機械学習は簡単になっていますが、ソフトウェア エンジニアリングは逆の方向に進んでいます...

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。

過去 5 年間で、機械学習はますます容易になり、機械学習ツールはより「人気」が高まっています。同時に、ソフトウェア エンジニアリングはかつてないほど複雑になっています。しかし、これはソフトウェア エンジニアにとっては良いことですが、機械学習 (ML) の専門家にとってはそうではありません。

[[333014]]

その理由は何でしょうか? 実は、これは機械学習からソフトウェアエンジニアリング、データサイエンスからデータ分析へと進む開発プロセスなのです。

機械学習ツールはより利用しやすくなっている

Google は、技術的な知識に関係なく、誰もが機械学習モデルのトレーニングにアクセスできるようにしたいと考えています。機械学習が普及するにつれて、クラウド サービスの市場が拡大し、アルゴリズムを理解することの価値は低下します。

昔は、アルゴリズムを手作業でコーディングしていました。その後、Sklearn はわずか数行のコードで同じことを実行できます。オリジナルの TensorFlow は使いにくいですが、Keras なら簡単に使えます。現在、Google、Microsoft、Amazon はいずれも、クラウド内でモデルを選択、トレーニング、チューニングし、API 経由で即座に利用できるようにするサービスを提供しています。

おそらく近い将来、誰でも人工知能を訓練できるようになるでしょう。しかし、複雑さが減るにつれて、経験豊富なソフトウェア エンジニアにとっては単なるもう 1 つのツールになります。

機械学習の開発は少数の言語に集中している

言語の重要性については多くを語る必要はありません。 COBOL (Common Business Oriented Language) をご存知ですか? ご存知であれば、一生の仕事に就くことができます。世界の金融システムはこれに依存しています。しかし、もはや COBOL を学ぶ人は誰もおらず、ほとんどの機械学習は Python で行われ、ソフトウェア開発は複数の言語で行われています。

すべての機械学習エンジニアが Python の経験を持っている場合、競争相手はすべての機械学習エンジニアになります。しかし、ソフトウェアの観点から見ると、同じテクノロジーを使用しているエンジニアのサブセットとのみ競合することになります。

高給のソフトウェア エンジニア (Ruby on Rails) の求人広告が数多くあるのを見ていつも驚かされます。この職種は数年前に廃止されましたが、歴史的な問題により、Shopify、Instacart、Kickstarter などの多くの大企業が今でも使用しています。

複数の言語を学ぶことは可能であり、また学ぶべきです。これは優れたソフトウェア エンジニアになるために不可欠です。

ソフトウェアエンジニアリングにはより多くのスキルが必要

私たちは常に、ソフトウェア エンジニアがそれぞれの側面について少なくともある程度理解していることを期待しています。

クイックスケッチ

バックエンドエンジニアはブラウザの仕組みを理解しており、フロントエンドエンジニアもデータベースの概念をある程度理解しています。どちらも SQL インジェクションなどのセキュリティ脆弱性を防ぎます。ソフトウェアを総合的に理解することで、専門分野の変更が容易になり、エンドツーエンドのソリューションの構築に役立ちます。

幅広いスキルセットにより、ソフトウェア エンジニアは曖昧な環境に適応しやすくなります。需要が高まるにつれて、ソフトウェア エンジニアはデータ サイエンスに転職することが多くなります。しかし逆に、データ サイエンティストがソフトウェアを開発する可能性は低くなります。機械学習がハードコードされた条件付きロジックの代替として認識されるようになるにつれ、より多くのソフトウェア エンジニアが機械学習に関与するようになっています。

競争力のあるフルスタック開発者になるには何年もかかる

実際には、データベースの最適化、API マイクロサービスの構築、レスポンシブなフロントエンドの構築には共通点がほとんどありません。おそらく 3 つの異なる言語で実装されており、これらの領域では自動化がほとんど行われていません。

対照的に、フルスタックの機械学習エンジニアはますます強力な自動機械学習技術 (AutoML) を実装しており、私はこれに対して SOP (標準操作手順) を作成し、分類子のトレーニングのタスクをインターン生に引き継ぐことができます。自動化によってソフトウェア エンジニアリング スキルセットのすべての部分が排除されるまでには時間がかかるでしょう。

機械学習は（通常）製品を補完するものであり、製品そのものではない

AI をコア製品として使用している企業は少数ですが、ほとんどの企業は AI を既存製品の補足として使用しています。出版社は機械学習を使用して記事の推奨を行う場合がありますが、その中核製品は執筆または出版プラットフォームです。

興味深いことに、ほとんどの企業は単純で類似したユースケースに機械学習を使用しています。これにより、単一の企業が上記のユースケースを SaaS (Software-as-a-Service) 製品として簡単に提供できるようになります。そして突然、スタートアップ企業はそれを社内で構築する必要がなくなったのです。

これは、非常に複雑でカスタム化されたインフラストラクチャの問題とは対照的です。Amazon Web Services (AWS) には、短期間で Medium のインフラストラクチャを処理できる既製のソリューションがありませんでした。

インフラは信じられないほど複雑になっている

Amazon Web Services (AWS) は、200 を超えるさまざまなクラウド サービスに拡大しました。クラウドでアプリケーションを実行する Heroku の Platform as a Service (PaaS) アプローチは優れていますが、コストがかかります。現在、管理（ネットワーク、データベース、サーバー）用のまったく新しいクラウド サービス プラットフォームがあり、小さなミスが大きなセキュリティ リスクを引き起こす可能性があります。

「クラウド エンジニアリング」と呼ばれる開発のサブセット全体があり、そのタスクは AWS、GCP、または Azure 上でソフトウェアを実行することです。中小企業では、インフラストラクチャの構築作業は上級開発者の肩にかかっていることがよくあります。この作業は複雑ですが、再現が難しい貴重な仕事の機会とスキルも意味します。

フロントエンド開発は進化し続けている

開発を始めた頃は、jQuery を使用してレスポンシブなフロントエンドを構築することもできました。しかしすぐに同社は Angular または React に目を向け、Angular は Angular2 (突然の変更) にアップグレードされ、React はクラス コンポーネントを関数コンポーネントに変換し、フックを追加しました。上記のフレームワーク/ライブラリは、まったく異なる方法で動作します。

一部の企業は、モデルに基づいてフロントエンドを自動的に生成することに取り組んでいます。しかし、私の同僚は皆、高品質の製品を生産できるようになるまでにはまだまだ長い道のりがあることに同意しています。

ソフトウェア開発は複雑ですが、この複雑さはかけがえのないスキルを意味し、雇用に非常に役立ちます。幅広いスキルセットにより、人々は現実世界の問題をエンドツーエンドで解決できるようになります。一般の人々が自力で問題を解決できるコミュニティを構築するには、ソフトウェア エンジニアリングから始めるのが良いでしょう。

では、機械学習はこれからどこに向かうのでしょうか? 機械学習はまだ一定の位置を占めていますが、明らかに、問題を解決することの方がモデルのトレーニングよりも重要です。