Kaoru Honda | 本多 郁
「課題はあるが、まだ手法が定まっていない」──そんな AI R&D フェーズから、仮説検証と定量評価を通じて技術的な意思決定を支援します。
Computer Vision・エッジAI → LLM / VLM / AI エージェント → Physical AI（SLAM・自己位置推定）と領域を広げてきた、 分野横断型の AI 研究開発エンジニア です。「課題発見 → 調査 → 不足の特定 → 仮説設計 → 最小実装 → 定量評価 → 運用化」というドメインを跨いで再現してきた R&D プロセスと評価設計・実験設計の力量、AI コーディングエージェント（Claude Code）を組み込んだ AI-native な開発スタイルにより、 R&D フェーズの技術的意思決定を定量的根拠で支えます 。
- Physical AI / SLAM R&D： 四足歩行ロボット Unitree Go2（LiDAR・IMU）による屋内・地下施設の自律巡回に向けた SLAM・自己位置推定。巡回一周後の位置誤差を脚オドメトリ比で 1桁以上改善（メートル級→数cm級） する測位基盤を実証・運用化
- Computer Vision R&D： Transformer / CNN ベースの異常検知・物体検知・エッジ検出・テキスト検出／認識・単眼深度推定などを、現場データ特性を踏まえて学習・改良・評価まで一貫支援
- LLM・VLM・AI エージェント R&D： LangGraph による AI エージェント開発（多経路 peer-review／評価軸ペルソナ駆動型生成）、VLM ドキュメント構造抽出の評価設計、Advanced RAG の横並び比較と LLM-as-a-Judge 並走評価、ローカル LLM の SFT / DPO 事後学習・vLLM 推論基盤対応
- Edge AI / NVIDIA： NVIDIA Jetson Orin / CUDA / TensorRT 環境での推論最適化（解像度設計・量子化・FP16 ビルド）。車載向け単眼深度推定で 最大2.8倍 の高速化を達成
R&D への関わり方
R&D チームの目標に対して個別テーマを担当・推進し、 技術調査〜仮説設計〜実装〜評価〜運用化 までを一貫して引き受けます。以下のような状況で貢献できます。
① テーマだけがある段階からの道筋策定
「機材・データはあるが、実現方法が決まっていない」「この新しい手法（SLAM / VLM / ローカル LLM 等）は自社課題にどこまで効くか」を切り分けるフェーズ。
- 文献・論文・公開技術情報・OSS 実装の技術調査と候補比較
- 採用技術の選定・提案と、不足機能の特定（コード調査ベース）
- 評価データ設計とゼロショット性能の定量検証、必要な組合せ戦略の提示
② 既存 R&D テーマの評価設計・改善判断
「モデルは動いているが評価指標と実運用要件がずれている」「失敗ケースが整理されていない」「改善が本当に効いているのか定量的に分からない」フェーズ。
- 評価指標と実運用要件の乖離分析
- 失敗ケースの定量分類・原因仮説化（データ／前処理／モデル構造）
- 顧客データの特性に切り込んだモデル改良と比較実験
- 改善判断のループを定量的根拠で回す
③ 実装・運用化フェーズの設計判断
「精度を維持してエッジ環境で動かしたい」「検証結果を再現性のある運用に落とし込みたい」フェーズ。
- 解像度設計・量子化（INT8 PTQ）・TensorRT FP16 ビルドの段階検証
- 検収基準を事前宣言したオフライン再現検証（rosbag 等）
- 品質保証パイプラインのランブック化・成果物の配布体制設計
- 速度／精度／開発コストのトレードオフを設計指針として整理
いずれの状況でも共通する強み： 仮説立案・実験設計・定量評価 、評価結果とデータ特性にもとづく 改善判断 、失敗ケースの構造化。Physical AI・Computer Vision・LLM / VLM を横断して提供します。
Services（提供できる技術領域）
1) Physical AI / SLAM・自己位置推定 R&D
ロボット・移動体の自律移動に向けた SLAM・自己位置推定・点群マップの研究開発を支援します。
- ROS2 ベース自律移動スタックの技術調査・候補比較・選定提案（文献・論文・OSS 実装）
- LiDAR-Inertial SLAM（Point-LIO 等）を土台にした自己位置推定機能の設計・実装 と、検収基準を事前宣言したオフライン再現検証（rosbag）
- 点群マップの生成〜水平化〜座標系正規化〜幾何検収（建築図面との照合）までの品質保証パイプライン構築
- IMU・オドメトリ等センサ系の実データ解析による故障モードの機構特定と運用ルール策定
