AI/ML engineer and data scientist at Fukushima Galilei in Osaka. I build systems that turn noisy data into decisions people can trust; my current one flags equipment failures days before they happen.
All models are wrong, but some are useful. — George Box
Selected work
- Decision phenotypes of addiction: computational psychiatry on 12,883 Iowa Gambling Task choices of heroin users, amphetamine users and controls; reinforcement-learning models (PVL-Delta, VPP, ORL) vs a GRU, which predicted unseen people's next 40 choices better than every psychology model (69% of people); plus an LLM agent playing the same task with and without chain-of-thought · case study
- Bilingual product search and recommendation: Japanese/English search on Amazon ESCI with BM25, multilingual E5, hybrid retrieval and reranking, then both models fine-tuned on ESCI: NDCG@10 0.595 (JA) / 0.576 (EN), up from 0.567 / 0.560 off the shelf; hybrid search 32 ms per query on CPU; also tested an open LLM (Qwen2.5-7B, free Colab) as a relevance judge: weak agreement with human labels (Cohen's κ 0.16–0.21), and a reranker distilled from its labels did worse than one trained on human labels · case study
- Industrial anomaly detection on the edge: visual inspection and vibration monitoring, int8 at 89 ms per image on one CPU thread · case study
- Stress detection from wearable sensors: 92.7% accuracy on people the model never saw · case study
- Blood-cell classification with a vision transformer: 98.4% across eight cell types
- World Cup 2026 forecasts: Monte Carlo simulation, Brier score 0.178 · live
- Vision transformer experiments: knowledge distillation and DETR object detection
Writing
- Detecting stress from wearable sensors, in people the model has never seen
- Why predictive maintenance models fail without domain constraints
Python · PyTorch · scikit-learn · computational psychiatry · time series · search & recommendation · computer vision · RAG
Kyoto University of Advanced Science, B.E. 2025 · AWS Certified AI Practitioner
prarujthapa.com.np · LinkedIn · thapa.praruj@gmail.com
大阪のフクシマガリレイ株式会社で働くAI・機械学習エンジニア／データサイエンティスト。ノイズの多いデータを、信頼できる判断へと変えるシステムを作っています。
- 所属: フクシマガリレイ株式会社（時系列異常検知システムを開発。設備の故障兆候を3〜4日前に検知）
- 専門: 時系列・センサーデータの機械学習、検索・レコメンド、Vision Transformer、モンテカルロシミュレーション、RAG・ローカルLLM
- 学歴: 京都先端科学大学 工学部 機械電気システム工学科（2025年卒）
すべてのモデルは間違っているが、中には役に立つものもある。 — ジョージ・ボックス
主な取り組み
- 依存症の意思決定フェノタイプ：ヘロイン使用者・アンフェタミン使用者・健常者によるアイオワ・ギャンブリング課題12,883回の選択で計算論的精神医学を実践。強化学習モデル（PVL-Delta・VPP・ORL）とGRUを比較し、GRUが未知の人物の次の40回の選択をすべての心理学モデルより正確に予測（69%の人物）。同じ課題を思考の連鎖あり・なしでプレイするLLMエージェントも構築 · 解説
- 日英バイリンガル商品検索・レコメンド：AmazonのESCIデータでBM25・多言語E5・ハイブリッド検索・再ランキングを比較し、両モデルをESCIでファインチューニング。NDCG@10 0.595（日本語）・0.576（英語）（既製モデルでは0.567・0.560）、ハイブリッド検索はCPUで1クエリ32 ms。オープンLLM（Qwen2.5-7B、無料Colab）による関連度判定も検証し、人手ラベルとの一致は低く（κ 0.16〜0.21）、LLMラベルで学習した再ランキングは人手ラベル版に劣ることを確認 · 解説
- エッジで動く産業向け異常検知：外観検査と振動監視、int8化で1スレッド1枚89 ms · 解説
- ウェアラブルセンサーによるストレス検出：学習に使っていない人物で精度92.7% · 解説
- Vision Transformerによる血液細胞分類：8種類で精度98.4%
- ワールドカップ2026予測：モンテカルロシミュレーション、ブライアースコア0.178 · ライブ
- Vision Transformerの実験：知識蒸留とDETRによる物体検出