戻る

仕事での取り組み

日々の仕事や生活で感じる不便から、ツールづくりを始めるのが好きです。解決したいことを整理し、実際に使って確かめながら、改善を重ねています。

図は、作業の進め方を表したものです。

Baseconnectのインターンとして、企業情報の抽出とデータ品質の改善に携わっています。WebページやPDFの情報が構造化される過程を調べ、抽出漏れや誤抽出、データの誤りの原因を特定し、生成パイプラインの修正と検証を進めています。3か月で作成した190件のPRは、同僚のレビューを経てマージされました。この取り組みの中で、特定のデータ項目の精度は40%台から85%に、データカバー率は30%台から75%に改善しました。

PR件数の背景にある、三つの修正例

  • PDFの重複文字:文字の座標を調べて原因を特定。通常のページでは追加処理を省き、境界条件も検証しました。
  • 有効なページの誤削除:処理をたどって前処理ルールの誤判定を調査。抽出結果が復元されたことと、新たな誤りの有無を確認しました。
  • 出典情報の欠落:データの生成側と受信側を調査。出典をたどれるようにし、受信時のチェックを追加しました。

2026年6月初旬〜9月初旬、担当した企業の部署・組織情報の項目で、人による作業とAIの支援を組み合わせて改善を進めました。この期間に、精度は40%台から85%、データカバー率は30%台から75%へと変化しました。

精度=正しく抽出できた件数 ÷ 抽出した総件数。データカバー率=抽出した総件数 ÷ 正解データの件数。

仕事の進め方

調査を再開できる、自分用のダッシュボード

課題・根拠・進捗・次の作業をまとめて記録

データ品質の調査は、複数のAIセッションを使って進めます。経緯を説明し直す手間や情報の抜けを減らすため、データベースを備えた自分用のダッシュボードをつくりました。タスク、処理バッチ、検証結果、次の作業、担当者を記録し、新しいセッションはその記録を読んで再開します。毎日使いながら改良しています。開発の経緯は「最も難しかった開発経験」で紹介しています。

課題と根拠を残す
進捗と次の作業を見る
調査を進めて記録を更新

Web上の企業情報を、検索できるデータへ

元のページを読み解き、情報を構造化する

企業サイトに載っている部署や役職の情報は、ページごとに形式が異なり、更新によって内容も変わります。私は収集・抽出・検証の改善に携わっています。原文と処理ログを照らし合わせ、情報が抜けた箇所や解釈を誤った箇所を調べて、該当する処理を修正しています。

収集
抽出
検証
保存

変更の効果と、ほかのデータへの影響を確かめる

同じサンプルで変更前後を比べる

データを修正するときは、もともと正しかったデータへの影響も確かめます。比較に使うサンプルと判定基準をそろえ、変更前後で何が変わったかを確認します。正しくなった結果と新たに誤りが生じた結果をそれぞれ数え、追加の修正が必要か判断しています。

変更前後の結果を比較
変更前変更後
同じサンプルで比較
改善した結果と、新たな誤りを確認

問題に合わせて、ルールとモデルを使い分ける

判断の難しさ・安定性・検証の負担を踏まえる

書式や空値の扱い、除外条件が明確なものは、ルールで処理します。文脈を読み取る必要がある場合は、モデルを使う方法を検討します。それぞれの方法を比較し、出力を確かめるチェックも加えています。誤りを見つけ、その原因となった処理を調べやすくするためです。

処理方法を選ぶ流れ
条件が明確なもの → ルールで処理
文脈を読み取る必要があるもの
モデルの利用を検討
出力を原文と照合

一つの誤りから、同じ原因のデータを調べる

対象範囲の確認から、dry-run・本番実行・実行後の確認まで

誤りが見つかったら、同じ問題があるデータの範囲を調べ、修正するものと、そのまま残すものを分けます。一見不自然でも、業務上正しいデータは保護します。修正作業は私が担当し、読み取りのみでの確認、dry-run、バックアップ、本番実行、実行後の確認の順に進めます。その後、収集や保存の処理も調べ、同じ誤りを減らす方法を検討します。

データの修正と再発防止
1収集時の処理を調べる
2保存時のチェックを見直す
3既存データを確認・修正(dry-run → 本番実行 → 結果確認)
修正結果をもう一度確かめる

