機械学習の雇用状況は氷点下に達しているのでしょうか？価値を創造する人々にとって、未来は明るいままである

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

「AIの寒い冬が来た」―多くの人がそう考えており、私たちは不況を経験しています。人工知能、機械学習、データサイエンスの分野での研究と探究には多額の費用がかかり、投資家はすぐに人工知能の分野への希望を失うだろうと考える人もいます。

Googleは機械学習研究者の採用を中止し、Uberは人工知能チームの半分の研究を中止した。今後も、機械学習分野の求人数は求職者の需要をはるかに上回り続けるでしょう。

本当にそうなのでしょうか？価値を創造することができれば、前途は平坦になるというのが私の考えです。

[[337116]]

AIの冬はほとんどのAI/ML/DSの仕事には影響しない

AIの冬とは、AI研究への投資と関心が減少したことを意味しますが、ほとんどの人は研究に参加していません。人々は論文を読み、アイデアを拾い、革新を起こしますが、実際に使うのは既存のテクノロジーです。

さらに、ML 駆動型製品の構築に対する熱意は、実施されている研究の量と必ずしも相関しているわけではなく、大量の研究結果がまだ適用されておらず、業界では数十年前に開発された機械学習の結果をまだ展開しているという状況もあります。 「AI 駆動型」製品が今日人気を集めているのは、新たな研究のせいではなく、機械学習がより広く普及したためです。

問題を解決できるのは最先端のAI技術だけではない

古典的なアルゴリズム、ドメイン知識、適切なデータセットを組み合わせることで、ディープニューラルネットワークを必要とせずにほとんどの実用的な問題を解決できます。

大手テクノロジー企業以外では、技術力の向上に重点を置くことの重要性が過大評価されている一方で、問題解決の姿勢や基本的な開発スキルの重要性が過小評価されていると思います。技術的な研究開発に加えて、自動化が必要な退屈な作業や人手を要する作業もまだたくさんあります。この変革はずっと以前に完了しているはずであり、それを達成するために画期的な出来事は必要ありません。

機械学習を使用するが、世界を変えることではなく価値を創造することに焦点を当てる

解決されたあらゆる問題は価値をもたらします。シリコンバレーは、私たちのコミュニティや周囲の人々の生活の質を向上させるのではなく、先のことを考えすぎることを私たちに教えてきました。

私は Uber が大好きです。Uber は世界を変えます。しかし、Uber が事業を維持するために四半期ごとに 50 億ドルの費用を負担しているのであれば、何かがおかしい。確かに、70億人の生活に影響を与える長期戦略を持つ企業もありますが、「退屈な」業界でのデータ入力エラーの削減などの単純な改善でも価値を生み出すことができます。

MLを学ぶことはAIへの恐怖を克服する最良の方法です

私たちは皆、「自動化による失業」という話を耳にしたことがあるが、それはテクノロジーによる失業が差し迫っているからではなく、そのような恐怖をあおる話が最も速く広がる傾向があるからだ。

機械学習について学び、モデルを概念化し、トレーニングし、展開して現実世界の問題を解決するプロセスは、依然として困難です。汎用人工知能（AGI）が人間の労働力を代替できるようになるまでにはまだまだ長い道のりがあり、インフラを早急に改善する必要があり、実際のデータは整理されていません。

問題を解決するためにモデルをトレーニングするために Kaggle から CSV ファイルをダウンロードすると、作業の 99% は自動的に完了します。もっと多くの人が関与できれば、プレッシャーは大幅に軽減されるでしょう。

機械学習を簡素化するためのツールが不十分

過去 10 年間、機械学習アプリケーションの簡素化は、単一のアルゴリズムの進歩よりも多く見られました。現在、ソフトウェア エンジニアはすぐに利用できるコンポーネントから機械学習ソリューションを迅速に組み立てることができますが、シンプルさという点では改善の余地がまだあります。

ツールが進化し続けるにつれて、純粋な機械学習の仕事は減少するでしょう。代わりに、機械学習を使用してさまざまな問題を解決するソフトウェア エンジニアの数が大幅に増加するでしょう。より多くの非技術系ビジネスが恩恵を受けるでしょう。 Chip Huyen 氏はかつてこう言いました。「機械学習のための優れたツールを作成できるエンジニアであれば、私は永遠に感謝します。」

機械学習は世界中で価値の成長を推進しています。しかし、これまでのところはまだ表面をなぞっただけだと思います。今後、より応用可能なツールが利用可能になることを期待しています。

まずソフトウェアエンジニアリングを学ぶ

AI 関連分野で高度な学位をまだ取得していない場合は、AI を深く学ぶ前に、まずソフトウェア エンジニアリングを学ぶ必要があります。ソフトウェア エンジニアリングを学ぶことは、技術分野で MBA を取得することに似ています。基礎を学び、フルスタックソリューションを作成し、機械学習に役立つコードを理解できます。

業界の状況が変化するにつれて、ソフトウェアエンジニアリングの仕事の数が増え、転職が容易になります。多くのソフトウェア エンジニアは、機械学習やデータ サイエンスの分野で大きな成功を収めることができます。しかし、後者の 2 つの分野の労働者は、ソフトウェア エンジニアリングのスキルを発揮することがほとんどありません。

AI分野では「ネガティブなニュース」が後を絶たないが、それに対処する覚悟さえあれば、避けられないと想像される「苦難」は必ずしも起こらないかもしれない。一般的なスキル（機械学習を含む）の習得、実用的な問題の解決、価値の創造に注力していれば、自分の才能を発揮できる舞台が必ず見つかります。