起業を成功させるポイント！モフモフ（´ω`*）

起業を成功させるポイントは、″いい人″をパートナーに選ぶこと





『「起業」の歩き方　リアルストーリーでわかる　創業から上場までの50のポイント』（藤野英人著、実務教育出版）に描かれているのは、資産運用会社のレオス・キャピタルワークス、水のホームオフィスデリバリーをしているウォーターダイレクト、健康食品や医薬品を電子商取引のかたちで販売しているケンコーコムと、著者自身が3つの企業と関わるなかで体験してきたリアルストーリー。それらを通じ、「創業から上場に至るまでに覚悟しておくべき50のこと」を解説しているわけです。

かつてはベンチャー企業やベンチャー経営者をいかがわしい存在だと思っていながら、結果的に投資家／起業家として成功した著者は、起業は必ずしも高いハードルではないといいます。しかし同時に、「私は起業するべきでしょうか？」というような質問をしてくる人には起業をすすめないとも。理由は、なにを言われても「やる人はやる。説得されてやめるような人は、起業に向いていない」から。



起業するかどうか悩んでいる人は、ぜひ本書を読んでみてください。そして何だか熱くなった人、あなたは起業に向いています。（中略）もし自分には難しそうだと思った人は、起業しない方が賢明な判断だと思います。（7ページより）


第1章「スタートアップ　信頼できる仲間とともに起業のタネを蒔く」のなかから、「Episode1　創業を乗り越えるために必要なもの」を見てみましょう。



「誰とやるか」


起業しようと思い立ったとき、「何をやるか」ということと同時に考えるべきが「誰とやるか」。そして著者が自身の経験や周囲の話を聞いて得た結論は、起業のパートナーは"いい人"かどうかが大事だといいます。この場合の"いい人"が意味するのは、「起業家自身の人生や仕事に対する価値観と近い人物である」ことと、「人格的に信頼できる人物である」こと。

人材選びの基準は「仕事ができる／できない」という能力軸と、「人格がいい／悪い」という人格軸をイメージするとつかみやすいとか。人材のタイプにはAタイプ「仕事ができて、人格もいい」、Bタイプ「仕事はできるが、人格が悪い」、Cタイプ「仕事はできないが、人格はいい」、Dタイプ「仕事ができず、人格も悪い」の4つがあり、当然ながら誰もが声をかけるのは、能力も人格も文句なしのAタイプ。しかし、あとひとり増やしたいときに著者が選ぶのはCタイプだそうです。

仕事ができても人格がよくないBタイプは会社を破壊しかねないけれども、Cタイプは無害であり、成長の可能性も高いというのがその理由。人格の修正は困難だが、スキルの習得は技術の問題。価値観の合う人と成長していく方が、会社の伸びしろは大きいというわけです。（19ページより）



創業時の最適な人数


著者が考える創業時の最適な人数は3~4人。2人だけだと粋が詰まり、5人を超えると当事者意識を持てない人が出現するリスクが高まるから。しかし3人なら、全員が当事者意識を持ちながらも、ほどよい客観性を持って意見を出し合うことができるわけです。

ただし創業当初の売上が立ちにくい場合は、思い切ってひとりでやるのも手。コストが小さく身軽で、決断から行動までをひとりでこなせればスピードも早いからです。事実、会社としてやらなければならないことをまず全部ひとりでやってみると、のちのち役に立つこともあるといいます。（23ページより）



起業に向いた性格


起業には明らかに「向いている性格」「向いていない性格」を分ける適性があり、自分に向かないことを正しく認識することも大切だと著者は主張します。そして「起業家に向く性格とは？」と問われてまず浮かぶのは、「変化に強いこと」だそう。信頼も実積もお金もないベンチャー企業は、周囲の評価によって環境が激変することが常。常に変化の大波小波にさらされているからこそ、そういった変化に対してあまり抵抗なく耐えられるタイプの方がいい。もっといえば、変化を楽しむくらいの度量があるとベターだということです。

ちなみに起業する人を職種タイプで分けると、優秀な実績をあげた営業タイプか、特定の技術開発を専門としてきた職人タイプが多いのだとか。営業タイプは売り上げをあげることが得意なので、創業当初は会社も順調。しかし、より高度な商品開発などを求められたときには、営業スキルだけでは対処しきれない場合も。一方で職人タイプは、優れた商品開発能力はあっても営業スキルが不足しがち。両者のバランスを保つためにも、自分に足りないところを補ってくれる仲間を見つけることが大切だといいます。（32ページより）

機械が文章の感情を理解する！モフモフ（´ω`*）

機械が文章の「感情」を理解する





（gigaom）スタンフォード大学のあるグループが長年研究を続けてきたのは、どんな長大な文章でも、その全体を一度に理解することができる学習モデル。その精度をさらに上げるために研究者たちが活用しているのは、ネット上に豊富に見つかる映画レビューなのだとか。

