どうも、カタミチです。
さて今日はそろそろ、AIについて勉強するということにフォーカスしたいと思います。
まず、何を勉強するか？を考える上で必須になるであろう考え方として、社会でどのようなスキルが求められているのか？というものがあると思います。苦労して勉強して身につけたスキルが、「実は社会では全く役に立ちませんでした」ということだと悲しいからです。
まぁ、時代やフェーズによって求められるスキルも変わってくるでしょうから、時代を先読みして「今は役には立たないけれど勉強しておく…」という考え方も必要でしょう。ただ、何も分かっていない今の私のような状態なら、ひとまず現在求められているスキルを知っておくことが大事でしょうね。
ということで今回、参考にしたのは安宅和人さんの著作「シン・ニホン」。2020年2月20日の発行であり、発行から既に約2年が経過していることを考えると多少の不安もありますが、バックグラウンドがしっかりされた方の著書ですので、ベースとするには十分と思っています。
必要なスキルセット
さて、「シン・ニホン」の中で定義されていた必要スキルセットですが、大きく3つあるようです。「データサイエンス力」「データエンジニアリング力」「ビジネス力」です。こんな感じのベン図で示されていました。
当著によるとこれは「データサイエンティスト協会スキル定義委員会で取りまとめたスキルセット」ということでしたのでちょっとググってみたところ、「2021年度版 データサイエンティストチェックリスト」なるものが見つかりました。
2021年度版「データサイエンティスト スキルチェックリストver.4」およびデータサイエンス領域タスクリスト ver.3」を発表 | 一般社団法人 データサイエンティスト協会
…何となく、掘り下げると深みにハマりそうな気がしたので、このチェックリストはまた別の機会に見ることにしよう(そっ閉じ)
さて3つのスキルについて、ひとつずつ見てみましょう。
データサイエンス力
まずは「データサイエンス力」。このベースになるのは、統計数理と数学、特に線形代数、微積分の力だとのこと。まず真っ先に身につけるべきとの記述もありました。ふむふむ、なるほど。
大学入学前にある程度の基礎的な数理・統計素養が身についていることが望ましいとしたうえで、具体的には以下の領域を高校で学んでおきたい、とあります。
・統計数理の基礎となる分布、ばらつき、確率的な概念
・三角関数、指数関数ほか代表的な関数
・二次曲線
・数列
・空間座標、複素数平面、極座標的な概念
・線形代数の基礎となるベクトル、行列、内積・外積
・極限、微分・積分の基礎概念とその図形的な意味
…ぐはっ。
はるか昔に薄っすらと勉強した記憶のある数学の用語がズラリ。「微積分とか、社会に出て何に使うんだよ」とか言っていた学生時代の自分に教えてあげたい…。
それにしても、これらは高校生を啓発するための項目たちでしょうから、大人としてはもう少し学ぶべき項目の精査はしたほうが良さそうですね。
ともあれ、大テーマの一つとして、データサイエンス力が必要だということは間違いなさそうです。
データエンジニアリング力
次に、データエンジニアリング力。これは、データサイエンス力を計算機環境をうまく使い実装・運用するための力ということのようです。プログラミングが、このエンジニアリング力の前提要素になってくるようですね。
確かに、AIについて調べているとプログラミングの話がよくヒットします。切っても切れない関係にあるということなのでしょうが、まずデータサイエンス力を磨いて、その後にデータエンジニアリング力…ということが大切という点は頭に入れておいたほうが良さそうです。
ビジネス力
最後にビジネス力。これは、深いドメイン知識を元に課題を整理し、サイエンス、エンジニアリングとつなげる力とあります。
社会人である以上はどんな職種であっても少なからず求められる力ですね。この力は、AIを勉強する上でもやはり避けては通れないところのようです。まぁ、データサイエンスについての十分な理解と、データエンジニアリングの力を持った状態で常にアンテナを張っておく、ということがビジネス力につながる…ような気がしますね。
ということで
実際のプロの現場では、このどれかに軸足を持ち、3つの領域いずれもミニマムレベルを持った状態の人がチームを組むことによっ補完し合うことが普通、ということです。
まずはミニマムレベルのスキルセット、それから自分がどこに軸足を置いていくべきかを考える…という感じですかね。それぞれについて、少しずつ勉強を始めていきたいと思います！
