こんにちは。ラップボットプロデューサーの @masaki925 です。 今年もこの季節がやってきました、毎年恒例のラップボットです。 昨年は流行りのBERT に手を出して痛い目を見ましたが、今年も懲りずにやっていきたいと思います。 ラップの強さと韻の飛距離 私の目標の1つは強いラップボットを作ることです。 では、強い、とはなんでしょうか？ 韻の硬さ、フロウの柔軟さ、エモいバックグラウンド、色々あると思いますが、 ライムのクオリティを測る指標として、韻の飛距離という概念があります。 こちらの記事が参考になります。 https://news.1242.com/article/209776 R-指定：「A」という言葉と「B」という言葉で踏もうとしたら、「A」と「B」の言葉の響きは近ければ近いほどいい。でも、その内容がかけ離れていれば離れているほど、韻として面白いというか。 ... (中略) ..

こんにちは、本記事では弊社のカジュアル面談についてライトに書いてみました。文字数は5800字程度ですので読了には5~10分ほどを要すると思われます。 対象読者 Quipperのカジュアル面談に来てみようと思っている方 他社のカジュアル面談がどのような感じか知りたい方 言うまでもないかもしれませんが弊社のやり方が唯一の正解ではありませんし、完成形でもありません。とはいえ現時点で獲得しえたカジュアル面談のノウハウを世に出すことで業界全体の採用活動のレベルの底上げに寄与していきたい気持ちがあります！ カジュアル【casual】［形動］格式ばらず、くつろいでいるさま。 カジュアル面談とは? 初めに言葉の定義を合わせていきます。 弊社 Quipper は面接・面談をより良いものにするために東京オフィス採用面接ガイドというものを公開しています。（同ガイドに関しての詳細はより良い面接を実現するために "

VP of Design をしております @daitorii です。本記事は2019年9月14日に開催された UX MILK Fest 2019 の登壇内容を噛み砕いたセルフ解説ブログとなります（話が長くなりそうなので、グローバルの話は割愛させていただきました）。 はじめに 勉強は面倒くさいものです。私はそう思います。興味のある領域において、知らないことを知る/知識をつけること自体は大好きなんですが、勉強と聞くと途端に面倒くさい。その過程が面倒に感じてしまう。 大切なのは、学習サービスが「面倒なこと」をやり続けてもらわなければいけないものと認識すること、だと私は思います。勉強自体がやりたいことではなくそれは手段であり、ユーザーが欲しいものを手に入れるための過程なのです。 人間は「現在」を過大評価する 「今すぐもらえる10万円」と「1年後にもらえる11万円」どちらを選びますか？ 目の前に10

計算機による自律的な学習を目指す機械学習や, 大規模情報源からの知識発見を実現するデータマイニングの理論について, 教師付き学習, 教師なし学習を中心に理解する.

こんにちは、@masaki925 です。 今年の4月からQuipper のデータプロダクト開発グループ(以下、データチーム) にジョインしており、今回が初投稿となります。 今回は、とあるプロジェクトにおいて私が体験した約1ヶ月間の社内留学についてご紹介します。 なお、入社1ヶ月後にすぐ社内留学というややアクロバティックな動きにより、入社の感想と社内留学の感想がやや混ざっていることは予めご了承ください。 もくじ はじめに 経緯 社内留学の枠組み 印象に残ったエピソード 初日から渡りに船 思い立ったがペアプロ日和 留学先に貢献できていないモヤモヤ感 領域横断機能の困難を物理で殴る 無事リリース 改善点は、「時期」と「比重」 まとめ はじめに 先にこの話のポイントを挙げておきます。 社内留学しなくてもプロジェクトの推進はできたが、やって良かった/悪かったこと とは？ 社内留学するだけでうまくいく

ペアプロ・モブプロ、スキルマップ、1-on-1等々… チーム開発にまつわる各論・方法論・話題をよく見る昨今、関心の高まりは歓迎さるべきことながら つまるところそれらが現実のどのような問題を解決していくのか？ どのように相互作用するのか？ これらが有機的に結びつくことで現実のどのような問題を解決していくか？ こうした疑問に答えたり、具体例とともに記した記事はさほど多くないのではと思います。 本記事では昨年度に筆者のチームが約7ヶ月携わったプロジェクトにて、プロジェクト特性に起因する不確実性と我々がいかに戦ったかを記します。チーム開発を行う方にとってこの記事が実りあるケーススタディとなれば幸いです。*1 なお、本記事では以下のことは本旨とは逸れるため割愛させていただきます。 プロジェクトの機能的側面 技術的不確実性 各取り組み単体の詳細 はじめに / プロジェクトの雰囲気を伝える図 この記事で

はじめに 多くの組織が抱える課題 PMなしでも回る組織にしていくためには 具体的に何をする？ チームに移譲できたら、PMいらなくない？ はじめに プロダクトマネージャーは責任が大きく、やりがいがある一方で「自分がいないとプロダクトの成長が止まる」というプレッシャーに追われがちです。 組織として、PMなしでもプロダクトを継続的に成長させるにはどうすべきかを考えていきます。 多くの組織が抱える課題 多くの組織の課題としてBizサイド、Devサイドのコミュニケーションや期待値、納得感の問題というのがあると思います。 Bizサイド エンジニアリング、開発フローなどがわからず、バックログの管理をするのが難しい。大きな工数がかかる 期待してくれているほど開発者がオーナーシップ持ってくれない エンジニアからの事業、プロダクトに対して前のめりな提案がなくて、何かモヤモヤする 開発速度が妥当かどうか、わから

