Summary

名前：野澤 哲照（Takanobu Nozawa）
ニックネーム：takapy（たかぱい）
誕生日：1991年2月10日
山梨大学工学部、コンピュータメディア工学科（現：コンピュータ理工学科）を2013年に卒業し、新卒でSIerに就職。製造業向けのERPパッケージの開発・導入に5年ほど従事しました。
その後趣味で勉強し始めた機械学習の面白さにハマり、1人目のMLエンジニアとして2019年にコネヒトへJOIN。メインプロダクトである「ママリ」にコミュニティ検閲システムやレコメンドエンジン導入、検索システムリプレイスなどを経験。
現在は、ML・データ全般やる人 + Engineering Managerとして、複数のMLプロダクト推進やマネジメントなどに携わっています。
アルゴリズムより先ずはユーザー心理を考え「どのような時に、どのような体験をユーザーに与えたいか」という部分から逆算して、機械学習などの技術をどう活かせるか、ということを常に考えながら働いています。
真面目そうに見えるかもしれませんが、オフの時はギャップがあると思います。納会の幹事などは積極的にやるタイプです。
各種ご連絡はTwitterのDM、もしくはこちらのお問い合わせフォームからお願いします！

Social Link

link
説明
X（旧：Twitter）
https://twitter.com/takapy0210
つぶやき
Tech Blog
https://www.takapy.work/
技術的な内容を中心にアウトプットしています
speakerdeck
https://speakerdeck.com/takapy
登壇スライドなど
Podcast
https://art19.com/shows/wipfm
友人と技術ネタを中心に配信しています
Github
https://github.com/takapy0210
コード置き場. nlplotという自然言語可視化OSSの開発をしています
LAPRAS
https://lapras.com/public/ATZDLYC
活動のログ
Wantedly
https://www.wantedly.com/id/takapy
経歴など
Kaggle
https://www.kaggle.com/takanobu0210
趣味で参加しているデータ分析コンペティション

Articles

過去のメディア掲載
機械学習を記事配信に採用したママリ - 0から構築したレコメンドエンジンのアーキテクチャ設計 - エンジニアHub｜Webエンジニアのキャリアを考える！
コネヒト株式会社が運営する女性向け情報サービス「ママリ」では、2019年12月に記事配信で機械学習によるレコメンドエンジンを構築、2020年初頭にテストが完了しました。 機械学習を採用した背景、設計したアーキテクチャとテストの結果について伺いました。 コネヒト株式会社が運営する、女性を対象とした情報サービス「 ママリ ...
機械学習を記事配信に採用したママリ - 0から構築したレコメンドエンジンのアーキテクチャ設計 - エンジニアHub｜Webエンジニアのキャリアを考える！
https://eh-career.com/engineerhub/entry/2020/03/24/103000
機械学習を記事配信に採用したママリ - 0から構築したレコメンドエンジンのアーキテクチャ設計 - エンジニアHub｜Webエンジニアのキャリアを考える！
目指すはアプリを開くだけで悩みが解決できる状態。ママのためのQ&Aアプリ「ママリ」を支える機械学習エンジニア、野澤哲照 | トレインズ
AIcareer ーーお久しぶりです。最初に野澤さんとお会いしたのは弊社のKaggleイベントでしたよね。その時はまだ転職活動中だったかと思います。まず、これまでのキャリアについて教えていただけますか？ 新卒で入社したSIerに5年くらい在籍していまして、その時は ...
目指すはアプリを開くだけで悩みが解決できる状態。ママのためのQ&Aアプリ「ママリ」を支える機械学習エンジニア、野澤哲照 | トレインズ
https://trainz.jp/media/aicareer/453/
目指すはアプリを開くだけで悩みが解決できる状態。ママのためのQ&Aアプリ「ママリ」を支える機械学習エンジニア、野澤哲照 | トレインズ
Google ColabとVSCodeで作るデータ分析環境　クラウドのGPU環境でもローカルと遜色ない開発体験を
野澤哲照氏（以下、野澤） ：「Google ColabとVSCodeを用いたデータ分析環境運用Tips」ということで、野澤が発表します。 最初から免責で申し訳ないのですが、今日紹介する方法はGoogle側が推奨している方法ではないので、急に使えなくなる可能性もあります。そこだけご了承ください。 今日話す内容ですが、ざっくりGoogle Colab（Google ...
Google ColabとVSCodeで作るデータ分析環境　クラウドのGPU環境でもローカルと遜色ない開発体験を
https://logmi.jp/tech/articles/325339
Google ColabとVSCodeで作るデータ分析環境　クラウドのGPU環境でもローカルと遜色ない開発体験を

