はじめに

今日、社内で @dahatake さん主催のチョークトークに参加してきました。その中で、これ自分的にちゃんと底上げしておかないとまずいなーと思ったトピックをまとめてみたいと思います。

参加時点の自分のバックグラウンド

参加前の状態を残しておいた方がよいかと思うので棚卸。

「機械学習」はある程度わかります。
- データの加工、アルゴリズムの選択、評価などなど
- 機械学習の成果利用といえば API 一択！そういえば最近 Windows ML がでたなーくらいのふんわり具合
Azure Machine Learning Studio、 Service はある程度使えます
いろいろ Azure のサービスはありますが、聞きかじりレベルのものが結構ちらほらと・・・。
- Azure Batch AI
- AKS
- Azure Databricks
Cognitive Service も多少分かりますが、ちゃんと使ったことがあるのは翻訳系のAPIくらい

では、何をこの先底上げしようと思ったのか

理由がないものは、私が対応する仕事の事情が絡んでいるのだということで。

DSVM 使い倒し
- この手の話って、使う「用途」がない中で使い倒しも何もないのですが、いろいろ入っている以上は、何が導入されていて、使い始めるにあたってどんなことが起きえるのかを実体験として持っておく必要があるように思いました。
- デプロイすることがないわけではないのですが、結局「自分が慣れている」ところしか触らないので。
データの事前分析の効率化
- 「取り掛かりの速度を上げること」「実施のコストを下げること」が必要かなと思いました。
- 劇的に効率よくするような銀の弾丸はないと思っていますが、それでも、都度都度スクラッチで分析を始めてしまうのはよくないなーと思っていましたので、この部分をもう少しナレッジとして整理しておく方がよいかなと。
- 探索的にいろいろ見ていくのを否定するわけではありません。
アンテナの広さ
- もしかしたら、今のアンテナの向きが「対象とすること」にあってないだけかもしれませんが。今自分で見れていると思っている範囲では足りないなーと思いました。
- 例えば、 arXiv.org は正直なところ見れてないですし。
- Web検索だけでは中々たどり着けないことも多くなりました。
他社情報への興味
- 全方位感は出せないと思ってますが、それでも。
Open Source 活用力
- 利用者目線で、Tutorial より上のレベル感が必要かなと思います。
- 実力を上げるんだとすると、実案件で使ってしまうのが一番なのですが、そこはお客様のご要望もあったりしますし、なかなかうまくいかないですね。

気を付けておきたいと思った点

このあたりは、お客様と話していて感じていた部分もあるのですが。

ML、DL 自体を目的としない
- 言わずもがなですかね。手段が目的になってしまうパターンですね。
- 徐々に減っていくとは思います。
ML、DL は Ops 的な視点を求められている
- 機械的な仕組みは作れるのですが、単なる自動化を超えたものが必要ではないかと思います。

おわりに

本当にザーッと書いただけなので、チラシの裏と思っていただければと。