スタンフォード大学博士課程の学生であるRichard Socherさんは、Googleや他の会社が構築しようとしてきた「人間の言葉を理解する神経ネットワーク」のことを評価しながらも、こう考えていました。「自分たちの研究の方が、もっと役に立つ」。

そして彼らは、望む人すべてに自分たちのコードをシェアしようとしています。



機械判断：この文章が伝えたいのは「賛成／反対」？


Socherさんは、機械学習の専門家やコーセラの共同設立者であるAndrew Ng教授も含むスタンフォード大学の研究チームとともに、文章に込められた感情の85%を正確に分類できるコンピュータモデルを開発しました。

このモデルは、文章全体のトーンがポジティブなのかネガティブなのかを見極めることができるもので、すでにこれまで、最高で約80%の精度を誇っていたといいます。この手の分野では、通常1%でも向上すれば御の字というところなので、開発を経て5%も上がったのは大したものです。

さらにこれは、ビジネスにおいても大きな意味をもちます。というのも、オンラインで人々がどんなことを言っているのかを理解する作業を、これまで以上に自動化しようというのです。ツイート、感想、ブログ記事など、自分の意見を表明するものすべてを逐一見て、意見をいくつかに分類したり、データベースに入れたりすることに人間を雇うのは、間違いなく非効率的です。感情や分析や、ソーシャルメディアの監視に対する初期のアプローチは、文脈をとらえていないひとつの言葉に捕われてしまううこともよくあり、かなり大雑把なものでした。

Socherさんのチームは、ひとつの言葉に捕われるのではなく、文章全体で文脈を捉えることに成功しました。オンライン上にある約1万1000点の映画の感想（主に米大手映画レビューサイト「 Rotten Tomatoes」のもの）を使い、「Sentiment Treebank」を作りました。Sentiment Treebankの目新しさは、1万1000もの文章を21万5000以上のフレーズに分け、それから人間がそれぞれのフレーズを、Amazon Mechanical Turkを使って「とてもネガティブ」から「とてもポジティブ」まで分類しているところです。

研究チームはさらに、「Recursive Neural Tensor Network」という新しいモデルを構築しました（「Recursive Neural Networks」という既存のモデルを進化させたもの）。すべての単語やフレーズを数字に置き換え、お互いがどのような関係にあるのかを計算するというものです。

映画レビューのような言語的に複雑な内容の文章を処理する時は、文章全体の意味を形成するために互いの単語がどのように作用しているかを、きちんと理解することができるモデルが必要だと、Socherさんは説明していました。映画の感想のような文章では、単語の順番や、単語同士の結びつき方が、とても重要な意味を持つからです。

Socherさんの言葉を端的に表す例を挙げましょう。



「まったりとして、同じ事を繰り返す部分があったが、しかしそれが興味を惹き付けるスパイスになっている」


こうした文章では、「"しかし"の後にくる言葉は、"しかし"の前にくる言葉よりも重要です。ひとつの単語やひとつのフレーズに焦点を当てるモデルでは、この辺りの文意を拾い上げることができません」（Socherさん）



やがては絵文字も解析!?


Socherさんは、このモデルの精度を95%まで上げることができると考えているようです。ただし完ぺきにはできないだろうとも思っています。しかし、常に決まった単語の組み合わせで、文章の構造や専門用語や隠語などもなければ、このモデルは効果的にパターンを認識できます。

たとえば映画の感想を解析する練習では、絵文字はほとんど使われていなかったので、Socherさんの研究チームは絵文字の入った文章も追加しています。

他にも、単語の形態を分析するアルゴリズムも開発しなければなりませんでした。たとえば「absurdly（ばかばかしいほどに、驚くほど）」という単語は、そこまで頻繁に使われる単語ではありませんが、このアルゴリズムは「ly」が接尾辞として付いている単語であればまったく新しい単語として登録しなくても、予測をして判別できます。

Socherさんと研究チームが長年研究してきた、新しいモデルとSentiment Treebankは、より幅広い意味をとることができるようになっています。GoogleやFacebook、Microsoftなどの会社が、画像認識や、音声認識、言語理解というような分野で公表してきた研究のお陰でもあります。（SocherさんはMicrosoft Researchの研究員でもあります）先日IBMは、4つの有名大学との共同研究として、この分野をさらに深く研究したものを発表していました。

Socherさんは、自分たち以外でも素晴らしい仕事がなされているのは認めていますが、ひとつの単語や画像認識において、商業的な実用性どれだけあるのかは、（少なくとも今のところは）確信していません（Googleやその他の会社はおそらくこの意見に反対でしょうが）。Socherさんとスタンフォードの共同研究社たちは、感情の分析はさておき、フレーズや文章に焦点を当ててきたので、このモデルは機械翻訳や文法解析、論理的思考のような分野の性能を上げるだろうと語っています。

機械が文章の感情を理解する！モフモフ（´ω`*）

機械が文章の「感情」を理解する





（gigaom）スタンフォード大学のあるグループが長年研究を続けてきたのは、どんな長大な文章でも、その全体を一度に理解することができる学習モデル。その精度をさらに上げるために研究者たちが活用しているのは、ネット上に豊富に見つかる映画レビューなのだとか。

