なぜ機械学習エンジニアになりたいのですか?それは情熱や熱のせいでしょうか?

この記事は公開アカウント「Reading Core Technique」（ID: AI_Discovery）から転載したものです。

Amazon や Netflix がどのようにしてユーザーに製品を推奨し続けるのか疑問に思ったことはありませんか? 一般に信じられていることとは反対に、Amazon や Netflix は Skynet を使用しておらず、いつでも障害に遭遇する可能性は低いです。

[[327724]]

代わりに、最も人気のある AI 技術の 1 つである機械学習に依存しています。テクノロジーが進歩するにつれて、機械学習とデータ分析の需要は依然として高くなっています。機械学習が取引に関係しない業界はほとんどなく、機械学習アルゴリズムの応用範囲は極めて広いです。

コンピューターが人間とコミュニケーションできるようにすることから、スポーツレポートを書いて公開することまで、機械学習は多くのことを可能にします。

長年にわたるその発展を見てみましょう。

• 1950 年: アラン・チューリングは、コンピュータが本当に人間よりも「賢い」かどうかを判断するための「チューリング テスト」を提案しました。
• 1952年: アーサー・サミュエルがIBMコンピュータを使用してボードゲームの研究開発を行い、最初のコンピュータ学習プログラムを発明しました。
• 2006 年: ジェフリー・ヒントンが、コンピューターが画像やビデオ内のオブジェクトやテキストを「見て」区別できるようにする新しいアルゴリズムを説明し、「ディープラーニング」という用語が作られました。
• 2012年: GoogleのX LabがYouTubeをスキャンして猫が登場する動画を識別することで、最大の猫追跡システムとなる。
• 2015 年以降: AI テクノロジーがさらに進歩し、データが一般の Web サイトで利用可能になるにつれ、スティーブン・ホーキング、イーロン・マスク、スティーブ・ウォズニアック、マーク・ザッカーバーグらが、社会的影響の観点から誠実性と信頼が実際に何を意味するのかについて議論します。

AIの時代には、ロボット、自動運転車、音声でコミュニケーションできる自動ダイヤル電話、家を管理するスマートIoT（モノのインターネット）サービス、料理中に突然質問してくるAlexaスマートアシスタントなどがあります。

ある日、13 歳の妹が私にこう尋ねました。「なぜ運転免許が必要なの？時間とお金の無駄よ。私が運転できるようになる頃には、車は自動運転になっているはずよ。」私は、彼女の言う通りかもしれないと気づき、私も、運転の習得に時間もお金も無駄にしないために、車が自動運転する生活に憧れました。

今、消費財や生産財にデータを適用しようとする中で、データはこれまでにない新たな「石油産業」や「ゴールドラッシュ」となっている。まさにここで機械学習が役立ちます。

機械学習は多くの業界を改善するチャンスを持っています!

フォーブス誌は、2020年までに機械学習によって、製造業の2兆ドルを除いて、マーケティングと販売でさらに2.6兆ドルを生み出す可能性があると示唆しています。

それでもまだ驚きではないというなら、市場とデータの量も増加しているという点も忘れてはいけません。企業は、コスト効率の高いデータ ストレージはもちろんのこと、コンピューティングを処理するためのより安価で強力な方法を常に模索しています。

データを分析し、正確なモデルを構築することで、企業は成長を少なくとも 2 倍、場合によっては 3 倍にすることができます。機械学習には、組織が収益性の高い機会を特定し、リスクを回避するのに役立つ強力な機能があります。

Microsoft の需要最適化ディレクターである Anirban Sengupta 氏は、機械学習の重要性について次のように語りました。

「Amazon でのキャリアが進むにつれて、機械学習は従来の統計的および計量経済的なモデリングよりも明白なアプローチになりました。たとえば、パラメトリック統計モデルを使用してリアルタイムで不正を検出することは困難です。機能の数は膨大で、機能間に相互作用があります。

