「エンジニアリングマネージャーのしごと」を読んだ
はじめに
現在はソフトウェアエンジニアとして働いており、エンジニアリングマネージャーではないが、最近になって将来のキャリアパスとしてエンジニアリングマネージャーに興味が出てきたので読んでみた。もともとはエンジニアリングマネージャーよりもソフトウェアエンジニアの方がスキルが必要だと思っていてあまり興味がなかったのだが、最近になって、「人って技術よりも複雑だよな」と思い、人を扱うエンジニアリングマネージャーこそ高いスキルがいるのではないかと思って興味が出てきた。
マネージャーのアウトプット
マネージャーのアウトプット=あなたのチームのアウトプット+あなたが影響を与えたほかのチームのアウトプット
チームのアウトプットがマネージャーのアウトプットということは分かっていたが、影響を与えたほかのチームのアウトプットも自分のアウトプットだとは考えたことがなかった。
1on1の頻度
本書では1on1を週次でするように書いてあった。この手の書籍にはだいたい週次で1on1をするように書いてある気がするが、ほんとに世の中の人たちはそんなペースでしているんだろうか?デイリーとかで話す機会がない場合を想定しているのかな。
マネージャーの仕事内容
- 情報収集
- 意思決定
- ナッジング
- ロールモデル
ナッジングとは、議論に対して自身の観点を提供することで決定に影響を与えること。
ナッジングという言葉は初めて知った。ナッジングは、やっても成果としてアピールしにくくて困る。でもちゃんと名前がついていて、仕事内容として認められている行為なんだと知れてよかった。
締め切りを延期したらだめなのか
締め切りをずらすことが本当に意味することは何なのか
AppleでさえWWDCのステージで何かを発表し、数か月後に登場する
確かにと思った。ちゃんと考えよう。
心穏やかに過ごすために
コントロールできること、コントロールできないこと、ある程度コントロールできることに分類する。
コントロールできることにのみベストを尽くせばOKとする。コントロールできないことは諦める。そして、ある程度しかコントロールできないことに対しては、他者に依存する外部ゴールではなく、自分で達成できる内部ゴールを設定して、内部ゴールに対してベストを尽くせばOKとする。
自分にとっては、内部ゴールに対してベストを作ればOKだと分かっていても気持ち的に割り切るのが難しそう。ここは訓練しないといけないなと思った。
マネジメントバグ
マネジメントにまつわる問題のこと。ネーミングがいいなと思った。
終わりに
またエンジニアリングマネージャーになったら読み返そう。
Amazon SageMaker JumpStart Workshop 参加レポート
機械学習の知見を高めるべく、3/9に開催されたAWSの「Amazon SageMaker JumpStart Workshop」に参加したレポートになります。
ワークショップについて
ワークショップの概要は以下の通りです。
本セミナーでは、AWS が開発している機械学習サービスである Amazon SageMaker を 簡単に利用開始できるサービス Amazon SageMaker JumpStart について、皆さんにて起動、触っていただきます。 JumpStart は機械学習を行うために本来必要な大量のデータを準備することなく、 AWS が学習済みのモデルをすぐに起動し、推論環境を作ることができるサービスです。 このワークショップでは、画像認識、日本語 QA を体験いただきます。 本セミナーは初学者向けであり、データやモデルの解説等、データサイエンティスト向けの内容は含まれませんので、お気軽にご参加ください。
以下、ワークショップの関連リンクになります。
はじめに
本投稿がはてなブログデビューとなります。
どうかお手柔らかにお願いします。
Amazon SageMaker JumpStartとは
Amazon SageMaker JumpStartは、学習済の機械学習モデルを簡単に利用できるサービスです。Fine-tuneにより追加で学習を行うこともできます。
本ハンズオンでは意識することはなかったですが、内部的には下記のようになっています。
まず、学習インスタンスと推論インスタンスでECRからコンテナイメージを取得。
次に、ノートブックインスタンスから学習コード、S3から学習データを取得。
学習が終わるとS3にpush。
最後に、推論インスタンスにpushして推論を実行します。
ワークショップ内容
- 画像解析モデル(ResNet 18)による推論、Fine-tune
- 自然言語解析モデル(BERT Base Multilingual Cased)による推論
画像解析モデル(ResNet 18)による推論
ワークショップの手順書に従ってAWS Consoleをポチポチしていくだけで、下記のようなNotebookができあがります。
このNotebookをもとに推論を実行します。
犬と猫の画像を入力して正しく推論できるか?
まず、犬と猫の画像を入力して正しく推論できるか試します。
実行は、Notebookの実行ボタンをポチポチ押していくだけです。
結果です。
細かい種類はおいておいて、犬と猫であることは正しく推論できています。
鳥の画像を入力して正しく推論できるか?
続いて、鳥の画像を入力して正しく推論できるか試します。
私は下記のようなカラスの画像を使用しました。
結果です。
うーん、今後に期待しましょう。
Fine-tuneして花の推論ができるようになるか?
続いて、S3にアップロードした画像でFine-tuneして花の画像が推論できるようになるかを試します。
Fine-tuneもボタンをポチっと押すだけです。
ラベル用テキストを更新後に保存するのを忘れないように注意してください。私はいつもVS Codeで自動保存している感覚で作業していて、推論結果が変わらなくて少し焦りました。
結果です。
kamedaさんがdandelionになってる( *´艸`)
自然言語解析モデル(BERT Base Multilingual Cased)による推論
ワークショップの手順書に従ってAWS Consoleをポチポチしていくだけで、下記のようなNotebookができあがります。
このNotebookをもとに推論を実行します。
2つの文章の相関を推論できるか?
2つの文章に相関があると推論される場合は[entailment]、相関がないと推論される場合[no-entailment]と出力されます。
私はこのような入力をしました。
日本の首都は東京で鬼滅の刃ではないのでsentence_pair1は[entailment]、sentence_pair2は[no-entailment]が期待値です。
結果です。
期待値通りの結果になりました。おぉー!
終わりに
AWSのAIサービスは触ったことがあるのですが、SageMakerと難しいイメージがありました。 本ワークショップで、JumpStartで簡単にSageMakerを始められることが体感できてよかったです。 次は、自分のサービスに組み込むにはどうすればいいのかを勉強していきたいです。