はじめまして。 データーリサーチエンジニアの @bwtakacy です。 私は、データ分析やAI技術を活用して学習をサポートする仕組みや機能の研究開発を行うチームに所属しています。 今回は、研究開発の取り組みの一つをご紹介したいと思います。 英単語学習に新しい「目線」を 早速ですが、以下の二つの画像を見てください。 英単語の意味を答える問題をPC上で解いてもらった時の目線の動きをヒートマップと経路として表示したものです。 一つは、あまり目移りせずに正解を選んだパターン。 もう一つは色々迷ったパターンです。 どうでしょうか。自分の感覚と照らし合わせてみて当たっていますでしょうか。 あくまで象徴的な例ですので、個人によったり、体調によったり、と毎回このようなはっきりとした違いが出るとは限りません。ですが、大まかな傾向として、目線の動きを見ることで「どれくらい解答に迷ったか」を推定することができ

はじめまして、データエンジニアリングチームの @toohsk です。 今回は、データの民主化を推進するために導入した Looker 社の Lookerbot という Slack ボットをご紹介します。 Lookerbot ってなによ Quipper では、先の記事「エンジニアを魅了する次世代 BI ツール『Looker』を Quipper が導入した理由（わけ）」でご紹介したように、BI ツールとして Looker を導入しています。 BI を導入した後、Slack などでの会話上でグラフやモニタリングした数値を共有したいと思うシーンはよくあると思いますが、Looker ではそのような用途のために Lookerbot と呼ばれるボットを公開しています。 Lookerbot が提供する主な機能は Look （Looker におけるデータを可視化するコンポーネントの最小単位）に対する、下記の二

課題発見力、判断力、説得力――大復活のJAL社員は、何を学んだか。 リーダーの資質をいかに身につけるか 「一国は一人を以て栄え、一人を以て滅ぶ」と言います。つまり、リーダーによって組織は発展したり衰退したりするのです。いい組織には必ず素晴らしいリーダーがいます。立派なリーダーは、自分たちの組織の目的を明確にし、さらにその目的に向かうための価値観を部下と共有し集団を引っ張っていきます。 では、どうすれば素晴らしいリーダーになれるのでしょうか。 1番大事なことは「己を虚（むな）しゅうする」、つまり自分を捨てることです。リーダーが利己的な考え方を少しでも持つと組織は正しく機能しません。ですから、リーダーはフェアで公明正大な心を持ち、全身全霊で組織に命を吹き込まなければなりません。あらゆる集団のリーダーが、強い使命感を持ち自分たちのビジョンに向かって、純粋な心で打ち込めば、企業経営はもちろん、政治

新R25は、いま注目のビジネスパーソンが集結する「ビジネスバラエティメディア」です。「シゴトも人生も、もっと楽しもう」をコンセプトに、R25世代のみなさんが一歩踏み出すあと押しをするコンテンツをお届けします。

※この記事の中身自体は、こちらにお引越しです。興味があれば読んでみてください。

Criteoの事業の核を担うのは、機械学習です。当社は、広告を表示させたいときの選択や、個別の製品レコメンド、バナーの概観・雰囲気の最適化（当社は、製品カタログを利用している各パートナーに合わせ、当社独自のバナーを自動生成しているため）を、機械学習を使って行っています。Criteoのモットーは、「パフォーマンスがすべて」であり、できる限り良いパフォーマンスを発揮するために、Irmaと呼ばれる大規模な分散機械学習フレームワークを築き上げてきました。Irmaは、モデルの改善を模索する際、稼働中やテスト中にも使用できるものです。 図1：当社予測チームのロゴ。（photo credits Baba from Dragon Ball） 当社が解決できる問題 これまでの運用型広告では、クリック予測がすべてでした。少し前のことです。それ以来当社は、クリックされたかどうかの予測から、数少ない販売コンバージ

TensorFlowとは2015/11/9にオープンソース化されたGoogleの機械学習ライブラリです。この記事ではディープラーニングと言われる多層構造のニューラルネットワークをTensorFlowを利用して構築しています。 TensorFlowはPythonから操作できますがバックエンドではC++で高速に計算しています。macのPython2.7系環境でTensorFlowの上級者用チュートリアルを行い、手書き認識率99.2%の多層構造の畳み込みニューラルネットワークモデルの分類器を構築したときの作業メモです。特別な設定なしにCPU使用率270%メモリ600MByteとちゃんと並列計算してくれました。MNISTランキングを見ると認識率99.2%は上位のモデルとなるようです。 TensorFlowチュートリアル TensorFlowの初心者用と上級者用チュートリアル2つに取り組んでみました

PyConJP 2015にて発表 https://pycon.jp/2015/ja/schedule/presentation/61/

オープンソースフレームワークであるApache Spark、およびそのエコシステム（周辺ソフトウエア）であるMLlibを活用することで、高速かつ柔軟な機械学習処理を実現できる。本稿では、Apache Sparkを用いた機械学習の特徴や歴史を紹介する。 Apache Sparkとは？ 本稿では、「ポストHadoop」の最右翼と言われているApache Sparkのエコシステムである、MLlibライブラリを用いた機械学習システムについて説明する。 オープンソースソフトウエアであるApache Sparkは、2014年2月にApacheのトップレベルプロジェクトに昇格したほか、ビッグデータ分野のリーディングカンパニーである米クラウデラがサポートを行うなど、安定的な発展が見込まれている。 Apache SparkはHadoopと同じく、計算処理を分散環境で並列実行するための基盤である。RDD（Re

HashiCorp Cloud PlatformA fully managed platform to automate infrastructure on any cloud with HashiCorp products.

11/1(水)11/2(木)11/7(火)11/8(水)11/9(木)11/10(金)ジャンルから探す 本年のフォーラムは終了しました。 eラーニング大賞 応募者及び 講演・スポンサー 企業募集