繰り返しになりますが、このような場合、予測の精度/精密度/再現率はモデルの解釈可能性よりも重要であり、機械学習がより賢明な選択となります。

機械学習は今後も存在し続けるでしょう。同様に、データへの投資も増加しており、今後も増加し続けるでしょう。データとデータ インフラストラクチャに投資する目的は、そのデータをマイニングして、ビジネス価値を高める実用的な洞察を得ることです。このような複雑なデータ分析と大規模なモデル構築を実際に実行できる人材の需要は高まるばかりです。 ”

機械学習が複数の業界に与える影響

健康管理

実際、機械学習の使用はヘルスケア分野で増加傾向にあり、非常に魅力的なアプリケーションもいくつかあります。

米国マサチューセッツ州に拠点を置くPathAIは、病理学者がより迅速に診断を下せるよう、機械学習を利用した新しい技術を開発した。

これを過小評価しないでください。病院の混雑問題を解決し、患者がより早く治療を受けられるようになります。特に癌などの病気の患者の場合、早期診断が結果に大きな違いをもたらす可能性があります。

金融業界

取引方法が徐々にオンライン化されるにつれて、銀行や金融業界の他の企業は、機械学習が提供できるリアルタイムのデータ分析をますます要求するようになっています。サイバー監視および詐欺防止アプリケーションは、投資家にセキュリティを提供し、簡単に取引できるようにします。

IdentityMind Global は、金融機関や企業がオンライン詐欺と戦うのを支援する人工知能企業です。同社は、個人の身元確認に役立つ50以上のデータポイントを確立した。さらに、マネーロンダリングやテロ資金対策に対抗するサービスも提供しています。

エネルギー部門

環境保護論者たちは何年もの間、よりクリーンなエネルギーを求めてきた。言うまでもなく、私たちが振り返るたびに、新たなガス危機が起こります。

石油とガスは、機械学習が無限の可能性を秘めているもう一つの分野です。より効率的な製油所の構築から鉱物の分析まで、機械学習は数え切れないほどの分野に適用できます。

米国の大手エネルギーコンサルティング会社が、多変量モデルベースのリソースを開発することで、掘削作業を改善するための天然ガスと石油のデータを提供します。

企業に正確な地質学的および地球物理学的データを提供できるだけでなく、石油事業に必要な財務的および人的資源を削減することもできます。

人材需要は増加し続けています。多くのエンジニアが取り残される恐怖（FOMO）に悩まされています

冒頭で述べたように、機械学習はすぐに廃れることはありません。実際のところ、多くの求人検索サイトにおける機械学習関連の求人数は 90% 増加しています。

問題は、丸2か月が経過しても、少なくとも40%のポジションがまだ空いていることです。このことから、機械学習エンジニアの需要は大きいものの、人材の供給が課題となっていることがわかります。

エンジニアは一般化と専門化について議論します。しかし、私たちがインタビューした業界リーダーのほとんどが、候補者に専門的なドメイン知識だけでなく、幅広い経験を求めていることを知っておくことは重要です。

ほとんどのマネージャー、ディレクター、CTO は、従業員が専門分野だけでなく、さまざまなプロジェクトに機械学習の経験を積極的に適用することを望んでいることを明確にしています。

物体認識とコンピュータービジョンを専門としているのであれば、前者とわずかに異なるだけなので、NLP（自然言語処理）プロジェクトを断らないでください。機械学習のリーダーのほとんどは、古典的な手法はさまざまなプロジェクトで使用できると考えています。

企業は従業員に時々役割を変えてもらいたいと思うかもしれませんが、常にそうであるとは限りません。しかし、専門分野以外の経験を積むことができれば、損することはありません。

人気の専門分野としては、レコメンデーション システム（Facebook などのテクノロジー大手が使用）、コンピューターおよびマシン ビジョン（Snap, Inc. チームが使用）、自然言語処理（Apple の Siri）などがあります。

医療技術企業 Change Healthcare の AI 責任者 Alex Ermolaev 氏の言葉を聞いてみましょう。「一度に 1 つの分野に集中するのは効果的だと思いますが、数年ごとに分野を切り替えるのも楽しいものです。1 つの分野に集中するのは良いことです。なぜなら、その分野に習熟し、ツールの使い方を習得し、ニュアンスを学ぶには時間がかかるからです...」