Talk

大規模カンファレンスでの登壇
 
過去のイベント登壇一覧
イベント開催日
イベント
資料
2024-07-24
Recommendation Industry Talks #3
コミュニティサービスに「あなたへ」フィードを リリースするまでの試行錯誤
2023-02-03
【増枠】機械学習×プロダクト成長 - 3社が語る技術と組織 ~ note/コネヒト/wantedly
機械学習でプロダクト成長させる技術と組織を3社のMLエンジニアが語る - note/コネヒト/Wantedly｜noteエンジニアチームの技術記事
2022-10-14
PyCon JP 2022
NLPを活用したオンボーディング改善とコールドスタート問題への対策 - Speaker Deck
2022-09-22
みんなのPython勉強会 #85
自然言語可視化ライブラリ 「nlplot」のご紹介 - Speaker Deck
2021-10-15
PyCon JP 2021
コミュニティサービスにおけるレコメンデーションの変遷とMLパイプラインについて - Speaker Deck
2021-09-29
AWS Dev Day 2021
SageMaker StudioとStep Functionsを用いてMLOpsへの一歩を踏み出そう - Speaker Deck
2021-08-17
第３回分析コンペLT会 、オンライン開催
GoogleColabとVSCodeを用いた分析環境運用Tips - Speaker Deck
2021-02-25
コネヒトマルシェオンライン「機械学習・データ分析」
トピックモデルを活用したレコメンデーションの実装 - Speaker Deck
2021-02-18
atmaCup#9 オンサイトデータコンペ振り返り回
word2vecを利用した埋め込み分析とSWEMを用いた比較実験 - Speaker Deck
2020-08-15
Pythonもくもく自習室 #27 + 3周年記念LT大会
Streamlitとnlplotを使って自然言語を分析してみた - Speaker Deck
2019-11-30
分析コンペLT会
学習・推論パイプラインを構築する上で大切にしていること - Speaker Deck
2019-11-05
Connehito Marché vol.6 〜機械学習・データ分析市〜
データ分析コンペにおいて 特徴量管理に疲弊している全人類に伝えたい想い - Speaker Deck

Jobs

コネヒト株式会社（2019年3月〜現在）

https://connehito.com/
コネヒトではMLプロダクトオーナーとして、他者を巻き込みながら新規施策の立案、導入を経験しています。課題発見、モデリング、ML基盤構築、機械学習APIの構築など、機械学習プロジェクトの一連のフローを経験しています。
MLプロジェクトとしてはNLPとレコメンデーションが中心で、最近ではLLMを組織やプロダクトにインストールするような動きもしています。
エンジニア以外にも、プロダクトマネージャーとしてBiz側とコミュニケーションを取ったり、開発組織のエンジニアリングマネージャーとしてメンバーのマネジメントにも従事しています。
また、自身のテックブログや、PyCon、AWS DevDay等の大型テックカンファレンスへの参加を通した情報発信、中途採用の面接を継続して実施しており、エンジニアのHR関連の社内外の施策を考え提案し推し進める事ができます。
職務経歴（クリックで展開）
📝
2024年4月〜現在 / データ基盤の構築・運用

Description

  • データドリブンな意思決定や、営業活動などを実施するために共通のデータ基盤構築を実施
  • バラバラに保存されていたデータや、野良スケジュールクエリなどを廃止し、Google CloudのDataformを使ってデータ基盤の構築を実施

