スキップしてメイン コンテンツに移動

『エンジニアのためのマネジメントキャリアパス』☆4

駆け出しエンジニアから始まり、技術リーダー・マネジャー・シニアマネジャー・技術VP・CTOに至る”マネジメント”を軸にしたITエンジニアのキャリアパス。各レイヤーですぐ使えるノウハウがあるのはもちろん、次のレイヤーで求められる視点・スキルが分かるのがよいと思いました。マネジメント軸ではなく技術軸でキャリアを考えている人も読んだほうが良さそうなのでした。

↑気になったらここからポチっと(買ってくれるとお小遣いが入ります)↑

この本を読むとわかること

マネジメントの基本

  • 1対1のミーティング(One on One)の有効性
  • フィードバックの基本
  • 「現在の仲間が将来の仕事につながる」という重要な事実

メンタリング

  • 言葉にならないしぐさ・サインを聞き取るための「傾聴」
  • 「複雑なこと」の伝え方
  • メンターになったらやるべきこと
  • 「とんがった技術者」を管理者・リーダーに任命する際の注意点

テックリード

  • エンジニアチームの技術上のリーダーである「テックリード」
  • 技術力と同様に必要なテックリードのコミュニケーション力・ドキュメンテーション力
  • 「職位」ではなく「一時的な職責」であるテックリード
  • テックリードがチームのために割くべき「3割の時間」
  • テックリードに求められる多くの役割
    • システムアーキテクト・ビジネスアナリスト
    • プロジェクトプランナー
    • ソフトウェア開発者・チームリーダー
  • プロジェクトにおけるテックリードの有用なコミュニケーション術
  • 技術職を貫くか、管理職への道を選ぶかという決断
  • プロセスを過度に重視する「プロセスツァー」の思考回路
    • 失敗への過度の恐怖心

人の管理

  • 新たな部下に対する経験豊富な管理者の手法
  • One on Oneの有効性・部下のコミットメントを高める秘訣
  • 優れたマネジャーの「任せ方」
  • フィードバックとコーチングの効果的な組み合わせ
  • 昇進させる前にその職務を課す育成法
  • 成績の振るわない部下への徹底したコーチング

チームの管理

  • 技術・戦略・リーダーシップなど幅広いマネジメント領域
    • 新任の管理者が過度に重点を起きがちな人的管理
  • ITスキル技術力を維持することで感知できる「技術的負債」
  • 機能不全に陥ったチームの「デバッグ」の基本
  • 気の散る要因からチームを守る「盾」としての役割
  • 「心理的安全性」の保障・維持
  • より専門的なプロジェクト管理
    • プロジェクトを達成できるケーパビリティの見積もり
    • チームへの権限移譲の見極め
    • 開発だけではなく維持のための2割のリソース割り当て
  • 新しいチームを任された際の最初の2・3週間の心得

複数チームの管理

  • マネジメントのハシゴを昇っても現場に精通し感覚を維持する方法
  • 立ち上がりのしんどい時期はひたすら我慢
  • 権限委任するための「頻度×複雑さのマトリクス」
  • 「肯定的なNo」の使い方
    • Yes, but的な感じでリソース割り当て・バーターを提案
  • 開発チームの「健全性」の見極め方

複数の管理者の管理

  • エンジニア個々人と顔を合わせるマネジメントからの「卒業」
  • 配下の管理者が所掌するチームの状況把握と介入ポイントの見極め
    • 管理者の支援者としての役割
  • 2ランク以上離れた部下から情報を得るコツ
    • 公式・非公式な「スキップレベルミーティング」
  • 新任・ベテラン管理者のマネジメント方法
  • 組織の機能不全の根本原因の見つけ方
  • チームの技術戦略の調整方法
  • 技術部長は自組織の見積もりについては強気で押し通すべし
  • プロジェクト実行時のプロアクティブな見積もり修正
  • 不確実性に対処する戦術

経営幹部

  • 経営幹部の4つの職務
    • 情報収集と共有
    • 指示ではなく質問による注意喚起
    • 意思決定
    • ロールモデル
  • 最上位の技術系管理者である「技術担当VP」
  • エンジニアであることは二の次である経営幹部「CTO」
  • 進路変更を決断する際に直属の管理者たちを巻き込んで動かすコツ
  • 技術戦略策定で最も困難なことは「不確実性の予測」
  • 経営陣の対立を避ける必須の要素
  • あえて現場とは程よい距離を置くべき理由
  • 経営幹部が避けるべき「恐怖の文化」

↓気になったらここからポチっと(買ってくれるとお小遣いが入ります)↓

ベストビュー(過去1カ月)

