自己紹介

はじめに

こんにちは，
ちゃんとした自己紹介の記事を作りたいなーと思いつつ，現在 就活と研究で死にそうになっているので，それに絡めて自分をまとめていきます．

プロフィール

• 27卒・早稲田大学大学院 情報系修士1年
• もともと(中高までは)：良い大学→大企業志向の人間
• Recurision歴3ヶ月(2025/08-)
• 学部1-3年で学園祭のHP作成のサークルにいて，ソフトウェアの技術には触れておこうという気持ちで開発を開始
• 学部3年から自社開発のWebアプリ制作に長期アルバイトとして携わり，仕事としてプロダクトを形にすることを経験
• 学部4年の研究室配属でAI関連(特に音声)を研究分野に．音声認識を研究の題材にして，機械学習を勉強
• 修士1年から音声対話モデル(Speech-to-Speechモデル)に触れていくことで，AI(LLM)のすごさ実感→もう人間の知能超えてるじゃん→AIを社会実装したい人間に

そのモチベーションで就活スタート．
コンサル，SIer，研究開発，エンジニアなど，幅広い職種を見ながら進めていくことになりました．
実際に見ていく中で，それぞれの業界・職種ごとの得意分野や自分との相性が少しずつ見えてきました．

コンサルのインターン

構造化が得意な人が多く，シンプルにすごいなと感じた．
顧客がまだ「問題」と認識していない部分を整理・構造化することで，「ここが課題だ」と言語化できる．
ただこれからの世の中はAIにできるんじゃないか？
しかもこれからの時代は多くの課題解決がソフトウェア化されたAI技術によって行われるようになるはず．
そうなると，コンサルは数学・データサイエンス・ソフトウェアの知識がないと立ち行かなくなるんじゃないか――と感じました．

研究開発のインターン

AIの精度を高めたり，モデルの可能性を探ったりするような「ザ・研究」「基礎研究」的な内容．
確かにこうした領域はAIに代替されにくい一方で，大学4年〜修士1年春までの研究室生活のように，地道な試行錯誤を繰り返す環境が自分には合わないと感じた．
それより自分の手でAIを社会に実装していくような仕事のほうに強く惹かれるように．

SIerの説明会

正直，自分には合わないと感じました．
「安全性」を売りにしている分，仲介が多く，無駄なミーティングも多い印象．
優秀なエンジニアが直接プロダクトを作れば，もっと早く良いものができるのでは？と思いました．
この構造は今後の時代には合わず，徐々に淘汰されていくのではないかと感じています．

エンジニア就活

ソフトウェアのトップ層は本当にすごい．
「ソフトウェアが好きでたまらない」というタイプの学生は，いわゆる化け物レベルで，
コンピュータサイエンスの基礎がしっかりしていて，インフラ・バックエンド・フロントすべてを自分で作れ，
さらに空間計算量や時間計算量まで考えて技術選定できる．
ハッカソンで何度かそうした学生と一緒になったり，エンジニア就活で技術面接を受けたりする中で，
まさにそういう人たちが求められているのだと実感．

一方で、自分はCSの知識がまだまだ未熟で，
「情報学科にいても，結局は自分の努力次第なんだな」と痛感．
エンジニアとしてトップを目指すのは難しいと感じました．

ただ，エンジニアの多くは技術には深い興味を持つ一方で，
社会のステークホルダー意識や，人同士の化学反応，ビジネス視点といった部分はやや弱い印象もあります．
その中で，自分はハッカソンでもアイデア出しの面で貢献できることが多く，
実際に開発面では置いていかれながらも，“ビジネス × ソフトウェアエンジニアリング × AI” の交点に自分の強みを見出しつつあります．

"ビジネス × ソフトウェアエンジニアリング × AI"ができる人材に

ただ，これが本当に大変（↓下の図参照）．
とにかく勉強することが多い．
ソフトウェア（CS）の世界を少し覗くだけでも，プログラミング言語はいくつもあって，
今でこそ5〜6言語¹に落ち着いてきたものの，どれも奥が深い．
バックエンドなら，キャッシング技術や高度なデータ構造（双方向リストやスタック），
RESTful API，認証技術，MVCアーキテクチャなど学ぶことが山ほどある．
フロントエンドも，最近はReact×TypeScriptに落ち着いてきたとはいえ，
swrやReact Queryなど新しい技術が次々に出てくる．
さらにインフラに踏み込むと，Docker，Kubernetes，AWS，GCP，Azure……と範囲が広すぎて圧倒される．
しかも，知識として知っているだけでは足りず，個人開発でエラーに対応できる実践レベルまで到達しなければならない．
本当に「できるようになる」までが長くて険しい世界だと感じています．

一方で，機械学習のほうは，学部4年のときに
DNN（2010年代）→ Attention（2017年）→ LLMモデルの乱立
という流れを理解していたので，そこに知識を肉付けする形で学んでいます．
具体的には，どんなデータを使い，どうトークナイズし，どのLLMアーキテクチャを採用して，
どのように学習（ときには強化学習も）を行っているのか――といった構造を理解していく作業なので，
そこまで苦ではなく，なんとかついていけている感覚があります．
とはいえ，これをゼロイチで考えていく“基礎研究者”レベルには到底及ばないとも感じています．
このように，学ぶことはめちゃんこ多いですが，
「AIを社会実装する」ためには，添付図のような幅広い知識をすべて横断的に理解していく必要があるのだと思います．

23歳の今，その全体像を少しずつ掴み始めた段階で，
今後はこの学びを続けながら，実際に社会実装を進める企業――おそらくベンチャーが中心になると思いますが――で，
常に“ラーニングゾーン”に身を置いて成長していくのが，自分にとって理想のキャリアだと感じています．

まとめ

「AIを社会実装する」には，本当に幅広い知識が必要だなと日々感じています．
ただ一方で，今はそのAIをうまく使えば，学習の負担を大きく減らすこともできる．
それは自分もそうだし，多くの人が実感していると思います．
だからこそ，ChatGPT登場以前なら「プログラミングなんて無理」と思っていた人たち（自分も含めて）も，これからはどんどん「エンジニア」になっていける時代だと思います．

全人類「エンジニア」になりましょうと．

1. Python(FastAPI, Streamlit), TS(React), C++, PHP, Scala, Go, Ruby ↩