームが Depop のアプリケーションで同時に作業できるようになりました。チームの数は当初の 2 チームから 8 チームへと増加し、まもなく 10 チームになります。これにより、Depop の新サービスの開発、テスト、デプロイ能力が大幅に改善されました。Depop のデータサイエンスおよび機械学習 (ML) 責任者の Clemence J. Burnichon 氏は、AWS によりチームに柔軟性がもたらされ、インスタンスクラスターが 2 から 25 に拡張されたと語っています。

AWS は Depop の急速な市場成長にも対応しています。Amazon Simple Storage Service (Amazon S3) と統合された Amazon CloudFront コンテンツ配信ネットワークは、イメージとビデオのディストリビューションをサポートし、この拡張を促進するために不可欠です。

Deep は ML ワークロード向けの AWS ML サービスをフル活用しており、Depop のサービスは ML によってますます強化されています。Depop が直面している主な技術的課題に、1 つとして同じ商品のない、増え続ける在庫の管理があります。同社は、Amazon S3 ベースのデーターレイクソリューションを活用して 2,500 万項目の広範な在庫や取引を管理し、Amazon Kinesis Data Firehose や Amazon Managed Streaming for Apache Kafka (Amazon MSK) を一部活用してデータをストリーミングしています。

視覚認識技術との組み合わせにより、ML アルゴリズムは、サイズ、色、ブランドなど各種の方法でデータレイクに保存されているアパレル商品を分類し、Depop のパーソナルショッパー検索やレコメンデーションサービスをサポートしています。

Depop はデータレイクに保存されているデータ分類のメリットを活用するために、Amazon Elasticsearch Service のモバイルアプリケーションへの導入を計画しています。これにより、きめ細かい検索管理が可能となり、長期的に ML アルゴリズムが強化されます。

データレイクと併用されている Amazon 技術は他にも、クリーンでパッケージ化されたデータバージョンを作成する Amazon Redshift データウェアハウスや、データへの迅速なアクセスを可能にする Amazon Athena インタラクティブクエリサービスなどがあります。

これらの AWS ツールを自在に使用することで、Depop ML チームは新しいディープラーニングモデルを迅速に反復処理することもできます。Burnichon 氏によると、ML チームは現在、本稼働で 1 時間に合計 150 万のメッセージを処理できる約 30 の ML モデルを持っています。

これらのモデルは Amazon SageMaker および Amazon EMR によってサポートされ、インデックス作成や関連性などに使用されています。また、抽出、変換、ロード (ETL) プロセスには AWS Glue が使用されています。

AWS により、Depop は「さらにきめ細かなバックエンドサービスへと移行したことで、エンジニアリングチームを大幅にスケールアップし、より多くの機能を同時に処理できるようになりました」と Gettini 氏は説明しています。

Depop は Amazon Elastic Kubernetes Service (Amazon EKS) を使用してモバイルアプリケーションをサポートするコンテナ用サーバーレスコンピューティングを提供し、開発チームが新しい本稼働サービスを即日デプロイすることを可能にしています。Erdin 氏によると、AWS により「インフラストラクチャへのアクセスが容易になる」とのことです。これにより、開発チームは技術的負荷を負うことなく、安全な方法で新しいことを簡単かつコスト効率に優れた方法で試すことができます。「どんな用途であっても、AWS のサービスだけで事足ります」と Erdin 氏は言います。

AWS により、成功したサービスやアプリケーションには、本稼働へ移行するための適切な環境が既に備わっています。Erdin 氏によると、Depop は 100 以上のサービスを稼働しています。

もう 1 つの大きなメリットは、Depop がAWS の専門家にアクセスできることです。Erdin 氏は、AWS ソリューションアーキテクチャに質問を投げかけることで、アイデアの障害を取り除けることを例に挙げています。AWS は入門レベルの AWS やクラウドに関するセッションから、特定の技術に関する専門的なセッションまで、Depop で頻繁にトレーニングを行っています。

Gettini 氏にとって、AWS 導入による Depop の最大の功績は、「インフラストラクチャの維持に数人の専任エンジニアが携わっているだけで、9 つの機能横断型チームに所属する 100 人を超える製品およびエンジニアリング組織をサポートできる」ことです。

「これは、私がキャリアをスタートさせた 30 年ほど前と比べると、驚くべきことです」。