これまで、多くのSmartHRの社員と定期的に1on1を行なってきました。驚くことに、話をした全員が「入社前後のギャップがない」と話すんです。普通、採用のときって自社を良く見せようとするはずですが、SmartHR社は採用においても内情を正直に伝えていることの現れだと思う。 これはSmartHRの初期からの株主である前田ヒロの発言です。これまで4回に渡って、のべ100名の社員と1on1をしてもらいました。 第1回 全社員10名 第2回 全社員30名 第3回 社員50名のうち30名 第4回 社員120名のうち約30名 確かに、他のスタートアップと比較すると、入社前/入社後のギャップは少ないと思います。これは採用資料の公開をはじめ、内部情報を外部にもオープンにし続けた結果だと思います。 3〜4％の社員がギャップを感じている しかし、最近ではギャップが生まれ始めているようです。 入社後、2ヶ月たっ

こんにちは！経営企画の仕事をしているudonです。1年半前の見習いQA以来、2度目の文章です。今回は10X社内の会議のルールを整理し、そして全社員の未来のカレンダー予定を一旦全部消す、通称「ビッグバン」の第一回を実施したのでその背景や内容について書きます。 (イメージ) 10Xでは社内におけるコミュニケーションを大きく「同期」「非同期」に分けています。同期は会議や突発的な電話など同じ場にいることが前提であるコミュニケーションを指し、Slackなど非同期は必ずしも同じ時間での往復を前提としない文章やドキュメントによるコミュニケーションを指します。入った当初は「ドウキ・・？ヒドウキ？？」とドキドキしてた私ですが、2年も経つと慣れてしまいました。慣れって怖いですね。 話が長いという皆様の期待を裏切ることなく、タイトルにもなっているビッグバン(会議の全削除)の話にいくまで5,000文字嵩んでしまっ

いやー、まいったね。 入社して三ヶ月が経ちました @metalunk です。この三ヶ月は検索インフラの改善に取り組み、検索速度 10x, インフラコスト 80% 減の成果が出ました。この記事では検索インフラ改善でやったことを説明します。 ところで、検索インフラの改善ができるということは、先人たちが検索機能を作り、PMF してサービスが利用されるようになったおかげです。感謝して改善しましょう。 2021年12月の Stailer の検索 10X は開発不要でネットスーパーアプリを立ち上げられるシステムである Stailer を開発しております。Stailer での購入のうち 35% が検索経由で行われており、検索はとても重要な機能です。 しかし、2021年12月、増加するリクエストによるサーバー負荷の増大、速度の低下に悩まされておりました。一時的にサーバーを増やし、スケールアウトをすることで

ちゃんと生きてます。音ゲーも週1でやってます。たまには真面目な話も書こうと思います。 実は3〜4月のほとんどはメルカリでインターンしていました。 東京タワーがいい感じに見えた M2の春に何をやってるんだと言われるが、よくある物量で攻める就活よりはいい体験が出来たんじゃないかと思います。 就活で受けてる会社は他の人より大分少なそう… 様子を見に行きたかった 就活で学生は選ばれる側というのが通説ですが、多少なりとも選ばないと痛い目を見るのは自分です。 社風のような抽象的なもので各社がパブリックにしている情報はイイところだけなので、この会社のここがヤバイだとかここがイイだとか外部にいて分かるのは相当なバイアスがかかってるはず。 と思うので、ビビリだからすぐ中に入っておきたくなってしまう。インターンに行くと時間がかかるが3月から就活始めた訳でも無いし結果的に合理的だった気がする。 インターンについ

量子コンピューティングを使ったMercari Professional Internshipをはじめます！ Research & Advanced Tech Author: kimurashunya はじめに メルカリでは「世界で戦うために、まずは、世界を見てきてください。」というメッセージのもとUS・UKに100名の学生を派遣する Mercari BOLD InternshipやSXSW (サウス・バイ・サウスウエスト)に参加できる、Mercari BOLD Scholarshipといった制度があります。 この度、BOLD Internship, BOLD Scholarshipに続き、「世界で戦うために、新しい技術を使って、世の中に新しい価値を生み出す」ことを支援するインターンシップ Professional Internshipを始めます！ Professional Internsh

こちらは Mercari Advent Calendar 2017 の23日目の記事になります。 はじめに メルカリで機械学習エンジニアをやっている kumon です。 今年の10月に、出品時に画像認識によって、商品名・カテゴリー・ブランドの項目を自動的に埋めるという機能をリリースしました。 もちろん認識結果が得られない場合や、間違えることもありますが、作った本人も驚くような正しい結果を出力してくれることもよくあります。 この認識エンジンはまだまだ改善中ではありますが、画像を使った別の機能についても検討しておりまして、その一つが画像による商品検索です。 画像で画像を検索するためには、一般的に、画像をなんらかの方法でベクトル表現にして、検索対象の画像のベクトル集合から、クエリ画像のベクトルとの類似度がもっとも高いものを類似画像として抽出します。 しばらくはSIFTやHoGといった特徴表現が利