【番外編】AI(機械学習)やってみた。【第6回】乳がん診断AI その1

ソムリAI(ワインソムリエAI)で使った手法で乳がん診断AIを作ってみます。まずは決定木とニューラルネットワークの2つのモデルを試してみます。かなり高性能なモデルができました。名医誕生かもしれません 笑

【番外編】AI(機械学習)やってみた。【第1回】ソムリAI ~決定木編~

最近ブームのAI(機械学習)に手を出しました。まずは、決定木(Decision Tree)というモデルを使って「ソムリAI(ワインソムリエAI)」を作ってみようと思います。

【番外編】ボストン旅行記(UMASS Lowell卒業式編)【Day 4:卒業式】

UMASS Lowellの卒業式@Boston。4 日目は卒業式本番です。とても賑やかでアメリカンな式典でした。ただしあいにくの雨、僕曇り男なのに。。

【番外編】AI(機械学習)やってみた。【第4回】ソムリAIの改良(正規化)

ソムリAI(ワインの評価を機械学習で当てる「ソムリエ+AI」)はもういいかなと思っていたのですが、機械学習の教科書的な本を読んでいるといくつか改良ポイントが見えてきたので、実際に適用してみようと思います。 まずは データの正規化 という手法を試してみました。結論から言うと、 あまり効果はなかった のです。。 ソムリAIの振り返り ワインの成分とランクのデータに対して、決定木・ロジスティック回帰・ニューラルネットワークの3通りのモデルを使って機械学習 を行い、モデルの精度を検証してきました。それぞれのソムリAIの性能はこんな感じでした。 どのモデルも概ね60%程度の精度 でした。 改良その1:正規化 正規化とは まずは 正規化 という手法を試してみます。標準化とも呼ばれます。正規化を行うことで 尺度の異なるデータを比べやすくする とともに、 はずれ値の影響を小さくする ことができます。正規化には 各データを平均0・標準偏差1に成形する手法 と、各データを 0から1の範囲に成形する手法 の2つがあります。 前者は標準偏差が出てくることからも分かるように、 データが正規分布に従うことを前提にした正規化手法 です。 元のデータが釣鐘型の分布になっている場合に有効 です。後者は単純に データの範囲を0から1の範囲に狭める手法 であり、 元のデータが一様分布の場合 (規則性が無くランダムなように見える場合) に有効 です。 どちらの手法でもデータの範囲を一定のレンジに狭めており、そうすることで異なる尺度のデータを比べやすくしつつ、はずれ値の影響を下げるのです。 正規化してみる 元データの分布を確認 前回同様のワインのデータを使って正規化してみます。まずはワインのデータを読み込んで表示してみます。ついでに機械学習で使うワインの成分と、ワインの評価にデータを分割しておきます。 【オリジナルのワインデータ】 UCI(University of California, Irvine:カリフォルニア大学アーバイン校) http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv #入力データセットを読み込み i...

『深層学習 Deep Learning (監修:人工知能学会)』 ☆4

人工知能学会が定期発行する学会誌『人工知能』に掲載された連載解説を単行本化した本。ディープラーニングの基礎から、画像認識・自然言語認識のような実践まで網羅的に書かれているので全体像をつかむには最適かも。

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day0:渡米前にやっておくこと】

UMASS Lowellの卒業式@Bostonについて、計画の立て方やら行く前にやっておくことやらをまとめておきます。

【番外編】ビッグデータ解析やってみた。【第1回】地震解析 ~最近地震多くないですか?~

「なんか最近地震多くない?」と思って調べ始めたら結果としてBI(ビジネスインテリジェンス)ツールを使った”なんちゃってビッグデータ解析”になってしまいました。4回くらいに分けて連載してみようと思います。

【番外編】AI(機械学習)やってみた。【第7回】乳がん診断AI その2

乳がん診断AI第二弾です。前回に引き続き、ランダムフォレスト・多数決などのアルゴリズムを使って精度を確認していきます。前回、ニューラルネットワークが叩き出した診断精度95%を大きく超える結果になりました!

【番外編】AI(機械学習)やってみた。【第5回】ソムリAIの改良(アンサンブル学習)