当社は、専門分野で優れた能力を発揮し、新たな挑戦に意欲的な候補者を求めています。新たな課題に取り組み、社内のさまざまな分野について学ぶことで、分野を超えたさまざまなプロジェクトに取り組むことができます。最終的には、複数のプロジェクトにわたってより多くの洞察が得られ、コアユーザーと顧客を理解できるようになります。

したがって、機械学習業界に参入することを決定した場合、それは間違いなく正しい方向への一歩となります。これは急速に進化している分野であり、アプリケーションの数も常に進化しています。実際、Google トレンドのレポートでは、検索結果の分野で機械学習が AI に取って代わろうとしていることが示唆されています。

あまり細かいことにこだわりすぎないでください。確かに競争の激しい市場であり、誰もがその利益を得ようとしていますが、最終的には仕事の質が重要になります。

さまざまな分野の経験を積むことに力を注ぐことで、自ら積極的にコミュニケーションをとることを学ぶことができます。心を磨き、世界を合理的に見て、あなた自身、雇用主、そして社会全体に利益をもたらす革新的な解決策を考え出してください。

機械学習エンジニアになる方法

「ハル」のようなハリウッドの人気作品を見ると、機械学習がもたらす可能性について人々が多少不安を感じるのも不思議ではありません。ありがたいことに、今日の世界における機械学習の現実は、自尊心の問題を抱えた殺人的な知覚コンピュータとは程遠いものです。

機械学習は私たちの生活を劇的に変える可能性を秘めており、それを産業革命に例える人もいます。産業革命といえば、機械学習によって溶接などの危険な仕事のアウトソーシングが容易になったことをご存知ですか?工業レベルの溶接では熱、騒音、有毒ガスが発生し、作業員に大きな危険をもたらします。

しかし、コンピュータービジョンとディープラーニング機能を備えたロボット溶接機は、人命を危険にさらすことなく作業を完了できる柔軟性を備えています。

これは、機械学習が私たちの生活に与えているプラ​​スの影響のほんの 1 つにすぎません。中小企業と大企業の両方が、デジタル変革を主要計画に組み込む意欲を示しています。

技術リクルーターとして、私は最近、機械学習業界のリーダーたちに、求職者に求めるスキルについてインタビューする機会がありました。私が後で知りたかったのは、彼らがこの分野に参加した動機でした。それはイノベーションへの愛からでしょうか、それとも何百万人もの人々の暮らし方を変えるような何かに関わりたいからでしょうか?

Geocaching のデータサイエンスおよびデータ分析責任者 Lee Sherry 氏が、機械学習に興味を持った理由について語ります。

「私にとって、データに没頭して何か新しいことを学ぶことほど素晴らしいことはありません。それは、数字の背後にある現実とつながることです。データを通じて世界を研究し、複雑な情報を最も単純な事実に凝縮することで得られる理解が大好きです。データは変革をもたらすことができます。データを使用することで、私たちができる限りシンプルに対処することを学んだ障害を克服することができます。」

私にとって、これが多くの人が機械学習に惹かれる理由の本質です。混乱から抜け出すスキルを持っている人は多くありませんが、それが仕事内容に含まれています。

「データに十分な時間を与えれば、何でも教えてくれる」というジョークを私たちは皆聞いたことがあると思いますが、「直感」ではなく統計を信頼する企業がより良い業績を上げる傾向があるのには理由があります。

IDC などの企業が、AI 支出が 2021 年までに 500 億ドルを超えると予測しているのには理由があります。機械学習は未来を予測する方法になりました。

現代ほど人々が関心を持っている時代はかつてありませんでした。また、機械学習に興味を持っている人がたくさんいるのは知っていますが、彼らはただ、それをどのように進めればよいのかよくわかっていません。

この記事はそれに役立ちます。必要な教育から面接中によくある間違いまで、ML エンジニアになるために知っておくべきことをわかりやすく説明します。

修士号と博士号 – どちらがより重要ですか?

