機械学習エンジニアとデータサイエンティストの戦い

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。

人工知能の発展により、市場にはいくつかの新しい仕事が生まれています。しかし、私たちの多くにとって、これらの新興分野における新たなキャリア、特に機械学習エンジニアとデータサイエンティストの役割の違いを見分けるのは難しく、混乱を招きます。

[[334134]]

さまざまな記事やブログを読み、いくつかのビデオを見た後、比較することで両者の違いをより明確に説明したいと思いました。

まずは例え話をしてみましょう。作家と教授の違いは何でしょうか? 両者とも言語の「ルールと文法」を知っており、一方はストーリーテラーであり、もう一方は「ルール」を厳密に実践する人であると言えます。

データ サイエンティストは、生データを処理および分析し、点と点を結び付け、その他の視覚化ツールを使用してストーリーを伝えます。彼らは通常、幅広いスキルセットを持ち、1 つまたは 2 つの分野についてのみ深い知識を持っています。彼らは芸術家のように創造性に傾倒しています。

機械学習エンジニアは、データを、取り込んで適切な形式で効率的に出力する必要があるものと見なします。実装の詳細に関して、彼らのスキルは効率的である必要があります。

両者の間には多くの重複があるかもしれませんが、データ サイエンティストは機械学習エンジニアになることができますが、その逆はあり得ません。おそらく、より多くの経験を積むにつれて、機械学習エンジニアはデータサイエンティストであるという考えが現実になるだろう。

機械学習とデータサイエンスのベン図

データ サイエンスには、洞察力や学習に関してある程度のビジネス感覚を持つ人材が必要ですが、機械学習には、システム予測に関してある程度のビジネス感覚を持つ人材が必要です。例えば：

• データサイエンス: 「この地区には、約 2 マイルごとにガソリンスタンドがあります」
• 機械学習: 「ガソリンスタンドを見つけてから 2 マイル歩いたので、今度は別のガソリンスタンドを探し始める必要があります」

Netflixの例を見てみましょう。

Netflix が過去の選択に基づいて賢く映画を推奨していることは誰もが知っています。このレコメンデーション システムは機械学習アルゴリズムと連携して、レコメンデーション システムを使用して適切な映画の選択肢を提供します。

Netflix のデータ サイエンスについて話すとき、私たちが研究するパターンには、特定の時間に視聴しているレビューアーの数、年齢と性別の構成、その他多くのことが含まれます。これらの決定はビジネスの見通しを改善するために使用されます。企業が質問に答えたり問題を解決したりするためにデータを必要とするとき、生の非構造化データから有用な洞察を提供するのがデータ サイエンティストの仕事です。

データサイエンティストに必要なスキル:

• 統計
• データマイニングとクリーニング
• データの視覚化
• 非構造化データ管理技術
• RやPythonなどのプログラミング言語
• SQL データベースを理解する
• Hadoop、Hive、Pigなどのビッグデータツールを使用する

機械学習エンジニアに必要なスキル：

• コンピュータサイエンス財団
• 統計モデリング
• データ評価とモデリング
• アルゴリズムを理解して適用する
• 自然言語処理
• データアーキテクチャ設計
• テキスト表現技術

上記からわかるように、データ サイエンティストと機械学習エンジニアの仕事は依然として大きく異なります。混同しないでください。自分のスキルと個人的な興味に最も適したポジションを判断し、将来に備えて特定の方向に意識的にスキルを伸ばしてください。