Business in charge

  • PM、PdM
  • インフラに強いメンバーを巻き込んでの基盤設計、構築
  • データ基盤の構築・運用
 
📝
2022年8月〜2023年 / 検索システムのPM・PdM

Description

  • コネヒトのメイン事業であるコミュニティサービス「ママリ」の中で、重要な機能の1つである「検索システム」のリプレイスプロジェクトにおけるPM・PdMを担当
    • PM業としては、スケジュールマネジメント、タスク割り振りなどを実施
    • PdM業としては、現在の検索枠に存在している「人気順」と呼ばれる枠の言語化やBiz含めたステークホルダーとのコミュニケーション部分を担当
  • 既存システム（SaaS）のロジックに引けを取らない様、泥臭く検索システムのチューニングや改善を粘り強く実施

Business in charge

  • PM、PdM
  • A/Bテスト、データ分析
  • 検索基盤の構築
 
📝
2020年4月〜現在 / レコメンドシステムの構築・改善

Description

  • コネヒトのメイン事業であるコミュニティサービス「ママリ」で、継続率の向上を目的としてユーザーに対して質問のレコメンデーションを導入
  • 既存モジュールとのABテストを実施し、クリック系の指標が改善したので、ママリの正式機能として正式リリース
  • 導入初期は行列分解などのシンプルなアルゴリズムでABテストを実施し、トピックモデリングやニューラルネットワークなどを利用しながら改善を行っている

Business in charge

  • PdM、デザイナーとコミュニケーションを取りながらの施策推進
  • 機械学習アルゴリズムの実装、開発
  • 継続的な学習・推論を可能とする機械学習基盤の構築
  • 必要なAPIの開発
  • A/Bテスト、データ分析

Link

 
📝
2021年10月〜2022年 / アプリオンボーディングにおける機械学習の活用

Description

  • インストール初日で離脱してしまうユーザーが一定数存在する課題に対して、アプリケーションのオンボーディング改善プロジェクトをPdMと共に推進
  • オンボーディング時に「興味トピック」を選んでもらい、その後選択したトピックに関連度の高いコンテンツを優先的に見せ、継続率向上を狙った
    • そもそもユーザーはどんなトピックに興味があるのか？といった部分をトピックモデリングを用いて分析し、どんなトピックをどんなユーザーに見せるべきか提案し、実際のオンボーディングに適用
  • また、興味トピック選択後にどのトピックを選んだユーザーにどんなコンテンツを見せるべきか？という部分については、node2vecを用いたタグの埋め込みにより、興味トピックと類似した内容の質問を算出し推薦するロジックを開発。ルールベースのロジックとABテストを実施しメトリクスが改善したため、本実装中

Business in charge

  • PdMとコミュニケーションを取りながらの施策推進
  • データ分析
  • 機械学習アルゴリズムの実装、開発
  • 継続的な学習を可能とする機械学習基盤の構築
  • 必要なAPIの開発

Link

 
📝
2021年5月〜2022年1月 / ABテスト標準化への取り組み

Description

  • 定常的に行われているABテストについて以下のような課題があると感じていた
    • A/Bテストに関する知識にバラつきがある
    • チームごとにA/Bテストのドキュメントの書体が異なるので、読み解くのにコストがかかる
    • 「どのような実験」が「どのくらいの期間行われていたか（いるか）」という情報が一目で把握できない
  • これらの解決を目的に、さまざまな職種の方を巻き込んで「A/Bテスト実践ガイド 真のデータドリブンへ至る信用できる実験とは」という書籍の輪読会を実施
  • 輪読会終了後、ABテストテンプレートを作成し日々の運用に乗せた

Business in charge

  • 輪読会のファシリテーション
  • ABテストテンプレートの作成（標準化）
  • 運用に乗せてもらうための取り組み

Link

 
📝
2019年10月〜現在 / 社内外向けデータ・機械学習情報発信・採用活動

Description

  • コネヒトでは1人目のMLエンジニアだったこともあり、社内メンバー向け（特にDev、PdM向け）に機械学習の活用事例などの布教活動をLTやワークショップを用いて定期的に実施
    • 今では「データに関してはまずは野澤に相談してみよう」というポジションを確立でき、仕事の進めやすさ（期待値調整など含め）が向上しているという実感がある
  • また、コネヒトの機械学習プレゼンス向上のために、外部向けにカンファレンスやテックブログを通したアウトプットを実施
    • 上記を通してコネヒト×機械学習のブランディングにおいて、一定以上の成果を出した

