機械学習の仕事を探すとき、学歴はどの程度重要ですか?

[[254426]]

機械学習の分野における知識とツールの主な特徴は、無料かつオープンであることです。この機能により、機械学習に触れたことのない多くの人々がこの分野に参入し、仕事や科学研究に参加することが容易になるだけでなく、分野自体のコミュニケーションと進歩も大幅に加速されます。

しかし、より保守的な考え方を持つ人もいます。ソーシャルアプリ「ミートアップ」の東京機械学習チーム責任者、スザナ・イリッチ氏は、オンラインコースで機械学習のスキルを身につけた求職者は雇わないと主張する人物に会ったことがあると語った。これは、機械学習の分野に途中から参入した多数の人々を拒否するのと同じです。

スザナ・イリッチさんはソーシャルメディアにこのことを投稿し、誰もが議論に参加し、意見を共有することを期待している。 Leifeng.com AI Technology Review はこの議論を非常に興味深いと感じたため、以下に議論の一部を抜粋しました。

最初にスザナ・イリッチ氏が演説した。 「特定の人ではなく、問題そのものに焦点を当てるべきだと思います。現在見られる機械学習関連の求人では、特定の技術的背景が求められており、多くの場合、博士号の取得が要件となっています（これは研究者ではなくエンジニアのみの要件です）。適切な学歴がなければ、求職者は履歴書の審査にさえ通らない可能性があります。しかし、実際には私自身は理工系の出身ではありませんが、機械学習を使用しています。私にとって、オンラインで学ぶ機会は単純に最高のものです。自分のアイデアを構築し、他の人と協力し、実験を行い、失敗しても失敗から学ぶ機会が十分にあり、恐れたり不安になったりすることはありません。では、機械学習を行うために、適切な学歴のない人を雇ってもよいと思いますか？もちろんそうします！」

Keras の作者であり、Google Brain の上級研究員でもあるフランソワ・ショレ氏は次のようにコメントしています。「この考え方は時代遅れでエリート主義的です。教育はオンラインとオフライン、公式と非公式に分かれていません。優秀な人材の知識の 90% は、スタンフォード大学で学んだかどうかに関係なく、独学で身に付けています。コンピューター サイエンスの学位が実際に価値をもたらすかどうかは、ますます明らかではなくなってきています。」

ネットユーザーのジェイソン・アンティック氏は、「私自身もエンジニアの採用に関わったことがあるが、学校教育と仕事のパフォーマンスの関係は、私たちが一般的に期待しているほどではないと感じている。だから、私は彼らが実際に提出するコードの品質に基づいて彼らを評価している」と語った。

Google AI研究者のヘクター・イー氏は次のようにコメントしている。「そういえば、私は天文学の授業でパルサーの検出方法を学んだことを除いて、オンラインでもオフラインでも機械学習のコースを受講したことはありません。機械学習は、機械学習画像検索システムや自動運転システムに取り組んでいたときに学び、開発した推奨システムで技術賞を受賞しましたが、機械学習のコースを受講したことはありません。」

ネットユーザーのニコラス・グッテンバーグ氏は、「新しい問題（例えば、オンラインや学校での授業の範囲を超えて）に対する解決策を独自に設計できることを示すプロジェクトを考案できれば、学歴は気にしません」と述べた。この見解はスザナ・イリッチ氏も支持している。

一部のネットユーザーも学歴要件への支持を表明した。

たとえば、Rubens Zimbres 氏は次のように語っています。「オンライン コースの教育内容は十分ではなく、表面的だと思います。データ サイエンティストには優れた理論的基礎が必要です。つまり、MNIST、IRIS、猫と犬の認識以外にも、多くの本を読み、多くの実践的なプロジェクトを行う必要があります。また、既存のソリューションにさらに価値を付加し続ける方法も検討する必要があります。オンライン コースで機械学習を学んでいる皆さん、SVM のラグランジュ乗数が何を意味するのか説明できる人はいますか?」

アディティア・カウシク氏は次のようにコメントした。「これは公平だと思います。機械学習は数学と統計学の一分野であり、これに関連する知識とスキルは大学で学び、訓練されます。機械学習/AIに関するオンラインコースのほとんどは入門レベルであり、そのようなコースではより深く重要な知識は考慮されていません。」

ドミニク・モン氏は次のようにコメントしています。「人事部門には、高等教育の卒業証書、見栄えの良いコードベース、複雑なプロジェクトの開発経験など、何らかの能力証明が常に必要だと思います。私自身はそのような大学の卒業証書を持っていませんし、短いオンライン コースを受講しても卒業証書の価値に代わることはできないと思います。しかし、機械学習を本当にやりたい人にとって、オンライン コースを受講することは、少なくとも 3 つの側面すべてを満たす第一歩です。」

関係者としては、本当の違いはどこにあるのかをしっかりと議論したいところだ。

これを自ら経験した Dylan Djian さんは、次のようなメッセージを残しました。「私は機械学習や数学の知識を 100% 独学で学びました。私自身もこのジレンマ (科学研究職とアプリケーション開発) に直面しました。強い意欲と確かなアプリケーション スキルがあったにもかかわらず、インターンシップのポジションを得ることができませんでした。このギャップは、コードをどれだけ上手に書けるかではなく、書籍の知識の習得度にあると思います。」

また、何思俊氏は次のように感想を述べた。「オンラインコースはまだ学校の授業ほど厳密で奥深いものではありません。例えば、私はスタンフォード大学の教室でアンドリュー・ン氏の機械学習コースを受講したことがありますし、Courseraでも同氏のコースを受講しました。両者の違いは非常に大きいです。オンラインコースでは、一般の人が受講できるようにするために、数学の内容のほとんどが削除され、コースの焦点はもはや知識そのものではなく、直感的なものになっています。しかし、最終面接で考慮すべきなのは、応募者の学歴ではなく、実際の仕事のパフォーマンスです。」

ネットユーザーのデレクさんはこう語った。「応募する役職によって違うと思います。機械学習の研究科学者を探しているなら、博士号は必要かもしれません。しかし、データエンジニア、データアナリスト、プログラマーにとっては、オンライン学習コースはそのような実践的な役職に最適です。この分野は急速に発展しており、皆さんの力が必要です！」

Google AI 研究者の David Ha 氏は、この考えをさらに詳しく説明しています。機械学習研究者の選考に関しては、おそらく反対の極端、つまり学校、肩書き、学歴などの条件を完全に放棄し、H 指数と著者であるトップクラスの会議論文の数だけに基づいてレベルを判断することもできるでしょう。しかし、科学研究の分野では、H 指数や引用数などの指標を重視しすぎると、便宜主義的な慣行が発生する可能性があることにも注意する必要があります。

機械学習の専門家であるハメル・フセイン氏は次のようにコメントしています。「『ある分野の専門家になるには、私と同じ学習経験や、私に認められる似たような背景を持たなければならない』という考え方を持つ人はたくさんいますが、これは実は深い不安感から来ています。実際、この（誤った）信念は分野の多様性にとって全く良くなく、最終的には分野を傷つけることになります。」

あなたの意見は？一緒に話してみませんか？

元の議論については、https://twitter.com/suzatweet/status/1078446189593321472 を参照してください。