📊実務とノウハウ

「AIモデルを構築している」というイメージとは裏腹に、実際の日々の多くはSQLクエリやPythonコードを書いてデータを取得・整形すること、統計検定やモデル訓練を行うこと、そしてその結果を非技術者の関係者でも行動に移せるチャートやメモに落とし込むことに費やされる。実務者調査では一貫して、データクリーニングと準備が総労働時間の半分以上を占めるという結果が出ている。

いいえ。医学や法律と異なり免許制度や必須の単一学位は存在せず、統計学・コンピュータサイエンス・数学など定量的分野の学士号か修士号が最も一般的な道であり、実際のプロジェクトを積んだポートフォリオの方が、正確な学位よりも採用側にとって重視されることが多い。博士号は研究色の強い職や応用機械学習の職でより一般的である。

厳密には違う。フィッシャーの実験計画法やテューキーの探索的分析など統計学に強く依拠しているが、伝統的な統計学部ではほとんど教えられてこなかったプログラミング、データベース工学、機械学習を加えている。ウィリアム・S・クリーブランドは2001年に、統計学を置き換えるのではなく、それを土台とした計算集約型の拡張分野を指す言葉として、この用語を提唱した。

定型的な部分はすでにその影響を受けている。AutoMLツールは標準的なモデルの構築・調整を行え、AIアシスタントはSQLクエリの作成、探索的チャートの初稿作成、定型的なパイプラインコードの記述を人より速くこなせる。まだ自動化されていないのは、適切な問いを設定すること、パターンが有意義なのか偶然なのかを判断すること、その結果に基づく意思決定に責任を持つことである。

国や経験年数によって大きく異なる。米国労働統計局によると、2023年時点でデータサイエンティスト職の年収中央値は約10万8000ドルであり、ジュニアアナリストは7万~9万5000ドル程度から始まることが多い一方、大手テック企業のシニアまたはプリンシパルデータサイエンティストは株式報酬を含め総報酬20万~40万ドル以上を得ることもある。

データアナリストは通常、既存のデータとダッシュボードを使って明確に定義されたビジネス上の問いに答える。データサイエンティストは、より雑然としたデータから新たな統計モデルや予測分析を構築する。機械学習エンジニアは、ノートブックの中にあるモデルを本番環境で確実に、大規模に稼働させる役割を担う。この境界は常に曖昧で、多くの人がキャリアの中でこの3つを行き来している。