- 実績： Unitree Go2 による自律巡回向け測位基盤で、巡回一周後の位置誤差を脚オドメトリ比 1桁以上改善（メートル級→数cm級）
2) Computer Vision R&D（評価・モデル改良）
Deep Learning / Transformer / CNN ベースの CV モデルを対象に、R&D フェーズの意思決定を支援します。
- 論文調査・アーキテクチャ理解を前提に課題を構造化
- 顧客データの特性に合わせてモデル内部に切り込み 、学習・ファインチューニング・モデル改良を含む比較実験を実施
- 失敗ケースの定量分類と原因仮説化（前処理／損失関数／アーキテクチャ）
- 定量評価にもとづき、再現性のある評価レポート／設計指針として整理
- 応用例：異常検知・物体検知・セグメンテーション・エッジ検出・テキスト検出／認識・単眼深度推定
3) LLM・VLM・AI エージェント R&D（評価設計・事後学習・推論基盤）
LangGraph による AI エージェント開発から、フロンティア VLM の評価実験、ドメイン特化 RAG 構築、ローカル LLM の事後学習・vLLM 推論基盤対応まで、LLM / VLM 活用の R&D フェーズを横断して支援します。
- AI エージェント開発（LangGraph / LangChain / LangSmith）： 多経路 peer-review × grounding、評価軸ペルソナ駆動型生成など Production-grade なエージェント設計・実装・評価
- VLM ドキュメント構造抽出・読解の評価設計： ゼロショット性能の定量検証、CV × VLM ハイブリッド戦略の必要性を切り分け（P&ID / 日本語スライド等）
- RAG パイプライン構築・評価設計： Advanced RAG（Base / HyDE / RAG-Fusion / Hybrid / Rerank）の同一条件横並び比較、Ragas 多指標評価、複数 Judge 並走による LLM-as-a-Judge の信頼性担保
- ローカル LLM 事後学習・推論基盤対応： Qwen3 系などへの SFT / DPO / LoRA / QLoRA、vLLM 環境での推論動作保証要件への対応
4) Edge AI / 推論最適化（NVIDIA Jetson / TensorRT）
Jetson Orin / TensorRT, PyTorch → ONNX → TensorRT における高速化・設計指針化。
- NVIDIA Jetson / CUDA エコシステム： Jetson Orin を中心に、NVIDIA GPU 上での推論最適化を実施
- TensorRT 最適化： 解像度設計・量子化（INT8 PTQ）・TensorRT FP16 を段階検証
- 低レベル最適化の検証： cuDNN / cuBLAS / cuBLASLt などの tacticSources を制御し、速度差を定量評価
- 速度／精度／開発コストのトレードオフを整理し、設計指針として提示
- 実績： 車載向け単眼深度推定モデル（DepthAnythingV2 系）で最大 2.8 倍の高速化
Selected Work
四足歩行ロボットによる屋内・地下施設の自律巡回に向けた LiDAR SLAM / 自己位置推定システム開発 — 巡回一周後の位置誤差を1桁以上改善：メートル級→数cm級（2026/06–継続中, 社名非公開）
Physical AI SLAM 自己位置推定 LiDAR・IMU 点群マップ ROS2 Point-LIO CMU系自律移動スタック Unitree Go2 PCD・RANSAC C++ / Python Docker rosbag Claude Code
概要： Physical AI（AI の物理世界への社会実装）の一環として、四足歩行ロボット Unitree Go2（エッジAIコンピュータ・LiDAR 搭載）による屋内・地下施設の自律巡回点検の実現に向けた技術検証プロジェクト（クライアント：AI技術の社会実装を手がける東証上場の国内AI企業）。 機体と標準搭載の LiDAR・IMU を用いることのみが決まった段階から、技術調査（文献・論文・公開技術情報・OSS 実装）により候補を比較検討し、ROS2 ベースの CMU系 OSS 自律移動スタック（LiDAR-Inertial SLAM「Point-LIO」ベース）の 採用を選定・提案（選定主導） 。実運用に不可欠な「作成済み点群マップを用いた自己位置推定」を確立する役割を担当しました。
- 自己位置推定モードの調査・設計・実装（中核成果）： OSS スタックのコード調査により「作成済み地図で自己位置推定を行うモードが存在しない」（探査用途の設計で、地図は書き出すのみ）ことを確定させ、 最小限の改造（地図の固定読み込み／地図追記の停止／初期姿勢注入）で実現可能であることを特定。パッチとして設計・実装し、 検収基準を事前宣言したオフライン再現検証（rosbag）で実証 。