スタンフォード大学博士課程の学生であるRichard Socherさんは、Googleや他の会社が構築しようとしてきた「人間の言葉を理解する神経ネットワーク」のことを評価しながらも、こう考えていました。「自分たちの研究の方が、もっと役に立つ」。

そして彼らは、望む人すべてに自分たちのコードをシェアしようとしています。



機械判断：この文章が伝えたいのは「賛成／反対」？


Socherさんは、機械学習の専門家やコーセラの共同設立者であるAndrew Ng教授も含むスタンフォード大学の研究チームとともに、文章に込められた感情の85%を正確に分類できるコンピュータモデルを開発しました。

このモデルは、文章全体のトーンがポジティブなのかネガティブなのかを見極めることができるもので、すでにこれまで、最高で約80%の精度を誇っていたといいます。この手の分野では、通常1%でも向上すれば御の字というところなので、開発を経て5%も上がったのは大したものです。

さらにこれは、ビジネスにおいても大きな意味をもちます。というのも、オンラインで人々がどんなことを言っているのかを理解する作業を、これまで以上に自動化しようというのです。ツイート、感想、ブログ記事など、自分の意見を表明するものすべてを逐一見て、意見をいくつかに分類したり、データベースに入れたりすることに人間を雇うのは、間違いなく非効率的です。感情や分析や、ソーシャルメディアの監視に対する初期のアプローチは、文脈をとらえていないひとつの言葉に捕われてしまううこともよくあり、かなり大雑把なものでした。

Socherさんのチームは、ひとつの言葉に捕われるのではなく、文章全体で文脈を捉えることに成功しました。オンライン上にある約1万1000点の映画の感想（主に米大手映画レビューサイト「 Rotten Tomatoes」のもの）を使い、「Sentiment Treebank」を作りました。Sentiment Treebankの目新しさは、1万1000もの文章を21万5000以上のフレーズに分け、それから人間がそれぞれのフレーズを、Amazon Mechanical Turkを使って「とてもネガティブ」から「とてもポジティブ」まで分類しているところです。

研究チームはさらに、「Recursive Neural Tensor Network」という新しいモデルを構築しました（「Recursive Neural Networks」という既存のモデルを進化させたもの）。すべての単語やフレーズを数字に置き換え、お互いがどのような関係にあるのかを計算するというものです。

映画レビューのような言語的に複雑な内容の文章を処理する時は、文章全体の意味を形成するために互いの単語がどのように作用しているかを、きちんと理解することができるモデルが必要だと、Socherさんは説明していました。映画の感想のような文章では、単語の順番や、単語同士の結びつき方が、とても重要な意味を持つからです。

Socherさんの言葉を端的に表す例を挙げましょう。



「まったりとして、同じ事を繰り返す部分があったが、しかしそれが興味を惹き付けるスパイスになっている」


こうした文章では、「"しかし"の後にくる言葉は、"しかし"の前にくる言葉よりも重要です。ひとつの単語やひとつのフレーズに焦点を当てるモデルでは、この辺りの文意を拾い上げることができません」（Socherさん）



やがては絵文字も解析!?


Socherさんは、このモデルの精度を95%まで上げることができると考えているようです。ただし完ぺきにはできないだろうとも思っています。しかし、常に決まった単語の組み合わせで、文章の構造や専門用語や隠語などもなければ、このモデルは効果的にパターンを認識できます。

たとえば映画の感想を解析する練習では、絵文字はほとんど使われていなかったので、Socherさんの研究チームは絵文字の入った文章も追加しています。

他にも、単語の形態を分析するアルゴリズムも開発しなければなりませんでした。たとえば「absurdly（ばかばかしいほどに、驚くほど）」という単語は、そこまで頻繁に使われる単語ではありませんが、このアルゴリズムは「ly」が接尾辞として付いている単語であればまったく新しい単語として登録しなくても、予測をして判別できます。

Socherさんと研究チームが長年研究してきた、新しいモデルとSentiment Treebankは、より幅広い意味をとることができるようになっています。GoogleやFacebook、Microsoftなどの会社が、画像認識や、音声認識、言語理解というような分野で公表してきた研究のお陰でもあります。（SocherさんはMicrosoft Researchの研究員でもあります）先日IBMは、4つの有名大学との共同研究として、この分野をさらに深く研究したものを発表していました。

Socherさんは、自分たち以外でも素晴らしい仕事がなされているのは認めていますが、ひとつの単語や画像認識において、商業的な実用性どれだけあるのかは、（少なくとも今のところは）確信していません（Googleやその他の会社はおそらくこの意見に反対でしょうが）。Socherさんとスタンフォードの共同研究社たちは、感情の分析はさておき、フレーズや文章に焦点を当ててきたので、このモデルは機械翻訳や文法解析、論理的思考のような分野の性能を上げるだろうと語っています。