前口上 アメリカで就職できなかった。華々しい成功譚は見かけるが、夢と散った話はあまり表に出てこない。 なんというか「三振したバッターが相手ピッチャーのことを語る」みたいでまるっきり時間の無駄かもしれないが、もしかしたら参考になる人もいるかも知れないし、実際に就職した人に「お前のアプローチはまったく的外れだ」と言われるかも知れない。僕も何が悪かったのか教えてもらいたい気持ちもあるし、迷ったがこのエントリを公開する。 ちなみにめっっっっちゃ長いので、要点だけ知りたい人は、アメリカで就職するにはとにかく 就労ビザ＞技術力＞学歴＞＞＞＞＞＞＞＞＞＞＞＞（越えられない壁）＞英語力 だというのだけお伝えできればと思う。 アメリカで働くために英語を頑張るぐらいなら、それより大学（院）に入り直してコンピュータサイエンスの学位をとり*1、同時に技術力を磨くほうがよほど近道だと感じた。 それから、現職の同僚は

去年までは貧乏学生で，欲しいと思い買うかどうか迷ったものは買わないことにしていたが，社会人になり給料をもらえるようになったので，欲しいと思ったら気軽にポチることにしていた．おかげで2017年は Amazon で341,213円分の買い物ができたらしい．（2016年は37,400円しか使っていない...!!） 金額計算に使わせてもらった script はこちら Amazonで一年間に使った金額と、注文履歴のTSVを出力するブックマークレット【2015年版】 · GitHub 買ったことで生活が豊かになったぞと感じるものがいくつかあったので，せっかくだからここでオススメする． Pres'n Seal 幅30cm×長さ43.4m GLAD プレス＆シール（1本） 出版社/メーカー: Gladメディア: ホーム&キッチンこの商品を含むブログを見る これはアメリカのすごいラップみたいなやつ．これまで

こんにちは、 @snuffkin です。 こちらはDistributed computing Advent Calendarの12日目の記事となります。 qiita.com Elasticsearch6.0も登場し、使っている方も増えつつあるのではないかと思います。 進化が速く、どんどん機能が増えていますが、基本的なところを押さえるのも重要と考えています。 先日、Acroquest社内勉強会で「Elasticsearch as a Distributed System ～分散システムとしてのElasticsearch～」と題して Elasticsearchの分散システムとしての側面について話しました。 Elasticsearch as a Distributed System from Satoyuki Tsukano www.slideshare.net 資料の内容 ノードの種類 シャー

この記事は 数学とコンピュータⅡ Advent Calendar 11日目の記事です。 こんにちは、佐野です。12月といえば Advent Calendar の季節です🎄思いつきで 数学とコンピュータ Advent Calendar Ⅰ / Ⅱ を立ち上げたところ、嬉しいことに二つともすぐに満員となりました。エントリーして下さった皆さん、ありがとうございます🙇 僕は全3回でトポロジーの考え方と計算手法を、自作のプログラムを使いながら説明していこうと思います。 座標も補助線も使わない「やわらかい幾何学」 ← イマココ 切り貼りで作る色々な曲面 ... このシリーズを通して トポロジーは最高に自由で楽しい数学（の一つ）である ことをお伝えできたら幸いです！ 「やわらかい幾何学」って何？ 「コーヒーカップを、取っ手の輪っかを残すように変形するとドーナッツの形にできる。従ってコーヒーカップとド

Mercari Advent Calendar 2017の8日目はブロックチェーンについてです。 7日目は、@keita0qさんの tech.mercari.com でした。 「ブロックチェーン x 分散ファイルシステム」に興味がある方は、@stanakaさんの tech.mercari.com をご覧ください。 今日は、@zaq1tomoがサンフランシスコからお送りします。 はじめに 今回は、ブロックチェーンにおける主要技術のひとつ コンセンサスアルゴリズム（合意形成アルゴリズム）についての投稿です。 Proof of Work Proof of Stake Proof of Importance 他にも多くのアルゴリズムが提案されていますが、今回は最も代表的なBitcoinの Proof of Work（PoW） についてまとめたいと思います。 Proof of Work（PoW） W

思考実験として、全世界の人が同時に、自分の持っているコンパイラやインタープリタなどの実行ファイルをうっかり全部消してしまったとしよう。そうするとそれ以降、ソースコードが残っていても、コンパイラ自身も含めてどのようなプログラムもコンパイルできなくなってしまう。この状況から人類は元のコンピュータ文明を復旧することができるのだろうか？ 僕は結論としては、かなり簡単に復旧できると思う。ここではその手順についてちょっと考えてみよう。 コンパイラのバイナリファイルが全部消えてしまった後、復旧のために目指すべきマイルストーンは、おそらくCコンパイラを元に戻すことになるだろう。Cで書かれたプログラムはOSやコンパイラ自身を含めてたくさんあるので、そこを起点にすれば、たくさんのプログラムを芋づる式に復旧していけるからだ。 ほとんどのCコンパイラはCかC++で書かれている。最近のGCCやClangは巨大かつC