- 実証結果： 複数の実サイトで、巡回一周後の位置誤差 数cm級 を達成（脚オドメトリ単独ではメートル級）。位置精度を1桁以上改善し、日をまたいで同一座標系で運用できる測位基盤を確立。
- 点群マップの品質保証パイプライン確立： 収録要件定義 → 素材検収 → 地図作成 → 水平化（床面の平面推定）→ 座標系正規化（方位・原点の規約策定）→ 幾何検収（建築図面との寸法照合・動的物体ゴースト検査）→ 配布までをランブック化し、複数サイト分の地図を検収済み成果物として配布。
- センサ系の解析・故障モードの機構特定： IMU キャリブレーション検証、脚オドメトリのスケール系統誤差の定量化、SLAM 初期化過渡による地図破綻の機構特定など、実データ起点の解析で運用ルールを確立。位置に関する諸課題の根本原因がオドメトリ依存にあることを特定し、地図照合型の自己位置推定で一括解決できるという技術方針を提言、チームの開発優先順位の決定に寄与。
- 開発オペレーション： GPU サーバ上の Docker 環境構築とレシピの文書化・Git 管理、可視化ツールによる共有手順の整備、AI コーディングエージェント（Claude Code）を解析・実装補助として組み込んだ開発フローの設計・運用（作業範囲の限定・人間による証跡確認を前提とした品質管理）。
LangGraph による多経路 peer-review pattern 研究レポート生成エージェント — 外部事実レベルの誤認を構造的に検出・修正（2026/04–継続中）
AI Agents LangGraph 1.x LangChain 1.x Claude Sonnet 4.6 Tavily Send API Pydantic v2 LangSmith Gradio Claude Code
概要： 複数 path が独立に外部検索（Tavily）の根拠を保持し、Round 2 で他視点ドラフトを参照して相互改訂する 「peer-review × grounding」パターン を LangGraph で実装。self-reflection / cross-reflection では原理的に発見困難な 外部事実レベルの誤認（パラメータ数の桁ミス・年ズレ等）を構造的に検出・修正 する設計が特徴です。
- Send API による並列 fan-out、Round 1 strict / Round 2 relaxed の非対称 Pydantic 制約、prompt 規範による constant chasing 回避が実装の主要ポイント
- 気象 × AI（ECMWF・NOAA・Google DeepMind 等の国際比較）を題材とした 4 視点 × 2 ラウンド構成の実行で、視点間 cross-synthesis を含む 1 万字超の研究レポートを生成。4/4 視点全てに Round 2 での事実訂正が発生
- コードに加え実成果物（研究レポート）まで公開。医療文献レビュー・技術動向調査・政策分析など、専門ドメインのマルチパースペクティブ調査全般への転用可能性を含めて研究中
LangGraph による評価軸ペルソナ駆動型 要件定義書生成エージェント — 生成／評価の LLM 分担でコスト -47%・時間 -18%（2026/03–継続中）
AI Agents LangGraph 1.x LangChain 1.x Claude Sonnet 4.6（生成） Claude Haiku 4.5（評価） Pydantic v2 LangSmith Claude Code
概要： 評価ペルソナを「人間役のシミュレーション」ではなく 「評価軸の擬人化」 として再定義し、ユーザーの意図表明から LLM が動的に評価軸ペルソナを生成、累積された全ペルソナでドラフトを毎回並列評価する設計。最弱軸の特定と補強ペルソナ追加により、ドメイン適応的に要件定義書の品質を継続向上させます。
- 評価結果と評価者（ペルソナ）の対応付けを LLM 任せにせず、コード側で確定させる構造化出力設計により、小型モデル（Haiku）への切り替え時も安定動作を確保
- 気象予報 AI モデル（ECMWF AIFS / NOAA GraphCastGFS）比較 Web アプリの要件定義に適用した検証で、11 章構成・2 万字超の要件定義書を生成
- 生成系（Sonnet 4.6）／評価系（Haiku 4.5）の LLM 使い分けにより、全 Sonnet 構成比で コスト -47%・所要時間 -18% を達成（評価品質維持）
- 提案書・テスト計画・設計レビューなど、ドメイン適応的な評価観点を要するドキュメント生成全般への転用可能性を含めて開発を継続