ML に興味のある人は皆、必ず 1 つの質問をします。修士号か博士号か? この質問から始めましょう。

機械学習エンジニアの学歴に関する不確実性は現実的です。修士号があれば就職できるのか、それとも予備として博士号が必要なのか、と疑問に思う人は多い。

MSc は、多くの実践的な状況で積極的に貢献するのに役立ちます。 ML の修士課程のほとんどは、コンピューター ビジョン プログラミング、ソフトウェア設計、音声認識、自然言語処理などのトピックについて学生を準備するための一般的なアプローチを採用しています。この学位プログラムは、統計、数学、プログラミングにおける学生の分析スキルと能力の開発に重点を置いています。

この時点で、理学修士号では多くのことがカバーされるのに、博士号では何が得られるのかと疑問に思うかもしれません。

博士号は時には悪い評判を受けることもありますが、キャリアにおいて決定的な役割を果たすことができます。通常、研究ベースのキャリアの出発点となる博士課程の学生をトレーニングするための万能なアプローチはありません。

博士号を取得すると、機械学習の最先端技術を推進し、次世代のアルゴリズムの開発に集中することができます。あるいは、社会的に重要な問題に機械学習を適用し、実行可能な解決策を見つけることもできます。

AI コミュニティの多くのリーダーにとって、機械学習の大きなメリットの 1 つは、研究や出版に参加できること、そしてオープンソース コミュニティが次世代に進むモデルを開発するのを支援できることです。博士号取得を目指す場合は、卒業する前に複数の出版物に携わる必要があります。研究開発に注力する企業にとって、これは大きな利点となります。

私が話をした多くの業界リーダーは、応募者に修士号や博士号を要求していません。しかし、Softmax Data のマネージング パートナーである Jia Chen 氏は、チームに優れた学歴を持つ人材を優先する理由について非常に明確に述べています。

彼は、優れた学術的背景を持つ人の方が論文を扱い、研究を行う能力が高く、豊富な数学的経験が ML に必要なブレークスルーを達成するのに役立つことを発見しました。

ML では、数学的な直感と研究スキルの重要性を無視することはできません。博士号のような資格は、このような経験を積み、アルゴリズムの内部の仕組みを深く理解するための優れた方法です。

トレーニングデータ

機械学習は進化を続ける分野であるため、必要な必須スキルは多岐にわたります。それでも、豊富な経験を伴う確かな学歴はプラスになります。機械学習の主なスキルは、統計、確率、プログラミング、データモデリングです。

これはまさに、Softmax Data のマネージング パートナーである Jia Chen 氏の考えです。機械学習エンジニアが持つべきスキルについて尋ねられたとき、チェン氏は「データエンジニアリング、ソフトウェア開発、数学的スキル、そしてコミュニケーションスキル」と答えました。

ML におけるデータ モデリングの重要性を理解するために、Geocaching のデータ サイエンスおよびデータ分析責任者である Lee Sherry 氏の言葉を引用します。

「…プログラミング経験は役に立ちますが、モデリングは非常に重要だと思います。機械学習エンジニアは、問題を効果的に解決する方法を知っておく必要があります。つまり、状況の主な特徴を特定し、望ましい答えを生み出す質問の組み立て方を考え出し、どのような近似が理にかなっているかを判断し、目の前の問題に適用されるアルゴリズムと方法を知ることです。」

これは氷山の一角に過ぎません。数値、日付、文字列などの構造化データは、行と列として簡単に保存できます。ただし、ビデオ、画像、電子メールなどの非構造化データは簡単に特定できません。

ただし、非構造化データはデータ モデリングの基礎となります。ガートナーによれば、これは企業データの 80% を占めています。機械学習アルゴリズムで非構造化データを使用すると、重要な洞察が得られます。ビジネス運営戦略に優れた応用性を持っています。