これはMercari Advent Calendar 2017 の2日目の記事です。 昨日は @stanaka の分散ファイルシステムはブロックチェーンの夢を見るか でした。 今回は@Hmj_kd が、メルカリの機械学習の取り組みや機械学習エンジニアの今年行ってきた活動のいくつかをご紹介したいと思います。 以下、一部にて機械学習をMLと略します。 この1年間で機械学習で取り組んだこと 私が入社したのは2017/01で、社内では二人目の機械学習エンジニアでした。 その当時は speakerdeck.com にあるように、プロダクトにMLに関するものはありませんでした。 現在は、チーム全体でマネージャも含めて約10人ほどの組織になり、活発に実験や開発が行われています。 いくつかを列挙しますと - 商品出品時の価格推定とサジェスト - 一部カテゴリについて商品タグの推定 - 商品出品時のカテゴリ

今年からメルカリでもMercari Advent Calendar 2017と称してAdvent Calendarを始めることとなりました。 初日は id:stanaka / @stanaka がロンドンよりお届けします。 分散ファイルシステムという言葉を聞くと、トラウマを刺激され、うっと頭を抱える人も多いかと思います。私もその一人で、以前にPBクラスまではいかずとも数TBのHDDを数百台並べたシステムのお守りをしたことがあり、日々壊れ続けるHDDに負荷に悲鳴を上げるメタデータDBなどネタには困らない状況でした。そういう時にAWS S3を触ると、「ああ、これは天国だ..」ともはや過去には戻れない思いをしたものです。 最近では分散ファイルシステムを運用しているところもめっきり減っていて*1もう過去の分野かな、と思っていたのですが、ここ数年で「ブロックチェーン x 分散ファイルシステム」という

なかなか珍しい ex-mixi(会社のOB/OG)によるAdvent Calendarの一発目をかます masartz です。 ミクシィは 2ホップ前の会社、現所属はメルカリになります。 どういうスタンスで書けば良いのかわかりませんが、各方面を考えてミクシィ時代から今に至るまで継続してることを述べていきたいと思います。 大規模であるが故の技術的な対策 mixiもメルカリも大規模と言って良いレベルのサービスで、そのための負荷対策はどのエンジニアにも求められるものです。 特にクラウドなインフラ環境が今ほど整っておらず、スケーリングに緻密な設計が求められたミクシィ時代に学んだ分散手法は今も活かされています。 ミクシィエンジニアなら、下記は L1分散作業 と表現すれば、その一言で伝わることでしょう。 tech.mercari.com こういった手法はサービス初期に用いられることは少ないでしょうし、

こんにちは、SRE の @masartzです。 今回は最近取り組んだ、メルカリの主要データベースの容量削減のお話をしようと思います。 TL;DR 主要データベースの容量を20%以上削減しました どういう状況だったか？　何をしたか？ メルカリでは2017年11月現在、出品数は1日100万件を超えています。 なので、単純に日々多くのデータが増えていっています。 そのためデータベースのスケーリングは常に検討し、取り組まなければならない課題です。 今回扱ったデータベースはいくつかあるデータベースの中で商品テーブルを持つ、メルカリの主要データベースになります。 増え続けるデータに対応するための、テーブル分割を変則的な形で対応したのでその過程を紹介します。 前提：データベース分割方法 メルカリのデータベースには 会員情報や商品情報など、基本要素となるデータから、通知やお知らせメッセージなど付加的な機能

§1. はじめに こんにちは こんばんは 久しぶりの投稿です。 タイトルはスーパーマン松本さんのアレから拝借しました: codezine.jp 今日はポエムを書きます。 なにか技術記事を期待してた方、もしいましたらすみません。また次回。 完全に僕の観測範囲での主観に基づいていますので、燃えるかもしれません。 この文書は you should do ではなく what I didがメインです §2. 背景 数学しか知らなかった僕がGunosyに入社して、約7ヶ月ほど経ちました。 数学しか知らなかった、と書いたものの「数学は知っていたのか」と言われるNOです。 3ミリぐらいしか知りません。 僕が機械学習エンジニアになった経緯は↓の２つの記事にだいたい書いてあります: mathetake.hatenablog.com gunosiru.gunosy.co.jp 7ヶ月がむしゃらに仕事をしてきて

さて、改めて今回の目的を確認しておくと、機械学習を使って東京都23区のお買い得賃貸物件を発見しよう、というものです。前回までの記事で、お買い得賃貸物件を発見するためのデータを収集し、分析にかけられるよう前処理してきました。 www.analyze-world.com www.analyze-world.com 今回の記事では、いよいよ機械学習を使って分析していきましょう。前回まではPythonを使っていましたが、この分析ではRを用いています。なお、コードはGitHub（https://github.com/ShoKosaka/Suumo）に上げておきますので興味ある方は参照ください。 最初に、データの中身をざっくり見ていきます。具体的には、分析のキーになるポイントをグラフにしながら、賃貸物件の現状や変数同士の関係性を把握していきます。 データ探索 まず、23区の中でどこが物件数が多いのかを