データサイエンティスト、データエンジニア、機械学習エンジニアなど、
データやAIにかかわるキャリアに興味あり手に取った一冊。
理解を深めるため、読み進めながら適宜更新します。
第1部 データ×AI業界の全体像
-
ITSS+でデータサイエンティスト領域のタスク構造が示されている。
-
データ×AI人材：2010年頃から流行り始めたビッグデータ、クラウド、AI関連の専門職。役職としてはデータサイエンティスト、機械学習エンジニア、データエンジニア、BIエンジニア、データアナリストなどがある。
-
課題例：商品のおすすめ、売上予測、画像識別、業務プロセスの自動化など。
-
データ活用の利点：機械学習による業務の自動化、データ分析からの新しい知見の発掘、データを基にした戦略的な経営判断が可能。
-
AIモデルの開発フロー：データサイエンティストがモデルの設計を行い、機械学習エンジニアがそれを実装。
-
AutoML：事前に訓練されたAIモデルを提供するサービス。オリジナルのAIモデルの開発が不要で、データさえ用意すれば利用できる。
-
データ×AIの登場人物メモ
- コンサル: ビジネスのニーズとテクノロジーを結びつける役割を果たし、データやAIの導入・適用のアドバイスを提供します。
- データエンジニア: ビッグデータのインフラやパイプラインを構築・運用する専門家です。彼らはデータの収集、保存、アクセス、変換を効率的に行うためのシステムを作成します。
- データサイエンティスト: データを使用して意味のある情報や洞察を導き出す役割を持つ専門家です。彼らは統計学、機械学習、データ解析を駆使して、ビジネスの問題を解決します。
-
KGI (Key Goal Indicator)
KGIは、目標達成のためのキーとなる指標を意味します。これは、組織の戦略的目標を達成するためにどれだけ進捗しているかを示す指標です。 -
インサイト
データや情報から得られる新しい知識や理解を指します。データ分析の結果として、ビジネス上の有益な発見や洞察を「インサイト」と呼びます。
第2部 データ×AIプロジェクトの全体像と各職種の果たす役割
未整理
第3部 データ×AI人材になるために必要なこと
- 必要なスキル
- データサイエンス力：基礎数学や予測、推定・検定、グルーピング、サンプリングなどのスキル。
- データエンジニアンリング力：環境構築やデータ収取～データ共有などデータマネジメント的スキル。
- ビジネス力：行動規範、契約・権利保護、論理的思考、マネジメントや調整力などのビジネススキル全般。
- ポートフォリオ：自身のスキルセットを示す具体的な成果物と、それを作成する過程の思考を表現する方法。
- ポートフォリオの内容例：作成した予測モデル、ダッシュボード、学習過程の記録、モデルの説明資料。
- スキルセット：ハードスキルはもちろん、ソフトスキルも非常に重要。新しいツールや技術の出現が速いため、常に学び続け、自ら考えて行動する能力が求められる。