VLM によるドキュメント構造抽出・読解精度の評価実験（P&ID / 日本語スライドVQA） — ゼロショットでの性能限界と CV × VLM ハイブリッド戦略の定量検証（2026/02–継続中）
VLM Claude Opus 4.6 Claude Sonnet 4.6 GPT-4.1 Qwen2.5-VL-72B P&ID PID2Graph BusinessSlideVQA Pydantic 構造化出力 Gradio HuggingFace Spaces Claude Code
概要： 製造業の技術図面（P&ID：配管計装図）と日本語ビジネスドキュメントを対象に、 フロンティア VLM の ゼロショット構造抽出・読解性能の限界 を定量検証。 訓練データなしでどこまで構造化が可能かを、評価指標と実験設計の観点から切り分けました。
- P&ID 構造抽出（PID2Graph データセット, OPEN100, 12 枚）： Claude Opus 4.6 + Pydantic 構造化出力で JSON グラフ抽出。 1-shot → タイル分割（2×2）→ seam filter と段階改善し、 ノード検出 F1 0.964（Large 図面） を達成。 図面サイズが大きいほどタイル分割の効果が顕著（ΔF1: Small +0.04, Medium +0.16, Large +0.26）。
- エッジ抽出（接続関係）： F1 約 0.03。VLM はピクセルレベルの線追跡に弱く、 ゼロショットでは実用にならないことを定量確認 。 CV ベースの線検出・セグメンテーションとの組合せが不可欠との設計方針を導出。
- 日本語ドキュメント読解（BusinessSlideVQA, Stockmark 公開）： Claude Sonnet 4.6 / GPT-4.1 / Qwen2.5-VL-72B の 3 モデル比較評価。
- 得られた知見： VLM は意味理解（Precision 0.94）に強いが空間網羅性（Recall）に弱い。 この特性は P&ID に限らず 回路図・建築図面など構造化ドキュメント全般に適用可能な設計指針 。
気象ドメイン特化型 Advanced RAG 評価アプリ（5 手法 × 2 Judge 並走）の構築 — ドメイン特化 RAG の手法選択を定量化（2026/01–2026/02）
RAG Advanced RAG HyDE RAG-Fusion Hybrid (BM25+Dense) Rerank (Cohere) LangChain LangGraph LangSmith Ragas v0.4 LLM-as-a-Judge Chroma Gradio Hugging Face Spaces
概要： 固有名詞・略語が多く検索手法による精度差が出やすい気象ドメインを題材に、 5 種の RAG 手法を同一条件で横並び比較 し、 性質の異なる 2 系統の Judge で並走評価 する評価基盤を構築。 日本語版 Wikipedia ベース corpus（1,959 chunks）上で稼働中（Gradio + HF Spaces）。
- 定量結果： Rerank が 3 指標すべて 1 位。 context_precision で Base 比 +0.089（0.736 → 0.825）、answer_relevancy で +0.061。 Hybrid は本評価セットで明確な優位を示さず、corpus 構成依存の影響を確認。
- 2 Judge 並走（GPT-4o-mini × Claude Sonnet 4.6）： Judge 単独運用時の順位判断リスクを可視化し、 LLM-as-a-Judge の信頼性担保手法として有効性を定量確認 。
- 転用可能性： 医療・法務・製造業マニュアルなど、他ドメイン特化 RAG にも適用可能な評価設計テンプレートとして整理。
ローカル LLM（Qwen3-4B）の事後学習・vLLM 推論基盤対応 — SFT / DPO による構造化出力の安定化（2025/11–2026/02）
Local LLM Qwen3-4B-Instruct-2507 SFT DPO TRL LoRA / QLoRA vLLM v0.13 AutoAWQ / AutoGPTQ 構造化出力（JSON / YAML / TOML / XML / CSV）
概要： クラウド型 LLM 利用が制限される環境（オンプレミス・機密性の高い業務・エッジリソース制約）を想定し、 小型 LLM（4B クラス）の 事後学習による性能改善 と vLLM 本番相当環境での推論動作保証要件 への対応を実施。
- 事後学習： TRL を用いた SFT → DPO パイプラインを構築。 構造化出力（JSON / YAML / TOML / XML / CSV）の安定生成を目的に学習データを設計。