Link

 
📝
2021年4月〜2021年9月 / toB向けプロダクトのデータパイプライン構築

Description

  • 家族ノートというtoB向けプロダクトにおける、自然言語の解析処理の開発
  • Sudachiを用いた分かち書きや係り受け解析、ランキング計算などを行い、データをDB（BigQuery）に保存する処理を実装し、アプリケーションからそのDBを参照して可視化している

Business in charge

  • データパイプラインの構築
  • 定期実行を行う基盤構築

Link

 
📝
2021年10月〜2021年12月 / 特定セグメントユーザーの検閲システム構築

Description

  • コミュニティ検閲システムの特定セグメントユーザー向けのエキスパートモデルを開発
  • モデルにはBERTを用いており、AWSのSQSとSageMaker Inferenceを用いたリアルタイム推論を行えるアーキテクチャを設計した
  • MLエンジニアが2名に増えたタイミングだったので、チームとして成果を出すことを意識して取り組んだ

Business in charge

  • CSチームと要件提議・PoC
  • 機械学習アルゴリズムの実装、開発
  • オンライン推論に必要なアーキテクチャの設計
 
📝
2021年4月〜2021年9月 / 質問と回答者のマッチングシステム構築

Description

  • 回答率の向上および回答の品質向上のため、質問と回答者のマッチングシステムを構築
  • 過去の回答実績データを用いて、新規投稿された質問に対して回答確率の高いユーザーを推論し、そのユーザーに優先的に質問を見せる、というロジック

Business in charge

  • 機械学習アルゴリズムの実装、開発
  • 継続的な学習・推論を可能とする機械学習基盤の構築
  • 必要なAPIの開発
  • A/Bテスト

キッセイコムテック株式会社（2013年4月〜2019年2月）

https://www.kicnet.co.jp/
キッセイコムテックでは製造業（機械、薬品、食品業界）向けのERPパッケージの導入/開発/保守を5年間経験しました。要件定義から導入、保守まで一連の工程への知識を身につけました。
また、開発スキルや社内問題解決への取り組みなどから、社内の開発チームリーダに抜擢され部下の教育プロセス見直しをはじめ、生産性向上を目的とした様々な取り組みを率先して実施してきました。
職務経歴（クリックで展開）
📝
2018年2月〜2019年2月 / 化学材料開発・製造・販売会社向け基幹システム構築プロジェクト

Description

  • 基幹システム刷新に伴う、新基幹システムの導入（生産管理/販売管理/原価管理/会計管理）
  • 生産管理部向けに、機能の要件提議や設計、開発を実施。また、現地でのシステム利用方法の講師などの導入支援を実施。

Business in charge

  • 生産管理機能の設計、開発、テスト
  • 帳票の設計、開発、テスト
  • 詳細設計レビュー、プログラムコードレビュー
  • 製造/テストフェーズの進捗管理、品質管理
  • マスタデータ整合性チェックツール開発
  • 導入支援
基本的に類似した基幹システム導入プロジェクトが多いため、以降はそれ以外の経歴を記載
 
📝
2018年1月～2019年1月 / 社内向けナレッジ共有ツール導入プロジェクト

Description

社内ナレッジが分散していることにより業務が効率的に行えていないことに課題感を感じ、解決策としてナレッジ共有ツールの導入を提案し、運用した
以下の理由から、GROWI（https://growi.org/ja/）を提案し、導入
  • OSS（2018年当時）だったため、コストが最小限に抑えられる点
  • 社内サーバに構築できるため、セキュリティ対策の検討が不要な点
  • ナレッジを階層構造で管理でき、UIが優れている点
  • 機能がシンプルで使いやすい点

Business in charge

  • 課題提議
  • プロジェクト推進
 
📝
2017年4月～2019年2月 / 社内向けチャットツール導入プロジェクト

Description

メールをはじめとする従来の連絡手段には様々な様式がつきまとい、気軽に質問したり、素朴な疑問をぶつけたりする場が無く、業務が効率的に行えていない点に課題感を感じていた。
解決策としてチャットツールの導入を提案し、一部部署にて稼働するところまで推進した。
以下の理由から、slackを提案
  • 単にコミュニケーションをとるだけでなく、エンジニアにとって使い勝手の良い機能が豊富な点
  • チャネル（グループのようなもの）に所属していないユーザーでも、そのチャネルのチャット内容を見ることができ、社内全体の情報が見える化できる点
  • 様々な外部ツールと連携できる点

