今日からできる機械学習

機械学習プロジェクトの始め方--人材と体制における3つの役割 - (page 3)

田中耕太郎 2017年07月10日 07時00分

  • このエントリーをはてなブックマークに追加
  • 印刷

データサイエンティストのスキルセットと役割

 機械学習プロジェクトに必要な人材やチーム体制について説明する時、データサイエンティストと呼ばれる職種について触れずにおくことはできません。データサイエンティスト、という言葉はよく耳にしますが、スキルや役割について明確なイメージを持っている方はまだ少ないように感じます。

 そのため、ここでは一般的に言われているデータサイエンティストとしてのスキルセットや、機械学習プロジェクトのメンバーとしての関わり方を説明したいと思います。

 データサイエンティストのスキルセットとして、よく言及されるのは下記の3つの領域です。

 【データサイエンティストに求められるスキル(一例)】

  • ビジネス理解力:
    1. ● ドメイン知識を持ち、ビジネス的な観点からも考えられる

      ● 技術的な成果をビジネスにつなげられる

  • 理論構築力:
    1. ● 統計や機械学習の理論を理解している

      ● 課題に合わせ、解決のために上記の知識を応用できる

  • エンジニアとしての開発力:
    1. ● 統計言語の「R」やPythonを用いて自分のアイデアを試すことができる

      ● データを適切な形でビジュアライズ(画像・グラフ・図・表などにビジュアル化)できる

 実は、上記の3つの領域は前半で説明した「機械学習プロジェクトでの3つの役割に必要なスキルセット」と対応します。

 では、「データサイエンティストが1人いれば、機械学習プロジェクトは成功する」と言えるのでしょうか。

 ビジネスの各領域において広い知識と専門性が求められる中、実際には上記の3つすべての領域に完全に精通することは難しいと言われています。

 データサイエンティストの多くは全体的に高い水準の専門性を身に着けつつ、自身のバックグラウンドに応じて特に強みを発揮できる領域を持っています。

 そのため、最近では「すべての領域に精通した1人のデータサイエンティストがプロジェクトを推進する」という考えではなく、「データサイエンティストを中心としつつ、複数のメンバーが専門的な知見や経験を活かしてプロジェクトを推進する」という考え方が主流になっています。

 データサイエンティストについては、大きく2つのタイプに分けられます。

 【データサイエンティストの2つのタイプ】

  • AI(人工知能)型人材:
    1. ● 機械学習などの理論に明るく、プログラミング力も備える

      ● 機械学習や画像認識など、機能開発を得意とする

  • BI(ビジネス・インテリジェンス)型人材:
    1. ● 統計理論に明るく、分析結果のビジネス的な解釈に長けている

      ● KPI設計や事業構造の理解まで含め、ビジネス系の分析を得意とする

 上記の2つのタイプのスキルセットなどについては、次回で詳しく説明します。

プロジェクトメンバーのアサインと進行

 これまで説明してきたように、機械学習プロジェクトは、要求されるスキルの異なる複数のフェーズで構成されます。そのため、さまざまなスキルを持ったメンバーでチームを作って推進していきます。理想的には、各フェーズをおおむね理解していて汎用的に対応できるデータサイエンティストをチームの中心に置きたいところです。

 最初の機械学習プロジェクトでは、初めて一緒にプロジェクトを推進することになるメンバーもいるでしょう。そのため各人の強みを生かせる主な担当フェーズをお互いに理解し、総合力の高いチームビルディングを目指すことで必要です。よいチーム作りに成功すれば、機械学習プロジェクトの成功確率を高めることができるでしょう。

田中耕太郎(データサイエンティスト)
東京工業大学大学院にてMOT(技術経営専門職)を取得。 在学中より研究開発系の大学ベンチャーにて企業戦略の策定、マーケティングに従事。 IT系ベンチャーにて主に事業企画、プロジェクトマネジメントを経験後、 コンサルタントとして大手企業や官公庁のデータ分析案件を担当。 データサイエンス領域では機械学習の活用、統計を用いた事業分析を専門に行い、 組織の立ち上げ、データサイエンティストの採用や育成にも注力。 現在はC2Cの領域で、主に事業状況の可視化やビッグデータ分析を担当している。

ZDNet Japan 記事を毎朝メールでまとめ読み(登録無料)

  • このエントリーをはてなブックマークに追加

SpecialPR

連載

CIO
教育IT“本格始動”
月刊 Windows 10移行の心・技・体
ITアナリストが知る日本企業の「ITの盲点」
シェアリングエコノミーの衝撃
デジタル“失敗学”
コンサルティング現場のカラクリ
Rethink Internet:インターネット再考
インシデントをもたらすヒューマンエラー
トランザクションの今昔物語
エリック松永のデジタルIQ道場
研究現場から見たAI
Fintechの正体
米ZDNet編集長Larryの独り言
大木豊成「仕事で使うアップルのトリセツ」
山本雅史「ハードから読み解くITトレンド放談」
田中克己「展望2020年のIT企業」
松岡功「一言もの申す」
松岡功「今週の明言」
内山悟志「IT部門はどこに向かうのか」
林 雅之「デジタル未来からの手紙」
谷川耕一「エンプラITならこれは知っとけ」
大河原克行「エンプラ徒然」
内製化とユーザー体験の関係
「プロジェクトマネジメント」の解き方
ITは「ひみつ道具」の夢を見る
セキュリティ
セキュリティインシデント対応の現場
エンドポイントセキュリティの4つの「基礎」
企業セキュリティの歩き方
サイバーセキュリティ未来考
ネットワークセキュリティの要諦
セキュリティの論点
スペシャル
エンタープライズAIの隆盛
インシュアテックで変わる保険業界
顧客は勝手に育たない--MAツール導入の心得
「ひとり情シス」の本当のところ
ざっくり解決!SNS担当者お悩み相談室
生産性向上に効くビジネスITツール最前線
ざっくりわかるSNSマーケティング入門
課題解決のためのUI/UX
誰もが開発者になる時代 ~業務システム開発の現場を行く~
「Windows 10」法人導入の手引き
ソフトウェア開発パラダイムの進化
エンタープライズトレンド
10の事情
座談会@ZDNet
Dr.津田のクラウドトップガン対談
Gartner Symposium
IBM World of Watson
de:code
Sapphire Now
VMworld
Microsoft Inspire
Microsoft Connect()
HPE Discover
Oracle OpenWorld
Dell Technologies World
AWS re:Invent
AWS Summit
PTC LiveWorx
吉田行男「より賢く活用するためのOSS最新動向」
古賀政純「Dockerがもたらすビジネス変革」
中国ビジネス四方山話
ベトナムでビジネス
日本株展望
企業決算
このサイトでは、利用状況の把握や広告配信などのために、Cookieなどを使用してアクセスデータを取得・利用しています。 これ以降ページを遷移した場合、Cookieなどの設定や使用に同意したことになります。
Cookieなどの設定や使用の詳細、オプトアウトについては詳細をご覧ください。
[ 閉じる ]