精度を向上させ、新しい考え方や情報の使用方法を促進することができます。

最後に、教師あり学習と教師なし学習についての包括的な理解も必要です。これらは最も人気のある機械学習手法のうちの 2 つです。まずは教師あり学習から始めましょう。これは入力変数と出力変数を取ることができるシステムであり、通常はアルゴリズムを使用してデータからマッピング関数を決定します。

目標は、新しい入力が与えられたときにアルゴリズムが結果を予測できるように、正確なマッピング関数を作成することです。

専門用語が少し難しい場合は、このように考えてください。データが将来の出来事を予測する上で重要な役割を果たす場合、教師あり学習は非常に価値があります。良い例としては、金融機関が教師あり学習を使用して不正の可能性があるクレジットカード取引を予測する方法が挙げられます。

一方、教師なし学習は、トレーニング セットのように機能します。システムには入力データは与えられますが、比較可能な出力値は与えられず、そのデータを探索して結果を発見することが目標となります。

教師なし学習は、顧客の行動パターンを識別するのに役立つマーケティングなどの分野で役立ちます。企業はこれらのパターンを使用して、驚くほど正確なマーケティング戦略を構築できます（Facebook など）。

基本的なプログラミングスキルと経験

友人は、資格のある ML エンジニアになるために必要なのは、基本的なプログラミング スキルだけだと言うかもしれません。しかし、基礎を学ぶことで ML 固有のプログラミング スキルを身につけることはできますが、エンジニアになるには、豊富なプログラミング経験が必要になる場合があります。

Change Healthcare の AI 責任者である Alex Ermolaev 氏は、ML エンジニアには、高性能でスケーラブルな製品の構築経験、データ管理スキル、AI/ML モデルまたはツールの構築経験が必要であると示唆しています。

世界で最も人気のあるプログラミング言語は、Python、JavaScript、C++などです。一般的に、データ分析ツールとしては Python が好まれますが、ディープラーニングやコンピュータービジョンには C++ が必須です。使用するプログラミング言語の選択によって、ある程度はエクスペリエンスに影響が及びます。

言語の文法、分析ライブラリ、適切な統合開発環境 (IDE) に関する情報の収集も役立ちます。モデルのデプロイやスケーリングなどのことにも重点を置く必要があります。

モデルの導入およびスケーリングの経験も必要になる場合があります。デプロイメントは機械学習ライフサイクルの最も重要な部分の 1 つであり、スケーリングとともに、大規模な消費のプロセスを簡素化するのに役立ちます。

企業によっては、このような詳細を処理するソフトウェア エンジニアのチームを抱えているところもありますが、そうでないところもあります。そのため、面接日よりかなり前にこれらの詳細を詰めておくのが最善です。コーディングの練習に興味がある方は、私の記事「コーディング面接に失敗した」をご覧ください。

それでも、特定の仕事にコーディングが必要かどうかに関係なく、ほとんどの ML リーダーは、潜在的な候補者がエンジニアにモデルを提供することに何が関係しているかを理解することを望んでいます。データ量、実行時間、複雑さなどの要素に基づいて、モデルが本番環境に適しているかどうかを現実的に評価できることは非常に重要です。

MLでのモデリング

ML における「モデル」という用語は、トレーニング プロセスから得られる成果物または成果物を指します。

モデリングとは、特定のデータセットのさまざまな要素のクラスとアクションの形式で入力と出力をリンクする数学的なパラメーターと式のセットです。モデリング タスクは、データの回帰、分類、および強化を扱います。

簡単に言えば、モデリングには多くの数学が必要です。学校で普通教えられる類のものではありません。これが、数学の能力が ML エンジニアにとって非常に重要である理由であり、博士号などの資格が有利になる理由です。

機械学習で「学習」という言葉を使う人は冗談を言っているのではありません。なぜなら、学習にはいくつかの種類（さらにはサブフィールド）があり、それらに精通する必要があるからです。ここでそれらについてお話ししたいのですが、マシンが実際に稼働する前にこの投稿を締めくくりたいと思います。

避けるべき悪い面接とミス

面接中に避けるべき3つの間違いは何ですか?