ソムリAI(ワインの評価を機械学習で当てる「ソムリエ+AI」)の改良として前回は正規化を試しました(大した効果なし)。今回は「アンサンブル学習」と「交差検証」というものを試してみようと思います。 アンサンブル学習とは ざっくりいうと、 複数の機械学習モデルのいいとこどりをしてより精度の高いモデルを作る ということです。「アンサンブル」っていう表現がおしゃれですよね。複数のモデルを組み合わせることで 過学習を防ぐ効果 もあるそうです。 交差検証とは 今までのソムリAIでは、データを訓練用と検証用に分けて訓練データでモデルを作成し、検証データ(モデルにとっては未知のデータ)でモデルの精度を測定していました。 訓練データでの精度に比べて検証データでの精度が高い場合は訓練データに個別最適化された過学習なモデルということになります。一方で、訓練データと検証データでの精度があまり変わらない場合は汎化性能の高いよいモデルということになります。 交差検証(Cross Validation)は、 訓練データをさらにn個に分けて訓練することで過学習を防ぎつつモデルの精度を上げる手法 です。例えば、3個に分ける場合こんなイメージです。複数のモデルを使ってよりよいものを作るので、アンサンブル学習の1手法ともいえます。 実際にやってみる 毎度おなじみですが、まずワインデータを読み込んで、訓練データ・検証データに分割します(データの正規化は後でやります)。 #入力データセットを読み込み import pandas as pd #データハンドリング用ライブラリ呼び出し data = pd.read_csv('winequality-red.csv', encoding='SHIFT-JIS') #機械学習で求める解である「評価」以外の項目をdata_Xに、「評価」をdata_Yに格納 data_X = data.copy() del data_X['評価'] data_Y = data['評価'] data.head() #読み込んだデータの先頭5行を出力 #入力データセットの70%を訓練データ・30%を検証データに分割 from sklearn.model_selection ...

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day2:晩餐会】

UMASS Lowellの卒業式@Boston。 2日目は午前中はボストン観光、夕方から Hooding ceremonyという卒業生(大学院生)向けの晩餐会です。卒業式で被るHoodをもらいました。

ベストビュー(全期間)

Malaysia Quarantine Premium Package 【番外編】Malaysia赴任記 隔離ホテル情報

Once entering Malaysia, we need to be quarantined for 14days. At the beginning of COVID-19 spread, the hotel for quarantine have been determined randomly. In these days, we can choose "premium quarantine stay package" in advance . This article is summary of premium packages which I asked each hotel. Note: Information in this article might be old. It's better to confirm the latest plan to the hotel. Note: Only Hotel Istana can be booked via its homepage so far. As the other hotels don't show their premium package plans on their homepage, you need to contact them through their reservation E-mail address or "Contact us". マレーシア入国とともに14日間ホテルで隔離されます。当初は滞在ホテルがランダムに割り振られていたようですが、より快適なプレミアムプランが追加されました。各ホテルにどんなプランがあるのか聞いてみたので、聞いた内容をまとめます。 ※情報が古い可能性があるので、念のため最新情報を各ホテルに確認したほうがよいかもしれません。

【番外編】AI(機械学習)やってみた。【第1回】ソムリAI ~決定木編~

最近ブームのAI(機械学習)に手を出しました。まずは、決定木(Decision Tree)というモデルを使って「ソムリAI(ワインソムリエAI)」を作ってみようと思います。

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day0:渡米前にやっておくこと】

UMASS Lowellの卒業式@Bostonについて、計画の立て方やら行く前にやっておくことやらをまとめておきます。

【番外編】AI(機械学習)やってみた。【第6回】乳がん診断AI その1

ソムリAI(ワインソムリエAI)で使った手法で乳がん診断AIを作ってみます。まずは決定木とニューラルネットワークの2つのモデルを試してみます。かなり高性能なモデルができました。名医誕生かもしれません 笑

【番外編】AI(機械学習)やってみた。【第3回】ソムリAI ~ニューラルネットワーク編~

AI(機械学習)やってみた、第3弾です。「ニューラルネットワーク(Neural Network)」を使ったソムリAIを作ってみようと思います。”ニューラルネットワーク”、見るからにAIっぽい名前ですよね。

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day5:帰国】

UMASS Lowellの卒業式@Boston。5 日目にして帰国なのです。

【番外編】ボストン旅行記(UMASS Lowell卒業式編)【Day 4:卒業式】

UMASS Lowellの卒業式@Boston。4 日目は卒業式本番です。とても賑やかでアメリカンな式典でした。ただしあいにくの雨、僕曇り男なのに。。

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day2:晩餐会】

UMASS Lowellの卒業式@Boston。 2日目は午前中はボストン観光、夕方から Hooding ceremonyという卒業生(大学院生)向けの晩餐会です。卒業式で被るHoodをもらいました。

【番外編】AI(機械学習)やってみた。【第2回】ソムリAI ~ロジスティック回帰編~

AI(機械学習)やってみた、第2弾です。前回は決定木(Decision Tree)を使ったソムリAI(ワインソムリエAI)を作りました。今回は「ロジスティック回帰(Logistic Regression)」というモデルを使ったソムリAIを作ってみようと思います。

【番外編】ボストン旅行記(UMASS Lowell卒業式編) 【Day1:ボストンへ】

UMASS Lowellの卒業式@Boston。 1日目は移動だけで終わりました。