Shota

# 何をしたか チームにスクラム開発を導入し、自分たちで自分たちの問題を解決する自律的なチームを作りました。 # 背景 元々は１人が１プロジェクトを持っているタイプのチームでした。人数が増えるにつれてマネジメントが行き届かず、チームとしてやっている意味がない状態に近づいていました。 そこでスクラム開発を提案し、マネージャーの了解やチーム内での意思疎通を計りながらスクラムを導入しました。まずは２週間のふりかえりから、徐々にチケット化やチケットのサイジング、ステークホルダーへのプレゼンを導入していきました。 # 成果 半年ほど時間をかけて、チームメンバーが自分がやっている仕事の難しさや何で困っているか、何に助けが必要かを言語化できるようになっていきました。また複数チームからの依頼に対して、優先度をつけて何をやるか何をやらないかをチームの意思として決定し、他のチームに説明して納得してもらえるようになりました。またスクラムマスターやスタンドアップの司会を任せ、自分たちでチーム運営ができる状況を作りました。 # 会社 LegalOn Technologies

# 何をしたか Dataflowのデータパイプラインのスループットを10倍にしました。 # 背景 既存プロダクトの刷新に伴い、既存のコンポーネント全てがPubSubを介した非同期なものになりました。既存のチームが非同期のパターンに慣れていなかったため、逐次的に処理する非効率なパイプラインになっていました。私もDataflowの利用は初めてでしたがドキュメントを読み込みました。Dataflowの機能としてのwindowingの活用や、その設計によりデータの不整合や入れ替わりが起きていないことを証明するための単体・結合テストの設計を行いました。 # 成果 結果としてスループットは10倍になりました。また古いデータがキューに詰まっている状態が最大10分程度あったものを5秒程度まで改善しました。 # 会社 LegalOn Technologies

# 何をやったか 都知事選の選挙掲示板におけるボランティアによるポスター貼り付けのオペレーション # 背景 都知事選では都内全体で14,000ヶ所のポスター掲示板がある。政党の応援を受けない候補は、これらをボランティアの力を借りながら貼ることになる。ポスターの印刷・配布し、どの掲示板にポスターが貼られているか・いないを可視化して実際にその場に行く手助けをする必要がある。また随時起こるトラブルにも対処する。 # やったこと 公式LINEで誰がどの掲示板にポスターを貼ったかを受け付け、それをSpreadsheetに転記し、GoogleMapsに反映した。そのてんやわんやの一部を記事にした。 地域ごとの進捗を集計し、重点的に貼る必要があるエリアを特定した。 # その後 この手動の仕組みが（私ではない人により）自動化され、自前のマップに状況が反映され、誰でもすぐに見れるようになった。 # 成果 告示後の2週間で全ての選挙掲示板にポスターが貼られた。 またこの顛末を記した記事は多くの人に読まれ、選挙にはDXの余地がありそれは実装可能なことを広めることができた。

# 何をしたか 画像検索プロダクトの検証と開発、運用 # 背景 図面を扱う仕事をCADDiとして行なっていたので、似た図面を探すペインが大きいことを自分たちで感じており、またユーザーインタビューでも裏付けがあった。R&D的に図面の分類を解くDeepな機械学習モデルが作れていたので、そのFeatureを流用し画像検索プロダクトをプロトタイプ的に作った。それをプロダクト化し、図面検索APIとしてプロダクトに組み込み運用した。 # 成果 既存手法では全く類似したものが出せなかったのを、ほぼ完全に類似したものを出せるようになった。また大きさや素材でのフィルタリングも実装された。 非常にウケが良く、CADDi DrawerとしてSaaSプロダクトの根幹を今も担っている。 # 会社 CADDi

# 何をしたか 機械学習エンジニアが使いやすい画像推論APIの基盤の開発・運用 # 背景 画像検索がうまく行ったため、図面内の様々な要素を検出するモデルの需要が高まった。以前のモデルでは機械学習エンジニアが全てAPI化まで行なっていたが、責務が広く再現性の低いDockerイメージが作られていた。そこで責務を分担し、MLOPsチームとして推論の基盤を用意する必要があった。 # 作ったもの CookieCutter的なテンプレートのプロジェクトを作った。モデルファイルを用意すればDockerコンテナがBuildされtorch serve APIが立つようにした。また推論の内容がわかりやすいようテストファイルを用意し、呼び出し側にも分かりやすいようOpenAPI の記述を用意しそれをドキュメントとした。また負荷テストを用意し、スケーラビリティの確認ができるようにした。 # 成果 機械学習エンジニアだけでAPIのPRまで出せるようになり、開発からプロダクトインまでのリードタイムが数ヶ月から数日に高速化した。 またバックエンド開発の文化がないメンバーにもMLOPsが浸透して、チームにジョインするのが簡単になった。 # 会社 CADDi