Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
データサイエンス業務 最初の一歩
Search
ぶんちん
July 27, 2023
Technology
0
210
データサイエンス業務 最初の一歩
初心者向けに仕事で成果につなげられるようにするためには、どのようにプロジェクトを始めたらよいか紹介
ぶんちん
July 27, 2023
Tweet
Share
More Decks by ぶんちん
See All by ぶんちん
データ分析イベントデータ説明(VRChatイベントカレンダー)
bunnchinn3
0
68
<事前告知> DS集会データ分析イベント VRChatイベントカレンダー
bunnchinn3
0
61
統計知識と実務のギャップ
bunnchinn3
0
75
製造業における品質不良の要因分析04_ツール選択の考え方
bunnchinn3
0
83
これまでLT振り返り 何が人気の話題?
bunnchinn3
0
79
製造業における品質不良の要因分析03_必要な知識の入手方法
bunnchinn3
0
84
製造業における品質不良の要因分析02_分析着手順の考え方
bunnchinn3
0
86
製造業における品質不良の要因分析01_ゴール設定
bunnchinn3
0
130
良書紹介02_Head First データ解析
bunnchinn3
0
77
Other Decks in Technology
See All in Technology
チームビルディング「脅威モデリング」ワークショップ
koheiyoshikawa
0
120
3/26 クラウド食堂LT #2 GenU案件を通して学んだ教訓 登壇資料
ymae
1
190
SpannerとAurora DSQLの同時実行制御の違いに想いを馳せる
masakikato5
0
560
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
20k
20250328_OpenAI製DeepResearchは既に一種のAGIだと思う話
doradora09
PRO
0
140
Tirez profit de Messenger pour améliorer votre architecture
tucksaun
1
120
Vision Language Modelを活用した メルカリの類似画像レコメンドの性能改善
yadayuki
9
1.2k
Javaの新しめの機能を知ったかぶれるようになる話 #kanjava
irof
3
4.9k
View Transition API
shirakaba
1
920
BCMathを高速化した一部始終をC言語でガチ目に解説する / BCMath performance improvement explanation
sakitakamachi
2
1.2k
KCD Brazil '25: Enabling Developers with Dapr & Backstage
salaboy
1
120
AIエージェントキャッチアップと論文リサーチ
os1ma
6
1.1k
Featured
See All Featured
Improving Core Web Vitals using Speculation Rules API
sergeychernyshev
11
610
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
45
9.5k
How GitHub (no longer) Works
holman
314
140k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
233
17k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
227
22k
Designing for Performance
lara
605
69k
A Philosophy of Restraint
colly
203
16k
StorybookのUI Testing Handbookを読んだ
zakiyama
28
5.6k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
117
51k
10 Git Anti Patterns You Should be Aware of
lemiorhan
PRO
656
60k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
50
2.4k
Transcript
超初心者向け データサイエンス業務 最初の一歩! ぶんちん 2023年7月27日 データサイエンティスト集会 in VRC 1
自己紹介 ぶんちん 複合経営が特徴の企業(製造業)に所属 データ分析担当者だったが。。。 成果獲得を狙うと、 同じことに繰り返しで 飽きた 他者にやらせたら、
成果が増えるのでは 特に非専門家向けのDS教育 2
注意!! 基本的に高度な技術の導入に体制が整い切れていない組織 新規技術の開発ではなく、具体的な経済効果の獲得が私の主目的 多くの案件を根拠にしているものの、あくまで私の経験則 3 泥臭い The
重厚長大 製造業 私はスマートな業界ではなく、 が前提のお話です。
初心者が直面する壁 4 将来のためにデータサイエンスの勉強するぞ! 数学!機械学習!プログラミング!etc 勉強したことが仕事で使えない。 使ってみたけど成果につながらない。 実力不足。もっと勉強しないと! Q.いつになったら 仕事に生かせるの?? 成果を出せるの??
A.不足しているのは技術ではなく、 仕事の進め方(技能)かも?
よくある勘違い 高度な技術は基本的な技術の上位互換! それを活用した仕事ができるようになる! 技術を学べばすぐに実績を積める! 5 現実はそんなに甘くない
基本的な手法 • そこそこの性能 • 使いやすい 少し高度な手法 • 性能向上 • デメリット追加
高度な手法 • さらに性能向上 • さらなるデメリット データサイエンス技術適用の構造 6 高度な手法は基本的な手法の 単純な上位互換ではない! 課題 技術的に高度になるほど扱いづらくなっていく →案件ごとに全体最適のバランス調整が重要 いきなり使いこなせますか?
高度な技術の適用から考えてしまうと。。。 7 オーバースペックになっていない? など どのようなリスクが考えられる? どうやって運用していくの? 現場適用どうするの? モデルの監視はどうするの? 体制は?他部署との調整は? 誤動作した場合の対応ってどうなの?
いくらの効果と費用になるの? たとえ良い結果が得られた場合であっても… 全て解決しないと効果獲得まで至らない 様々な課題の整理・対応も併せて少なくないリソースが必要 →中断判断も難しく、泥沼案件化することが多い
世の中は失敗だらけ 私が考えている失敗の理由 ① 課題設定の失敗 ② 技術課題以外の問題 ➢ 理想論に基づいた目標設定 ➢ 実現不可能な課題の泥沼化
➢ 適用先の業務設計が不十分 8 “POC死”と検索すると、 死屍累々なのがよくわかります 数年前にPoC(Proof of Consept;概念実証)が流行 専門家と協力してAI(≒データサイエンス)を活用したプロジェクトが乱立 そのほとんどが失敗。9割が失敗といわれているが、もっと多いのでは? PoCが黒歴史的ワードに。
ポイント1:適切な課題設定 9 技術(シーズ)から課題を探すな!! 詳細は別の機会に説明します 課題解決ではなく、技術適用が目的になる →成果につながりにくい 私の初心者におすすめの取り組み課題 • 具体的に困っている人がいる •
ちょっとした改善活動
★ポイント2:基本的な手法で具体化 理由 技術課題とは別の部分の課題を明確にしたい 必要とされる”最低スペック”を検討できるよう、比較基準を最速で作りたい 見込みがなければ即撤退できるよう、投入リソースを最小限にしたい 10 手順
1. データの可視化(+α)程度でできる施策を検討 100点中20~50点の成果を最速で実現。定量評価を可能にする 2. 上記のアプローチが原理的に可能か、トライアルを実施。 技術面以外も含む課題を洗い出す。 ここまでできてから、徐々に手法を高度化していきましょう
まとめ 高度な手法を身に着けるだけでは成果につなげられない 適切な課題設定と技術課題以外の対応が超重要 特に初心者は、意図的に簡単な手法から順に検討を進めよう 11 とにかく •
技術課題の明確化 • 技術面以外の課題への対応 そこからスタートです。