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
220
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
個人計画とプロジェクト遂行の考え方
bunnchinn3
0
27
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
72
<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
64
統計知識と実務のギャップ
bunnchinn3
0
83
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
89
これまでLT振り返り 何が人気の話題?
bunnchinn3
0
80
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
91
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
97
製造業における品質不良の要因分析01_ゴール設定
bunnchinn3
0
140
Other Decks in Technology
See All in Technology
AWSの新機能検証をやる時こそ、Amazon Qでプロンプトエンジニアリングを駆使しよう
duelist2020jp
1
170
DuckDB MCPサーバーを使ってAWSコストを分析させてみた / AWS cost analysis with DuckDB MCP server
masahirokawahara
0
1.3k
Porting PicoRuby to Another Microcontroller: ESP32
yuuu
4
410
IVRyにおけるNLP活用と NLP2025の関連論文紹介
keisukeosone
0
200
プロダクト開発におけるAI時代の開発生産性
shnjtk
2
240
Стильный код: натуральный поиск редких атрибутов по картинке. Юлия Антохина, Data Scientist, Lamoda Tech
lamodatech
0
710
AWSLambdaMCPServerを使ってツールとMCPサーバを分離する
tkikuchi
1
3k
更新系と状態
uhyo
7
1.5k
AWSで作るセキュアな認証基盤with OAuth mTLS / Secure Authentication Infrastructure with OAuth mTLS on AWS
kaminashi
0
160
Cross Data Platforms Meetup LT 20250422
tarotaro0129
1
570
Linuxのパッケージ管理とアップデート基礎知識
go_nishimoto
0
230
バックオフィス向け toB SaaS バクラクにおけるレコメンド技術活用 / recommender-systems-in-layerx-bakuraku
yuya4
6
540
Featured
See All Featured
We Have a Design System, Now What?
morganepeng
52
7.5k
Visualization
eitanlees
146
16k
Designing for Performance
lara
608
69k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
23
2.6k
GitHub's CSS Performance
jonrohan
1030
460k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
5
520
Build your cross-platform service in a week with App Engine
jlugia
229
18k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
178
53k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
3.8k
jQuery: Nuts, Bolts and Bling
dougneiner
63
7.7k
VelocityConf: Rendering Performance Case Studies
addyosmani
328
24k
Building an army of robots
kneath
304
45k
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。