- vLLM 推論基盤対応： 公式 Docker イメージ（v0.13.0）での OpenAI 互換エンドポイント動作保証要件 （max-model-len, 量子化 config 自動認識, chat_template 整備, トークナイザー語彙変更禁止 等）に対応。
- 評価： 構造化出力タスクとマルチターンエージェントタスクの 2 系統で リーダーボード形式の相対評価を実施し、ハイパーパラメータ・学習データ設計を改善サイクルで回した。
- 得られた知見： 4B クラス LLM に対する SFT / DPO の効果と限界、 vLLM 環境での推論動作保証における設計制約の実務的理解を獲得。
車載向け 単眼深度推定（Transformer / DPT 系）の推論最適化 — Jetson Orin 上で最大 2.8 倍の高速化（2025/08–2026/01, NDA）
NVIDIA Jetson Orin CUDA TensorRT Edge AI PyTorch ONNX Transformer / ViT / DPT Monocular Depth Estimation DepthAnythingV2 系 自動運転・車載 INT8 PTQ / FP16
概要： 自動運転 / ADAS 領域で用いられる単眼深度推定モデル（DepthAnythingV2 系）を対象に、 再学習を行わず、推論側の設計変数 に着目した Edge AI 向け最適化 R&D を実施。R&D チームの研究テーマとして 評価・実験設計・改善判断・実装 を担当しました。
- 実験設計（再学習なし）： 入力解像度の最適化／INT8 PTQ／ONNX → TensorRT (FP16) ビルド最適化を、Downscale → PTQ → TensorRT の順で影響を分離して比較
- 定量結果： 解像度設計と TensorRT (FP16) 最適化により 最大 2.8 倍の高速化 を達成。INT8 PTQ は ViT / DPT 系で効果限定的（Attention / Softmax / LayerNorm がボトルネック）であることを定量確認
- NVIDIA スタック理解： TensorRT のビルド設定や内部実行計画（CUDA / cuDNN / cuBLAS 系）を設計変数として扱い、ブラックボックスにしない最適化判断を実施
- 知見の再現性： 「高解像度 CV では解像度設計＋推論バックエンド最適化を優先、量子化はモデル特性依存」の指針は物体検知・3D 認識など他モデルにも応用可能
高度計ライダー（LiDAR）衛星 波形シミュレータ・解析ツールの研究開発支援（2025/03, JAXA）
LiDAR 衛星高度計 3D 点群 波形シミュレーション 科学技術計算 Python
概要： 宇宙航空研究開発機構（JAXA）の高度計ライダー衛星向け波形シミュレータおよび波形解析パイプラインの研究開発を、Python エンジニア／データサイエンティストとして支援。 3D 点群データからレーザ強度分布生成・波形生成・光子数期待値変換・検出器レスポンス模擬・ピーク検出・最小二乗ガウシアンフィッティングによる高度導出までを統合した科学技術計算パイプラインに対し、機能拡張およびコード品質改善を担当しました。 単眼深度推定（2D の深度理解）・ロボット LiDAR SLAM（3D 空間測位）と並び、 深度・3D 知覚というキャリアを貫く技術系譜 の一角をなす実績です。
製造業向け Computer Vision R&D（Deep Learning / CNN・Transformer ベース）（2022/09–2025/03, NDA）
Deep Learning CNN Transformer / ViT Computer Vision Edge AI TFLite / ONNX 教師なし異常検知 物体検知 セマンティックセグメンテーション エッジ検出 テキスト検出／認識 特徴点マッチング
概要： 製造現場の厳しい撮像条件下における画像データを対象に、 CNN および Transformer ベースの深層学習 で異常検知・エッジ検出・テキスト認識などを支援。R&D チームの研究テーマに対し、 先行手法の原理検討・実装評価・現場適用性の検証 を担当し、CV チームの意思決定を定量的根拠で支える役割を継続しました。
- 原因分析： 失敗例・誤検出を分析しボトルネックを仮説化（データ特性／前処理／モデル構造）
- 改良と学習： 事前学習モデルを起点に学習条件・構成を調整し、必要に応じてアーキテクチャ・損失を含めて改良
- 定量評価： ケースごとに評価指標を揃え、改善効果を比較実験・再現性重視で検証
- エッジ視点： 運用制約を踏まえた軽量化・形式変換（TFLite / ONNX）も含めて検討
データサイエンス／意思決定支援（要約）
