適切な問いを立てること
84曖昧なビジネスや科学の課題を、具体的で検証可能な問いに変えるには、自動化ツールが自力ではアクセスできない組織的・専門領域的な文脈が必要である。
データサイエンスはAIの物語の中で異例な位置にある。この職業を作り変えつつある道具の多く――自動機械学習、自然言語からSQLへの変換、AI支援チャート作成――は、それ自体、データサイエンティストや機械学習研究者によって主に作られ、いま自分たち自身の日常業務の一部に向けられているのだ。
その影響は現実であり、かつ均一ではない。仕事の定型的で明確に規定された部分――データの取得、標準的なモデルの実行、初稿のチャート作成――は、AIツールがすでに人に匹敵する速さでこなせるようになっている。生き残る部分は、コードを書くことよりも、どんな問いを立てる価値があるか、その答えを信頼できるかを判断することにある。
高い
Share of the work a machine could do
SQLクエリ、探索的チャート作成、AutoMLによる標準モデルの当てはめ、定型的なパイプラインコードの記述など、データサイエンスの定型的な仕事の相当な部分は、すでに今日自動化またはAI支援されており、その割合は急速に拡大している。自動化に抵抗するのは、曖昧なビジネス課題を検証可能な問いに落とし込むこと、結果が本物か統計的な偽物かを判断すること、そしてモデルの現実世界での意思決定が誤っていたときに責任を負うことである。
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →What machines cannot take
パターンが本物かどうかの判断
80真の効果とノイズ、データ漏洩の産物、あるいは運のよい訓練・検証データの分割とを見分けることは、自動化されたパイプラインが自らの出力に対して最も苦手とする懐疑的な判断そのものである。
現実の意思決定への説明責任
88融資を却下したり、患者にフラグを立てたり、商品の価格を誤って設定したりするモデルに対して、誰かが説明責任を負わなければならない――これはその数字を生み出した道具に転嫁できない責任である。
懐疑的な関係者の説得
68直感に反する、あるいは歓迎されない発見を実際に行動へつなげられるかは、正しい分析だけでなく、人との信頼関係、信用、交渉にかかっている。
本当に新しい実験の設計
74新しい問いに対して適切な自然実験、対照群、因果推論戦略を選ぶことは、過去の分析のパターンマッチングよりも創造的な判断に近い。
What they already take
定型的なSQLクエリとデータ取得
75自然言語からSQLへの変換ツールは、かつてデータサイエンティストの直接関与を必要としていた単純なデータ取得依頼の大部分をいまや処理している。
初稿の探索的チャートと要約
65自動化された探索的分析ツールは、生のデータセットから分布図、相関の要約、基本的なチャートを数秒で生成できる。
標準モデルの当てはめと調整
68AutoMLプラットフォームは、勾配ブースティングやロジスティック回帰といった従来型のモデルを、明確に定義されラベル付けされた問題に対してほぼ無人で選択・訓練・調整できる。
定型的なパイプラインとETLコード
60標準的なデータ変換やロードのスクリプトを組み立てることは、いまやゼロから書くよりもAIコーディングアシスタントで生成しレビューする方が速いことが多い。
How the work is changing
モデルを構築することから、モデルを指示し検証することへ
仕事の中でますます大きな割合を占めるのは、あらゆるクエリとモデルを手で書くことではなく、自動化されたパイプラインに何を試させるかを指定し、その出力を検証することである。
総称的な職名が専門分野へ分化
アナリティクスエンジニアリング、機械学習エンジニアリング、プロダクトアナリティクスはますます別々の職名となり、それぞれが10年前に単一の「データサイエンティスト」が担うことを期待されていた仕事の一部を吸収している。
因果推論と実験の地位が上がる
既存データにおけるパターン発見が自動化しやすくなるにつれ、信頼できる実験や因果分析を設計するというより難しいスキルの価値は下がるどころか、むしろ高まっている。
「市民データサイエンティスト」が基本分析を広める
ノーコードとAutoMLのツールにより非専門家も自ら基本的な分析を実行できるようになり、専任のデータサイエンティストは、それらのツールが扱えないより難しく曖昧な問題へと押し出されている。
New jobs branching off
アナリティクスエンジニア
dbtなどのツールを使うことが多い、ダッシュボードやモデルに供給するデータ変換パイプラインを構築・維持し、データエンジニアリングと分析の間に位置する。
機械学習エンジニア
研究用ノートブックの中にあるモデルを取り出し、本番システムで確実に、監視された状態で、大規模に稼働させる。
データプロダクトマネージャー
データやAI駆動の機能のロードマップを所有し、ビジネス目標をデータチームが実際に構築すべきものへと翻訳する。
責任あるAI/モデルリスクアナリスト
出荷前にモデルとその背後にあるデータをバイアス、公平性、規制遵守の観点から監査する。
Outlook
データを信頼できる意思決定に変えられる人材への需要は今後10年間も強く保たれる可能性が高いが、この仕事の入門レベルはすでに変わりつつある――純粋に定型的なクエリと初稿チャートを手作業で書くためだけに存在する職はいずれ減っていく。
最もはっきりした長期的な優位性は、本当に有用な問いを立てられ、AIが生成した結果がひそかに間違っている場合を見抜き、懐疑的な関係者を前に提言に責任を持てるデータサイエンティストにある――これはフィッシャーの作物実験以来この分野が必要としてきたのと同じ判断力であり、今やますます自ら初稿を作成するようになったワークフローに適用されている。
Keep exploring
More in Science & Research
⚛️
物理学者
黒板一枚から3000人の共著者を抱える加速器論文まで、物質・エネルギー・空間・時間を支配する数学的法則を導き検証する仕事。
AI-resistant 65 🧬生物学者
生命そのものを研究する科学者。リンネが種を手作業で命名した時代から、CRISPRでゲノムを編集する今日まで、あらゆる着想を生きた生物で検証し続けてきた。
AI-resistant 64 🧪化学者
物質そのものを作り、測る科学者——バビロニアのタプティの蒸留器から今日のロボット実験室まで、スペクトルの意味を決めるのは常にこの人だ。
AI-resistant 70 🔭天文学者
バビロニアの粘土板から宇宙望遠鏡まで、宇宙を測り続ける科学者。今もデータの中のどの揺らぎが発見なのかを見極めている。
AI-resistant 70 🧮数学者
バビロニアの書記からフィールズ賞受賞者、AI支援証明まで――困難な問いを恒久的な確実性へと変え続けてきた職業、一つの定理ごとに。
AI-resistant 70