AIや機械学習を更に発展的に学んで、キャリアの強みにしていく方法

Transcript

1. 2025/04/10 データ事業本部 機械学習チーム AIや機械学習を更に発展的に学んで、 キャリアの強みにしていく⽅法
2. ⾃⼰紹介
3. ⾃⼰紹介 3 • 名前：中村祥吾（ブログ/ X : nokomoro3） • 所属：データ事業本部 機械学習チーム • 担当：機械学習案件のプリセ、開発、技術コンサルティング • 書籍への関わり：AIFの社内勉強会等をきっかけに、主にレビュアーとして 私について
4. ⾃⼰紹介 4 略歴 組み込み Web(オンプレ) Webクラウド 音声信号処理 音に関わる機械学習 音以外の機械学習 新しいアルゴリズムの研究 開発 プロジェクトマネジメント
5. 今⽇話すこと 5 AIF認定試験をきっかけに • キャリアパスにAIや機械学習の要素を付け加える • そもそもAIや機械学習の仕事ってどんな感じ？ • どのようなメリットがあるか • そのためには何から取り組めば良いか
6. 機械学習のお仕事ってどんな感じ？
7. 機械学習のお仕事ってどんな感じ？ 7 私の場合のきっかけ • 元々は組み込み開発やアプリを⾏っていた • 研究開発の成果物を携帯電話に組み込むお仕事 • 研究開発をPoCするためのアプリケーションを作るお仕事 • 組み込むためには「研究開発されたもの」の知識‧理解がある程度必要 • ⾳声の研究開発にもDeepLearningによる波が • それ以降、業務と並⾏して機械学習の知識をキャッチアップ
8. 機械学習のお仕事ってどんな感じ？ 8 機械学習の仕事の特徴 • 実現可能性の検証から必要なケースが多い、品質の定義が増える ◦ 通常は機能要件を満たすか＋⾮機能要件 ◦ それに加えて… ▪ ⽬的の性能を満たせるかどうか、機能要件の実現可能性が曖昧になる ▪ ⾮機能要件とアルゴリズムの複雑さのバランスを取る必要がでてくる • 上記に伴って、プロジェクトマネジメントが難しくなる ◦ 提案段階での期待値コントロールがより重要に ◦ どこかの段階で、現性能でどう実装に落とし込むかどうかの交渉が必要
9. 機械学習のお仕事ってどんな感じ？ 9 • 例：PoC実施のフロー ◦ 問題定義：業務フロー‧ユースケースを確認し、解きたい問題‧タスクを定義する ◦ データ収集：定義に基づきデータの収集を⾏う ◦ データ確認：収集されたデータを検証し、EDA等により後段の分析への影響を確認する ◦ データ前処理：データを機械学習モデル向けに加⼯して、データセットを構成する ◦ モデル作成：データセットに対して、機械学習モデルの学習や調整、精度指標を出⼒する ◦ 評価‧考察：結果に対する考察を⾏い、問題定義を解決できているかを検証する 上記に加えて、普通のソフトウェア開発の要素が⼊ってくる 運⽤時も上記のサイクルを組み込む必要性も（MLOps） 案件のフローと担当スコープ
10. キャリアについて
11. キャリアについて 11 機械学習が関わってくる職種 • リサーチャー • Deepな研究、基礎的な研究も • データサイエンティスト： • より前提条件や使⽤する機械学習の⼿法（モデル）が固まっているイメージ • その中で性能‧精度などのパフォーマンスを最適にチューニングしていく • 機械学習エンジニア • 本番稼働させるための開発 • そのために、ある程度機械学習モデルに対しても理解がある 実際には完全な分業という感じではないがざっくりと
12. キャリアについて 12 これらのキャリアの強み • 他社の差別化をになう「事業のコア」に携われる • 独⾃性のある価値提供 • 困難なプロジェクトのコントロール
13. キャッチアップしていくには
14. キャッチアップしていくには 14 AIFの位置づけ • AWSの認定資格 • ⽣成AI、Bedrockの話が中⼼ • MLA、MLSとステップアップしていくことも可能
15. キャッチアップしていくには 15 AWSではない認定試験 • G検定、E資格 • JDLA Deep Learning for GENERAL • JDLA Deep Learning for ENGINEER • 統計検定（2級、1級）
16. キャッチアップしていくには 16 試験以外の⽅法 • coursera • https://www.coursera.org/specializations/machine-learning-introduction • コンペティション • 先⼈たちのものをなぞるだけでもキャッチアップになる • 論⽂