- 時系列分析・因果推論（Convergent Cross Mapping / Granger 因果検定）・予測モデル（アパレル領域のトレンド分析・宿泊予約売上予測モデルの構築など）
- Kaggle「H&M Personalized Fashion Recommendations」（Featured Competition）ブロンズメダル受賞 — 2,952 チーム中 290 位（2022, LightGBM）
- CIO（宿泊施設）として IT 戦略とデータ活用（2019–2026）
Product：SkyWalking（登山GPS・オフライン地図）
- 国土地理院 防災アプリコンテスト：防災アプリ賞（2016 / 2017）
Credentials（学位・所属・受賞・発表）
- 京都大学大学院 情報学研究科 社会情報学専攻 修士（M.S. in Informatics）
- 岐阜大学 気象データアナリスト養成プログラム 修了（気象庁・経済産業省認定, 2024 年度）
- 所属学会：人工知能学会 ／ 日本気象学会 ／ 気象ビジネス推進コンソーシアム（WXBC）
- Kaggle：「H&M Personalized Fashion Recommendations」（Featured Competition）ブロンズメダル — 2,952 チーム中 290 位（2022）
- 受賞：国土地理院 防災アプリコンテスト 防災アプリ賞（2016 / 2017）、文化庁メディア芸術祭 審査委員会推薦作品（2004）
- 著書（抜粋）：『Papervision3D ではじめる Flash3D アニメーション』（技術評論社, 2009）ほか
発表（抜粋）
過去の発表（さらに表示）
Independent Research（自主研究）
業務とは独立して、純粋な科学的関心にもとづき取り組んでいる研究テーマです（成果の社会実装は分野全体として発展途上）。
MiniGraphCast：Toy スケール GraphCast による GNN 世界モデルの構造要因分解
- multi-mesh 構造 × processor depth の ablation で構造要因を定量分解
- 2026-03 に研究結果を東京大学にて発表、v2 を準備中
気象予報 AI（GraphCast / ECMWF AIFS など）の公開データ解析・評価
- GraphCast（GNN 型全球予報）の Colab デモ実行：推論→可視化→簡易評価の流れを確認
- AIFS（operational）と GraphCastGFS（experimental）の位置づけ整理と Open Data 取得
- Herbie + ERA5 を用いた「同一 init / 同一変数で比較する」評価パイプラインの試作（例：Z500, MAE / RMSE）
About
京都大学大学院 情報学研究科 修士課程修了（M.S. in Informatics）。2000 年代から途切れなくソフトウェア開発に携わり、時代の変化に合わせて技術領域を更新し続けてきました。2020 年頃より Deep Learning を基盤とした Computer Vision・エッジAI を主軸に R&D チームの個別テーマを担当・推進し、 2023 年以降は LLM / VLM / AI エージェント領域に対象を拡張 、そして 2026 年からは Physical AI（LiDAR SLAM・自己位置推定） へと領域を広げています。単眼深度推定（2D の深度理解）→ 衛星高度計 LiDAR（JAXA）→ ロボット LiDAR SLAM（3D 空間測位）という 深度・3D 知覚の一貫した技術系譜 がキャリアを貫いています。専門性の核はドメインではなく、「課題発見 → 論文・OSS 調査 → 不足の特定 → 仮説設計 → 最小実装 → 定量評価 → 運用化」という ドメインを跨いで再現してきた R&D プロセス と、それを支える評価設計・実験設計の力量、AI コーディングエージェント（Claude Code）を組み込んだ R&D フローを自ら設計・運用する AI-native な開発スタイル にあります。この組み合わせにより、領域を移っても短期間で定量的な成果に到達し、研究開発組織の意思決定を定量的根拠で支えています。気象予報 AI（GraphCast / ECMWF AIFS）についても業務と独立に継続的な調査・評価・自作（MiniGraphCast）と勉強会主催を行っています。
Timeline（主要）
Personal（趣味・座右の銘）
- 趣味：登山／自転車（ロングライド）／水泳／テニス／旅行／京都探索／読書／ピアノ
- 関心：AI と人類・社会・文明／気候変動・脱炭素化社会・再生可能エネルギー・地球史
- 座右の銘：“Stay hungry, stay foolish.”