Business in charge

  • 解決案を検討/提案するためのプロジェクト推進
  • 利用手順書作成
 

Personality

得意・強み

  • 身近な人や物事に影響を与えることに生きがいを感じる
  • 他人優先の気質があり、困っている人は積極的に助ける
  • 行動力があり活動的な方です
  • よく “人間味がある” と言われます

エンジニアとしての強み

  • PdMなどのステークホルダーとコミュニケーションを取りながら、機械学習プロダクトの導入ができる
  • 機械学習基盤の設計・構築、機械学習モデリング、APIの開発まで一気通貫で行うことができる
    • 既にあるモデルの精度を向上させることよりも、他者を巻き込みながら0から機械学習プロダクトを導入し成果を出す、というフェーズでより貢献できると考えます

苦手・弱み

  • 対立や衝突が得意ではない
    • 人とコンフリクトするのが苦手なタイプなので、強い言葉を使ったり否定するのが得意ではない
  • 批判が苦手
    • 上記と似通っているが「これを言ったら相手を傷つけてしまうのでは？」と思うタイプで、批判的な意見を言う際は言葉選びを慎重にするので、時間を要することが多い
 

Career

キャリアに対する考え

機械学習やエンジニアリングの能力を伸ばしつつ、直近1〜3年でML PdMのような役割を担えるようになりたいと思っています
理由（クリックで展開）
  1. ML PdMが増えないとMLが増えない（と思っている）から
      • ML増やす必要はあるのか？という問いについての自分の考え
        • これはエゴが強いかもしれないが、競合優位性を勝ち取るためにMLは必要不可欠だと思っている
        • NetflixやTikTok、Spotifyといったサービスを真似して開発することができない理由の1つに「推薦アルゴリズム」があると思っている
          • 例えば、Netflixより作品数を多くしてWebサービスを展開することができたとしても、Netflixに勝つのは難しいと考えている。これはNetflixが持っているデータと、そこから生み出されるレコメンデーションに勝つのが難しいから
        • つまり「サービス体験」として勝つのが難しい。逆に言うとそこを強みにできれば競合優位性を勝ち取れるはず
  1. どれだけ良いソリューション・アルゴリズムを作ったとしても、それがプロダクト or マーケットフィットしないと真価が発揮できないと思っている
      • ユーザーの何がペインで、それはどういう状態になれば解決できて、それはこの数値で計測できる、みたいな部分の設計が一番大切だと実感している。
        • ここがブレているとどれだけ良いプロダクトを作っても意味がないものになってしまうので、そこをしっかり設計できる人材になっていきたい
  1. 優秀なData Scientists / ML Engineerの活躍の場を増やしたい
      • 自分の感覚として、優秀なData ScientistsやML Engineerの方が増えてきている一方で、その実力を十分に発揮できるフィールドがまだまだ少ないと思っている
      • ビジネスとMLの橋渡し役として、そのような人たちの活躍の場を作り、ビジネスインパクトを出していきたい

自分の考えるML PdMの役割

ML PdMの役割は「プロダクトへのML導入」だと考えています。
機械学習をあまり知らない人が機械学習を使ったプロダクトを考えるよりも、一緒になって考えたほうが効率が良いと思っており、BizとDevが歩み寄ることでお互いの専門領域を理解しながら、一緒に議論できる環境を作っていきたいと思っています。
また、「リスクを抑える」のもPdMの役割の1つとしてあると思っています。一番お金がかかるのは、作るべき適切なプロダクトなのかを知らない状態で作ってしまうことです。MLはただでさえ不確実性が高く、また、開発、運用コストも小さくありません。作るべきものなのかどうか、自分たちは本当にそれが欲しいのか？多額の投資をする前に、自信を持って正しい方向に進んでいると思えるようなストーリーを描くには、MLの基礎知識が必要不可欠だと思います。
そのため必要なスキルは以下のようなものだと考えています。
  • Data Scientists / ML Engineerと協働して業務を遂行するための機械学習に関する基本的知識
  • MLプロダクトの性質（不確実性等）を考慮したソリューション設計
  • 機械学習技術を用いたサービスの開発、または開発管理の経験
  • 事業・ビジネス・機械学習技術を理解した上で、基礎的な分析〜企画・提案ができる能力
  • サービスの開発者やビジネス部門等の関係者と連携し、スムーズに業務を進めるためのコミュニケーション能力

