データサイエンスはオワコンなのか？

Transcript

1. 1 / 10 データサイエンスはオワコンなのか？ 生成AI時代における"人とデータ"の新しい関係
2. 今、現場で何が起きているのか 2 / 10 データサイエンス業界で起きている変化 データサイエンス業界でも、生成AIによる業務の変化が発生  生成AIにより、多くの作業が 短時間でできる仕事 に変化  自然言語処理・画像領域では、学習データなしで分類が可能に  分析プロセスそのものの再設計 が必要に 
3. 人間の役割はどう変わるのか？ 3 / 10 専門職としてのデータサイエンティストの役割はどうなるのか？ AIがコードを書き、AIが特徴量を提案し、AIが画像を理解する時代に… どこに"人間の価値"は残るのか？
4. 工程別の変化（一覧） 4 / 10 工程 Before（従来） After（生成AI導入） 問題定義 担当者のヒアリングと手動整理 LLMと対話しながら課題整理・要件明確化 データ収集 SQLやAPIからデータ取得コードの記述が必要 自然文でのデータ抽出コード・自動クエリ生成 前処理 手作業で整形・欠損補完 生成AIを用いたクリーニング（名寄せ） ・正規化コードを生成 特徴量設計 仮説ベースで試行錯誤 AIが特徴量案を提案・組み合わせ支援 モデリング 手動でアルゴリズム選定・実装 自然文からコード生成・自動実装補助 評価 手動で評価指標を確認・比較 指標の解釈や改善提案を自動で要約 可視化 グラフ作成にBIやコード操作が必要 自然言語でダッシュボードやグラフ作成 レポート作成 担当者が文章化・スライド作成 分析内容を自動で要約・報告文生成 運用・保守 モデルの手動監視・定期点検 異常検知・週次レポートをAIが自動通知
5. デモ1 – テキスト分類（Gemini/Colab） 5 / 10 これまで必要だった前処理・実装・チューニングの大部分が、 数行の指示で自動生成される時代 に入った。
6. デモ2 – 画像セグメンテーション（Google AI Studio） 6 / 10 「こぼれた液体」など抽象概念のセグメンテーションも可能  「この画像から、こぼれた液体の部分を検出してください」  画像 セグメンテーション領域 検出結果 セグメンテーション領域
7. 実案件での変化（画像分類・セグメンテーションを用いた分類モデル） 7 / 10 従来  大量の学習データを収集・整理 特徴量設計に専門知識が必要 モデル構築に時間と計算資源を投入 結果の解釈に統計的な知見が必要 モデルの更新・メンテナンスの負担 現在  Gemini のプロンプト最適化だけで完結 少量の例示だけでモデル構築不要 自然言語による直感的な指示が可能 専門知識なしでも高精度な結果 常に最新モデルを利用可能
8. いま何が起きているのか？ 8 / 10 自動化の進展 生成AIの普及により、データ分析の"作業"部分は急速に自 動化されつつある。 コーディング、前処理、基本的なモデリング、結果の可視 化などが、人手を介さずに行える領域が拡大している。  人間の関与の重要性 データの扱い方・問いの立て方・品質の判断など、一部 の領域では人の関与が依然として重要とも言われている。 特にビジネスコンテキストの理解やデータの社会的影響の 判断など、専門知識と経験が必要な領域が残されている。 
9. 未解決の問い − これからどこが変わるのか？ 9 / 10  どの工程が"AIに任せるべきもの"になっていくのか？  逆に、どの工程には"人の判断"がより重要になるのか？  データサイエンス職はどの方向へ進化するのか？
10. パネルディスカッションへ – 今日の議論のテーマ 10 / 10 今日のパネルでは、以下の問いを深掘りします： 1 現場で今、何が起きているのか？ 2 データサイエンス職のこれからは？ 3 今求められている人材とは？ 4 そして、AI時代のデータ文化はどう変わるのか？
11.  パネルディスカッション 11 / 15
12. テーマ1：現場で起こっているリアルな変化 11 / 14 生成AIの登場によって、現場の分析プロセスはどう変わりましたか？ 特に「置き換わった業務」と「新しく生まれた業務」にはどのようなものがありますか？ AI導入が進む中で、分析者やデータサイエンティストの役割はどのように変化していますか？ チームや組織の中で、AIが関わることによりコミュニケーションや意思決定の構造は変わりましたか？ 今の現場で"人間にしかできないこと"とは何だと感じますか？
13. テーマ2：データサイエンス職のこれから 12 / 14 AI時代において、 「データサイエンティスト」という職種はどう進化していくと思いますか？ 専門スキルだけでなく、業務理解やビジネス視点がより重視されるようになっていると感じますか？ 研究・プロダクト・業務設計など、多様なキャリアパスの中で、どの方向性に伸びる人が増えている印象ですか？ AIや自動化ツールの進化に対して、個人としてどのようにスキルを更新していくべきでしょうか？ 「AIと共に働く」時代におけるデータサイエンティストの新しい役割とは何でしょうか？
14. テーマ3：現在求められている人材・今後必要になる人材 13 / 14 最近、ジュニア人材や未経験人材の採用が難しくなっていると感じますか？その背景は何でしょうか？ AIが得意な領域が増える中で、企業が人間に期待するスキルや姿勢はどう変わっていると思いますか？ 新人や若手を育成する際、どのようなスキルや思考を特に重視していますか？ 教育機関やコミュニティには、どのような役割が求められていると考えますか？ 今後5年で、最も価値を持つ人材の条件はどのように変化していくと思いますか？
15. テーマ4：AI時代におけるデータ文化の再定義 14 / 14 AIによってデータ活用文化はどのように変わりつつあると感じますか？ 自動化が進む中で、人間はどの部分で創造性や判断力を発揮すべきだと思いますか？ AIが生成した結果を使う際、「なぜそうなったのか」を理解する文化は維持できているでしょうか？ データの民主化が進む中で、リスク管理や倫理の課題はどのように考えるべきでしょうか？ 組織や教育の現場で、「AIに依存しすぎない思考力」や「問いを立てる力」をどう育てることができるでしょうか？ 登壇者の現場では、AI時代における健全なデータ文化を形成するためにどんな工夫をされていますか？