入社エントリ / 開発部門 松村 諒磨
本記事はGoalsアドベントカレンダー2023の12/13の記事です。
こんにちは、Goalsで機械学習エンジニアをやっている松村諒磨です。
主張に関しては入社して3か月(試用期間が終わったばかり)の私からの視点であることを念頭に読んでいただければと思います。
これまでの経験
大学、大学院と物理学科に在籍し、非平衡統計物理学と計算機物理が専門でした。
学部生では「時間の向きは何故一方向なのか」を数理物理とコンピュータシミュレーションの文脈から理解しようというモチベーションで研究を行い、修士時代は小数多体系の化学反応ダイナミクスに興味を持ち、これも数理物理とコンピュータを用いた研究を行いました。
学部生の時に、何か対戦ゲームを始めたいと思い、競技プログラミングやKaggleを始めたのが、研究以外でのがっつりとしたプログラミング経験です。AtCoderという競技プログラミングサイトでは全世界のユーザ中上位5%程度でした。
大学院卒業後は、研究も続けつつ、生産活動をして暮らしていきたいなと思い、競技プログラミングの界隈で知り合ったスタートアップ企業で業務委託をさせて貰いながら、研修生という制度を使って大学に残りました。業務委託では画像認識、3次元点群処理、経路探索アルゴリズムの研究と開発に携わらせていただきました。
結果的には働いてみると開発は楽しく、エンジニアとして働くことに好意的になり、じゃあ正社員として働くか〜と、自社開発とSESを7:3ぐらいでやってる大阪のベンチャー企業に入社しました。業務委託と正社員の二足の草鞋の装着時代です。
そちらでも自社開発として画像認識を1年半程度、そこからSESとして大阪の家電メーカーの現場に出てデータ分析や分析基盤をAWS上に作成する、といったことをやっていました。
エンジニアとして数年間やってみて、なんとか落ち着いてきたな〜と思ったので、ここらで一発環境を変えて、東京でも行ってみるか！と思い、転職して飛び立っていった同僚からのおすすめで某転職サイトに登録してみたのが、現職であるGoalsとの出会いです。
Goals入社の決め手
前述のとおり、某転職サイトでスカウトしてもらったのがGoalsとの出会いでした。
最初は「とりあえず話だけでも聞いてみるか〜タダだし」みたいな軽い気持ちでカジュアル面談を設定したのですが、CTOの多田さんの熱量が凄く、「なんか面白そうやん」と思い、興味を持ち始めました。
某転職サイト、競技プログラミング界隈、友人からの紹介等色々あったのですが、「より身近で、よりインパクトのあること」を観点に考えると、Goalsという選択はアリだな、と思い、選考に進みました。飲食店の需要予測アルゴリズムの社会実装とか、チャレンジングが過ぎると思いませんか。
オファー面談も含め、全部で5回程面談を設定していただいたのですが、配属先となるであろうAIチームマネージャーの山口さんとの面談は1時間弱の予定が、気付いたら1.5時間話してるなど、みなさん話しやすくて、働きやすそうだなと思った記憶があります。
他にもなんやかんやはあったのですが、結局は、私は興味駆動で人生をやりがちなので、最初に感じた「なんか面白そう」が正直一番の決め手かもしれません。
3ヶ月経って
3ヶ月経って思ったことは、社内のみんながそれぞれ、自分事として業務に取り組んでいること。
Valueにもあることなのですが、「全員が作り手」であり、常にみんながプロダクト、会社を良くしようという意識をもって働いていることかなと思います。色々なタイミングで他部門の情報共有があるので、GoodもBadも踏まえて知見を取り込みやすいかなと。
また、入社が浅い自分にとっては、部活やGoals BeerBashなど、社員間のコミュニケーションが活発におこなわれており、溶け込みやすかったなと思います。Confluenceにみんなの自己紹介ページがあり、その方との会話の種になるのも助かってます。
ちなみにAIチームはデイリーのミーティングに1時間の時間を割り当てているのですが、全員の進捗確認が終わって時間が余れば10分ほどちょっとしたおしゃべりタイムが始まります。ビバ雑談！
プロダクト面でいうと、まだ5年のスタートアップなので当然ではあるのですが、まだまだ育てられるな、と。前職のSESと違い、プロジェクトが終わったら「ハイ！さよなら！」ではなく、腰を据えて向き合えるのでやりがいはとても感じています。
今やっていること
AIチームはHanzoの推論精度全般に責任を負っています(多分)。
主な開発の流れとしては、データ分析と、そこから得た知見を用いて精度改善の仮説を立てることからスタートし、実装と精度検証を繰り返すことで、実際のプロダクトに載せるイメージを固めていきます。
この流れは競技プログラミングやKaggleをやっていた経験と親和性が高いなと思っています。Kaggleに関しては前半部分、競技プログラミングに関しては、バグらせずに高速な処理を早く実装することで、実装と精度検証のサイクルを回しやすいメリットがあると思っています。
また、私としては、仮説、実装、精度検証のサイクルをひたすら回して組み立てていくこの流れが、研究やってる感があって好みです。
最終的なイメージが固まったら、設計、実装、テストと、お馴染みの流れです。テストではもちろん最終的な精度検証も行うのですが、そこで思うような改善がみられないこともあり、ハードモード。そこがAIチームならではかなと。
データ分析や仮説の検証時に「これもあれも試してみたい」など、AIチームは日々「試したいことQueue」が貯まっていっています。一緒にDequeueしてくれる方、お待ちしております。
明日は12/14、加茂さんの記事です。お楽しみに！
カジュアル面談ご希望の方は↓こちらから。
この記事が気に入ったらサポートをしてみませんか？