6月1日付けでNature Japan株式会社の取締役CTOに就任しました。最初の営業日の6/3(月)からいきなり台湾出張に行ってきました。良いスタートアップ感。ついでに本日6月5日に39歳になりました。新たなチャレンジにワクワクしています。 大塚(@maaash)さん、村瀬(@typester)さんに続く3代目のCTOとなります。2人はカヤック時代の同僚でもありますが、カヤックのラボチームのダブルエースだった彼らの後任としてCTOをやるのは恐れ多いのですが、僕は組織づくりなど含めて僕なりに組織に貢献していきます。 当社はおかげさまでスマートリモコンのNature Remoが好調で、現在はNature Remo Eというスマートエネルギーハブの開発を進めているところです。今後は電力なども見据えて事業を展開していく計画で面白いフェーズにあります。 まだ、社員全員でも10人に満たない小さな会社

去年の秋の運動会で『ポケモンになった子どもたちをママやパパがモンスターボールで捕まえる』という親子競技をやったんです。以降、子どもたちはポケモンにはまっています。とくに塗り絵は大人気。思い思いの色を塗る子もいれば、お手本のイラストを参考に同じ色で塗ろうとする子もいて、その表現はさまざま。十人十色のポケモンになりました！ ずっとうがいを嫌がっていた子がポケモンの『きちんとうがいをしよう』のポスターを見て、自らコップを持ってくるようになってびっくり！子どもたちの主体性を育む保育を大切にしているので、子どもが自ら気づいて実行するきっかけになってくれるのはうれしいですね。

日本中ほぼ皆が知っているであろうに、私も今まで全く食べようと思ったことがなかったものがあった。 それが松ぼっくりであり、そのまんま松ぼっくりジャム。今週初めて耳にした。 なにやらロシアで食べられているとか。美味しい上に風邪に効くとかなんとか。 2017年6月現在pine cone jamで検索すると海外ではわりと該当ページが出てきます。 松ぼっくりなんて飾りやオモチャに使うくらいはあっても、私になんかにとっちゃ「キノコに化けてて紛らわしいんじゃ大賞」候補に毎年ノミネートされてくる程度の存在でしかない。 風邪に効くとか花粉症に効くとかそういうのは半ばプラセボだと思ってるので、知りたいのは美味いかどうかということです。 よくお菓子や料理に使われる松の実は、種子を風で飛ばす方法でなく動物に移動させてもらう方向に進化した松の種子。ここでは種子ではなくそれらが格納される松ぼっくり自体を使用します。

高知県と静岡県の干潟で見つかった生物を千葉県立中央博物館が分析したところ、化石でしか存在が知られていない甲殻類の「オオスナモグリ」である可能性が高いことが分かり、標本を公開することになりました。 「オオスナモグリ」は、固いハサミを持つ甲殻類で、関東の太平洋側から沖縄にかけての50万年から８万年ほど前の地層で化石が確認されているだけで、絶滅したと考えられてきました。 こうした中、３年前に高知県土佐市で、そしておととし静岡県沼津市の干潟で、それぞれ捕獲され、千葉県立中央博物館に持ち込まれた生物を駒井智幸主任上席研究員が分析したところ「オオスナモグリ」の可能性が高いことが分かったということです。 捕獲された生物は体長がおよそ10センチと、現在も一般的にみられる「二ホンスナモグリ」より1.5倍ほど大きく、ハサミの形の特徴などが「オオスナモグリ」の化石と一致したということです。 またＤＮＡの配列も一

BERT What?The little Sesame Street muppet has taken the world of Natural Language Processing by storm and the storm is picking up speed. We have seen a number of NLP problems solved by neural network architectures built on top of contextual representations of BERT. To name a few BERT based models have pushed the state of the art for SQUAD 2.0 question answering, GLUE multi task learning, Google na

こんにちは、リブセンスで統計や機械学習関係の仕事をしている北原です。今回はレコメンデーションで使う評価推定値計算の効率化に関する小ネタです。機械学習を実務で使うときのちょっとした工夫に関するお話です。実装にはJuliaを使います。 FM(Factorization Machines)をレコメンデーションで使う場合、各ユーザーに対してレコメンド可能なアイテムの評価推定値計算を行うため、ユーザー数とアイテム数が多くなると非常に計算時間がかかります。学習データで交差検証をしたりコンペで使ったりしているだけだとあまり問題にならないのですが、実務では結構問題になります。こういうのは実務の現場で個別に対処されているためか知見もあまり公開されていないようです。対処方法はいろいろあるのですが、ここでは計算方法を少し工夫することで計算量を削減する簡単な方法を紹介します。合わせて計算量の見積もりや計算量削減の

Employee Experience（略称 EX）という言葉がHR界隈でもてはやされて久しい。おそらくこの言葉を使い出したのはAirbnbの元Head of Employee ExperienceのMark Levyが最初だろうか。 ボードメンバーの中核に位置するヘッドがいわゆる旧来のHR領域だけの管掌にとどまらず、採用から退職するまで、要は従業員のライフサイクルやトータルでの就業体験（Employee Life Cycle = ELC） を一貫して良くしていこうと考えるのは、ある種「優秀な人材」こそが競争力に直結する昨今のテック業界の時代の必然であり、360度妥当性が高い。 しかし、大変めでたいことにこういった新しい概念がバズワードとして昇華すると、往々にしてそのテクニカルで表面的な側面のみが切り離しロケットのように高く舞い上がり、本来の本質的で重要なコンセプトが置き去りになってしまう

Practical Tips for Bootstrapping Information Extraction Pipelines