学生時期、新卒時期、そして現在に分けられますが、はじめに大学時代は統計手法の開発および理論解析の研究を行っており、特に外れ値が存在するデータセット用いても、影響が有限の範囲で収まる性質をもつ頑健な手法の確立に取り組んでいました。端的にまとめると統計手法の提案と、サンプル数が増えた際の収束性・ノイズ追加時の推定量への影響度合い等の理論的考察を行っていました。一方で就職においては、元々コンピュータサイエンスを専攻していた事、その根本を支えるのは通信インフラという考え、そして研究室で学んだ数理最適化の知識や統計的学習理論の知見をそこに活かしたいという思いから、新卒で大手通信会社に就職しました。多様な事業をもつ大手の中で専門を活かした配置を期待しましたが、大手故か実現しませんでした。
そんな時、投稿していた論文が採択され、自分の研究が客観的に評価されたことを契機に、機械学習を活かした仕事をしていきたいという思いが強くなりました。自分の専門に沿った仕事を探していたところ、エージェントからGAILABOを紹介いただき、技術へのスタンスとビジネスへの融和に対するGAILABOの考えに共感したため、入社を決意しました。金融とエンジニアリングの両方の知見を有する優秀な人材が多数在籍し、最新技術を積極的にキャッチアップしようとする文化の中、日々開発業務に取り組めています。また、多様な案件にかかわることができる職場環境も気に入っています。
現在は、金融サービスにおける機械学習モデルの開発およびデータや結果の分析業務をしています。これは単に深層学習モデルを組むという意味合いではなく、例えば勾配ブースティングのアルゴリズムを把握したうえで、Feature Importance(特徴量の重要度)がどのような算出方法に基づくのかをビジネス側に伝えて分析に活用するといった、機械学習モデル自体の理解も求められます。大企業の場合、開発は細分化され、一つの業務のエキスパートになることが求められますが、GAILABOは少数精鋭で開発を行なっているので、案件の提案のスタートからサービスの提供・運用サポートまで、開発の全てに携わることができます。
機械学習エンジニアのジェネラリストとして活躍する将来像に近づくために、広く色々なことを学び、多種多様な道具を身に付けて成長できるGAILABOは自分にとってやりがいのある 環境です。
機械学習関連の知識と、競技プログラミング等それ以外の知見をかけ合わせ、一般には確率計画法と呼ばれるような『不確かさを考慮した最適化』を提供したいと考えています。現在、機械学習分野では説明可能性の研究がホットトピックとなっていますが、私の場合は、解釈可能な数理モデルに対して確率的なモデル拡張を行い、それをソリューションレベルに引き上げることに興味があります。その実現を個人かつ短期間で成し遂げることは難しいため、まずは自身の担当であるML環境の改善・改良によってより良いサービスの提供を実現することで会社に貢献し、開発基盤の充実化で更なる循環を生み出せればと思っています。 長期的には、まだ活用が進んでいないデータの価値を生かす方法を提供するというGAILABOの使命を、GAILABOに携わる全ての人々と達成していくのが目標です。
最後に、データから価値を見出すという機械学習分野に興味がある方はもちろん、そこに固執せずビジネス課題を解決したいというモチベーションがある方両方の人にとって、GAILABOは楽しい環境を提供できると思いますので、是非気軽に連絡を取ってみてください。