マイクロソフトの需要最適化責任者アニルバン・セングプタ氏は、候補者が犯す3つの致命的なミスは、面接官に印象づけるために複雑な用語を使用すること、仕事の質よりも量に重点を置くこと、過去のプロジェクトについて説明できないことだと述べた。

他にも間違いはあります。面接官が慌ててしまい、質問に正しく答える時間が取れないのです。私の意見では、すべてを知っていなくても大丈夫です。特定の分野が得意であれば十分です。常に品質を重視します。理解できないことがあれば、それを認めて学ぶ意欲を示しましょう。

プロセス全体を通して、希望すれば新しいことを学ぶことができることを潜在的な雇用主に示してください。機械学習のリーダーたちと会話する中で、機械学習エンジニアの中には、新しいことを素早く学習する能力と高いレベルの学習能力を発揮する傾向があることに気づきました。

また、質問に機械的に答えないでください。たとえば、面接官が何を求めているのかわからない場合は、自分自身について質問することをためらわないでください。自分が知っていること、知らないことに対して楽観的であり続けましょう。面接官は、あなたと一緒に一日働くのがどのような感じか体験したいと思っています。面接中に協力したり、明確な質問をしたりする能力が欠けている場合、面接官は当然、あなたが仕事でも明確な質問を避けるだろうと推測します。

面接官は通常、あなたの分析スキルと問題へのアプローチ方法を評価したいと思っています。彼らはあなたの思考プロセスを評価したいのです。だからこそ、面接中は正直かつ細心の注意を払う必要があります。履歴書を誇張するのは絶対に避けるべきです。やめましょう。嘘をついたらすぐにバレてしまいます。面接官があなたが十分に理解していない話題に踏み込んだ場合、自分の考えを述べるときにあなたの弱点が露呈することになります。

合格者に共通する特徴

成功する人には必ず共通点があります。ここでは、成功者のほとんどが備えている特徴を紹介します。

協力的になりましょう。機械学習は一人で行うゲームではありません。それはチームスポーツのようなものです。 ML エンジニアとしてキャリアをスタートすると、技術者と非技術者の両方と仕事をすることになるでしょう。チームで協力し、チームを率いるには、優れたコミュニケーション能力とリーダーシップ能力が必要です。

自己認識を持ちましょう。自分の間違いから学ぶことができることが特に重要です。自分の間違いを言い訳しても、あまり役に立ちません。それは単に、失敗を受け入れられないということを世界に伝える手段に過ぎません。

最後に、謙虚な姿勢を保ち、仕事に情熱を持ってください。そうすることで、積極的に貢献できるようになります。 Xyonix の創設者 Deep Dhillon 氏の言葉を引用します。「有能な人材を見つけるのは困難です。現在、彼らの労働力は過剰に支払われ、十分に活用されていません。」

Facebook、Google、Amazon はトップクラスの人材を採用しています。これらの企業に就職する博士課程の卒業生は、マーケティング キャンペーン、広告収入、クリックスルー率の向上に取り組んでおり、Xyonix で行ったように他のプロジェクトにも取り組むことができます。私たちは常に AI に重点を置いています。これらのプロジェクトには次のようなものがあります:

• 病院ユニット患者数予測因子
• スマートフォンと音声による異常心拍検知
• 生体内手術のための自動ビデオ注釈およびセグメンテーションエンジン
• Rockstar オーディエンスの自然言語テキスト会話パーサーと軽薄な意図検出器
• 感情分析と自動意見抽出のための医療外科テキストレビューパーサー

これは、大規模なデータセットを扱う大企業で働きたい場合にも適しています。彼らのプロジェクトの中には、マーケティングや販売だけにとどまらないものもあります。

重要なのは、本当に情熱を持っているかどうかを確認することです。機械学習エンジニアとデータサイエンティストの需要は高まっています。どこで働いているか、何をしているかは問題ではありません。皆さんには多額の報酬が与えられるでしょう。違いは、世界に与える影響と日常生活におけるテクノロジーの利用方法だけです。