どんなサービスに関わりたいか

  • 前提として「今よりも良い世界」になると良いなと思っている
    • 自分の関わるサービスが”ある世界線”と”ない世界線”で、プラスの差分がある状態
    • 「なぜ良い世界したい？」という問いに関しては、家族や身近な人が今より生きやすく楽しい人生を歩めると嬉しい、という価値観がある
      • そしてそれが自分の生きがいにも繋がる
  • 「良い世界」とはもう少し具体的に言うと、良い国・良い政府・良い社会だと思っている
    • どれも一番根本にあるのは「人」であり、それぞれの「生活」だと思っているので、その生活にあるISSUEを解決できるようなサービス開発に携わっていきたい
    • そしてそのISSUEを解決した結果、人の選択肢が増えるようなサービスを提供したい（選択肢が増えると言うことは、基本的にポジティブなことだと考えています）
  • 世界中の人を幸せにするのは難しいと考えているので、だったら身の回りにいる人には幸せになって欲しい

仕事で意識していること

  • 何かを物事を推進する場合は、現状（As is）・課題（Issue）・ありたい姿（To be）を定義し「なぜ、誰のために、どのような効果を期待しているのか」をはっきり明文化させる
    • 特にPoCを進める場合は「どうなったらPoCを終えて実装フェーズに移行できるのか」を明文化することが大切だと考えている
  • ドキュメントを残す（Design Docなど）
    • 属人化もさせたくないし、そんなところで自分の価値をあげたくない
  • データの裏には一人一人のユーザーがいることを意識する
    • これが何かの役に立った経験はまだないが、統計量にまるめられた裏には一人一人のユーザーがいて、そのユーザーごとにサービスの使い方などが違う、ということは常に意識している
    • 分析するときも、基本的には一人一人の行動を泥臭く見ていくことが多い
  • アウトカムを意識して物事を進める
    • 「行動に起こす」のは尊いけど、その結果何かしらの成果が得られなければ意味がないと思っているので、「これを実行するとどのようなアウトカムが得られるか？」を意識して物事を進めることが多い
  • 何かを検討するときにはPros / Consでまとめる
    • Aはxxなのでコストがoo円削減できそう、ではなく「AとBがあってそれぞれのメリットデメリットはxxで、Aの方が良いと思う」みたいなイメージ
  • まずは小さく動くものを作って、それをベースに語る

好む文化・チーム

  • 心理的安全性の高い組織
    • 平等に発言する機会がある状態、お互いにFBしあえる状態
  • 失敗を許容し、失敗から学ぶ姿勢のある組織
    • 「成功を讃える」というよりは「挑戦を讃える」ような文化
  • 情報の透明性がある文化
  • ユーザーファースト

趣味・好きなこと

  • 野球（小学校〜高校までやっていました）
  • ラーメン（特に二郎系が好きです）
  • 酒の席（お酒も好きです）
  • データ分析コンペ
  • 愛猫と遊ぶ
  • マンション情報を仕入れる（間取りを見たりするのが好きです）

Technical Stacks

種類
-
期間
OS
Mac
9年
Windows
6年
言語
Python
8年
Smalltalk
5年
SQL
12年
AWS
SageMaker
5年
StepFunctions
5年
ECS
5年
Lambda
5年
S3
5年
DynamoDB
5年
Glue
2年
OpenSearch
2年
Google Cloud
BigQuery
4年
Dataform
2年
Workflows
2年
Cloud Run
2年
Looker Studio
2年
その他
Docker
6年
Github
6年
Redash
6年
 

Qualifications

  • 基本情報技術者（2014年）
  • 応用情報技術者（2017年）
  • データベーススペシャリスト（2018年）
 
badge