繰り返すデータ修正を、再利用できる処理にする

既存データの修正・発生源の修正・継続的な改善

繰り返し発生するデータの誤りに対応するため、修正処理を再利用できるtransformにまとめました。dry-runで確認し、バックアップを取って本番で実行した後、結果を確かめます。同じ方針で本番パイプラインを修正するPRも作成し、誤りの発生を減らしています。1.5か月、約180時間で38件のデータ修正タスクを解決しました。

既存データと、誤りが生じる処理を直す
1既存データをtransformで修正
2本番パイプラインの修正PRを作成
3次のバッチで再利用し、結果を確認

読み取りのみで確認 → dry-run → バックアップ → 本番実行 → 結果確認

AIと進める調査・開発

Claudeを開発に活用し、作業を九つの段階に分けています。①私が課題と目標を定める、②AIに調査を依頼する、③私が調査結果の妥当性を判断する、④AIにコード案の作成を依頼する、⑤私が気になる点やリスクの高い箇所を確認する、⑥修正案を調整してPRを作成する、⑦受け入れ基準をMarkdownファイル(.md)に書く、⑧マージ後に基準に沿って検証する、⑨結果をPRのコメントに残す、という流れです。前の議論を引き継がないエージェントにも、反例の検討やレビューを依頼します。課題を明確にし、方針を選び、実際の業務に合う結果が得られたかを確かめることを大切にしています。

MapleStory Mの韓国サーバーで遊ぶ中国語圏のプレイヤーに、攻略とサービスを届ける

Studio Keya_cc|2019年11月〜2025年12月|事業の立ち上げ・運営

中国語圏のプレイヤーが抱えていた課題

MapleStory Mの韓国サーバーで遊ぶ中国語圏のプレイヤーは、支払いに加え、韓国語の情報や複雑なイベントルールの理解、予算の使い方にも課題を抱えていました。アップデートごとの内容、参加方法、予算の使い方を中国語でまとめて伝えました。

運営と情報発信の規模

  • 2,000人以上累計顧客数重複を除く
  • 約50万回動画の累計再生数
  • 約3名インターンピーク時
  • 約3.5億円顧客からの累計受取額約1,500万元・決済代行資金を含む
  • 300万元超累計粗利益300万元の参考換算:約7,100万円
  • 約5,900万円累計純利益(推計)約250万元
金額の内訳・参考レート

粗利益:ギフトカード購入費・チャージ実行原価を控除した金額。人件費・その他の運営費は控除前。

円換算は経営実績を比較するための参考値。中国外貨取引センターが算出し、中国人民銀行が2026年10月15日に公表したレート(1人民元 ≈ 23.5449円)で概算。2026年10月16日確認。

AIを使った開発へ

相談対応や運営を続ける中で、繰り返し出てくる困りごとを見つけ、対応の手順を整えてきた。この経験から、現場の課題を整理し、使える仕組みに落とし込むことに面白さを感じた。今はAIを活用したアプリや業務ツールの開発で、その関心を形にしている。

提供した攻略情報と有料サービス

攻略情報では、ゲームのルールと購入の選択肢を説明しました。有料サービスは、韓国ウォンでのチャージやゲーム内アイテムの購入代行、ゲーム内取引の保証サービス(取引ごとに手数料を受け取る)、新規プレイヤー向けの時間制の相談(1分単位で料金を設定)の三つです。創業者としてサービスを設計・運営し、直接提供する責任を担いながら、インターンにも業務を分担してもらいました。この三つのサービス全体で、重複を除く累計顧客数は2,000人以上です。

期待値と費用を計算し、具体的な手順を提案する

アイテムの獲得量や費用対効果を期待値などで計算し、購入するパックの組み合わせや利用手順を提案しました。同じゲーム内効果を得るための支出を抑えられるよう、成長パックの購入可能レベルと重複する区間、同じ予算で直接コインを買う場合とパックを組み合わせる場合の違い、スキルの効果と抽選・強化の費用を比較しました。何を得るために、いくら使い、どこから始めるかが分かる攻略案にまとめました。

情報の制作・配信と継続的なサービス

攻略画像、PDF、文章、動画の制作に参加し、運営期間中は攻略サイトもつくりました。攻略の更新情報を受け取るユーザーにまとめて配信し、相談、ゲーム内取引、支払い代行、その後の対応まで提供しました。サービスが増えるにつれて、問い合わせ対応の手順、役割分担、タスクの管理方法を整理し、ピーク時には約3名のインターンを雇用しました。

当時の攻略資料

運営期間中に使っていた攻略画像の例です。図中の価格や「価値」は、当時のゲーム内アイテムを比較するための金額です。