Machine Learning Team Building Pitchに参加してきました[資料あり]
Machine Learning Team Building Pitchに参加してきましたので、 感想と資料共有エントリになります。
会場はこんな感じ
目次
- LT1 データとやりたいことがないのに機械学習屋を採用するな / 私たちはこうやっていまのチームを作り上げた
- LT2 顧客に価値を提供する “ラボ” チームとは
- LT3 クックパッドと研究開発部門（特に機械学習周り）について。
- LT4 AI・機械学習立ち上げ(2017年7月)から中長期計画(2021年3月)-採用、チーム構成、プロダクト、マネジメントについて。
- パネルディスカッション
LT1 データとやりたいことがないのに機械学習屋を採用するな / 私たちはこうやっていまのチームを作り上げた
本日の発表資料を公開しました！ | データとやりたいことがないのに機械学習屋を採用するな / 私たちはこうやっていまのチームを作り上げた https://t.co/TT39MKhwsa
— Ryusuke Takahama (@r_takahama) 2019年3月28日
メモ
- その会社にあるデータはなんなのか(そのデータの強み、弱み)、それをどうしたいか、を明確にすることがまずは基本
- データ収集が先！モデリングがあと！
- 研究室にパイプを作ってそこから学生を引っ張ってくる
- チーム初期は強みが被らない様にする(マネジメント、数学、実装...)
研究室にパイプを作ってそこから学生を引っ張ってくるってすごいですね、弊社もそれやりたい...
LT2 顧客に価値を提供する “ラボ” チームとは
スライド up しました。パネルディスカッション、ワクワク！ / https://t.co/3H5wT2eLuh #MLTBP
— taison (@taison124) 2019年3月28日
メモ
- データ分析、機械学習を中心にやることが多すぎる
- 他のチームに依存せず、協力できる関係を作る。価値提供のためのフィーチャーチームを作る
紹介されていた参考図書
大規模スクラム Large-Scale Scrum(LeSS) アジャイルとスクラムを大規模に実装する方法
- 作者: 榎本明仁,木村卓央,高江洲睦,荒瀬中人,水野正隆,守田憲司
- 出版社/メーカー: 丸善出版
- 発売日: 2019/01/30
- メディア: 単行本（ソフトカバー）
- この商品を含むブログを見る
LT3 クックパッドと研究開発部門（特に機械学習周り）について。
メモ
- クックパッドに入っても論文はかけます！
- 2016年に研究開発部門ができた
- 機械学習系メンバーの人数には限界があると思っている。それは全体の10%前後と思っている。
- 詳しくはクックパッド開発者ブログみてね
紹介されていた参考図書
- メディア:
- この商品を含むブログを見る
LT4 AI・機械学習立ち上げ(2017年7月)から中長期計画(2021年3月)-採用、チーム構成、プロダクト、マネジメントについて。
今日のLTの資料を公開しました。本番までに追記していく予定です。質問があれば追記するのでメンションください。https://t.co/x4UjG7mbqV#MLTBP
— nishiba (@m_nishiba) 2019年3月27日
メモ
- エムスリーのAIチームはML engではありません。
- 目指すチーム
- ◯十億円規模の利益貢献を目指す
- 強いって何
- 高い専門性と広い周辺知識、エンジニアリング力...
- 強い人が無名のチームに入るわけはない。
- 外部へ向けて情報発信をする。登壇準備ドリブンで。
- 強い人と面白いプロダクトを作りたい！と思ってもらえる様にする
- 最初のプロダクトを成功させることが重要
- スモールで始める
- 2番目のプロジェクトは1番目と近い領域に。
- 優秀な人事がとても重要
自身が強くなることと、優秀な人事を見つけることがキーだと感じました。
パネルディスカッション
抜け漏れあると思いますので...
Q.機械学習エンジニアって他のエンジニアと違うの？デプロイ等々の分担ってどうしてる？
Q.採用は大変？
- 採用はめちゃめちゃ大変です。エンジニアリングとサイエンス力が両方高い人はなかなかいないので。どちらかが高い人を採用してもう片方は入社してから伸ばして欲しいと考えている。(@taison124)
Q.スクラムやってますか？
Q.中途半端な知識を持っている人からチームを守る方法は？
- 会社の規模によるが、きちんと戦えば良いと思う。(@r_takahama)
- 自分たちで全部できる様になる。中途半端な人の知識を凌駕する。または、その人と相乗効果を出せる状況を作ることが大事だと思う。(@m_nishiba)
Q.できる様になった時にやめちゃう問題について
- 魅力的なチームを作るしかない。でもやっぱりは辞めちゃう人はいる。キャリアアップしてくれるならそれで良い。(@m_nishiba)
Q.機械学習人材の年収バブルへの対処法は？
Q.ドメイン知識を持った上で、プロダクトの課題抽出が重要だと考えているが、これはどなたが考えているのか
- 半分は多部署、半分は自分たち。(jharashima)
- プロダクトマネージャーの勉強をしている。誰がどこをやる、ではなく全員が考えていくことが大事だと思う。(@m_nishiba)
Q.MLチームの目標設定について
Q.多くのエンジニアはお金(利益)を目標にすることに抵抗感があるのでは？
- 利用者数に置き換えたりもしているが、自分の成果がお金で示される方が楽で良い(@m_nishiba)
Q.ポテンシャル採用はどんな軸で評価しているか。
- 次の世代を背負ってくれる人かを想像する。自分から興味を持ってなんでも取り組んでくれる人。(@taison124)
- ML系人材に関しては、そこまでMLに詳しくなくても良いと思っている。エンジニアリングの素養がしっかりしていれば問題ないと感じている。精度1%をあげることも大切だが、タスクの設計の方が重要と考えている。(jharashima)
当日の質問はここSlidoにあります。
終わりでーす！
誤記/誤解釈があればtwitterまで指摘お願いします。
