新規事業のつくり方

新しいことを学ぶことが好きです。今は機械学習や自然言語処理に興味があります。

目次
１．AIエンジニアの仕事内容
２．AIエンジニアに向いている人とは？
３．AIエンジニアになるメリットとは
４．AIエンジニアの将来性とは
５．AIエンジニアに必要なスキル
６．AIエンジニアになるための勉強法
７．AIエンジニアになるため大学は必要か
８．AIエンジニアになる方法はAIエンジニアの仕事をすること
９．AIエンジニアに未経験から転職できるのか？
１０．AIエンジニアの求人と選び方
１１．AIエンジニアの採用は2018年後半から本格化
１２．AIエンジニアにおすすめの転職エージェント
１３．AIエンジニアになる３ステップ
さいごに

2018年は、大企業が人工知能の実証実験に取り組んだ1年でした。プレスリリースからは、その成功可否までは分かりかねますが、現場のAIエンジニアの苦労が偲ばれるところです。

失敗案件が続き、企業の投資意欲が落ちることも懸念されましたが、日本株式会社の投資意欲は依然として高水準です。

2019年は、多くの業界で本格的に人工知能が導入が進んでいくでしょう。AI人材の不足感は、より高まります。「AIで何をやるのか」を決める上流側の人材と、「AIで学習済みモデル」を作るエンジニア人材の両方とも足りないようですが、事業会社側でAIの理解がそれなりに進んでいることもあり、特に後者が足りない印象です。

企業のAIリテラシーは高まっているものの、AIをプログラミングすることにはまだまだ抵抗感が高いようです。システム開発を外部委託している企業が多いので当然かもしれません。つまり、AIエンジニアの需要はとても高いという事です。

本記事では、現役のAIエンジニアが、未経験からAIエンジニアになる方法を解説します。

転職の体験談：転職エージェントにボコボコにされて未経験からAIエンジニアに転職した話続きを読む
このエントリーをはてなブックマークに追加

若い友人が僕に言う。「機械学習ってなにが出来るんだい」。

また機械学習のことかと僕は思った。いささかこの話題に飽きているのだ。ただAIと言わないあたり、彼は見込みがあるのかもしれない。

「機械学習はデータから学習することだよ」僕はシンプルに伝えた。シンプルさはこの世の中で最も貴重な価値観の一つだ。

「学習とはどういうことだろう」彼は言う。鋭い指摘だ。確かに学習について僕は伝えていなかった。

「数式のパラメータを学習するんだ」僕はまたシンプルに伝える。パラメーターと言うべきか少し迷ったが、そんなことはどうでもよかった。

「数式のパラメータか」彼は僕の言葉を繰り返した。「つまりデータから数式を定めることが学習なんだね」彼は言葉を重ねた。

続きを読む
このエントリーをはてなブックマークに追加

ここ数年間、AI開発の良質な学習コンテンツが増えました。

インターネットに、良質な解説記事が増えました。特にディープラーニングの解説記事周辺は、これでもかというくらい分かりやすく解説されています。

書籍では、松尾先生の「人工知能は人間を超えるか」を皮切りに、「python 機械学習プログラミング」と「ゼロから作るDeep Learning」が出版され、CONNPASS周辺で多くの勉強会が開催されました。

また、事前知識ゼロでも機械学習を学べる「pythonではじめる機械学習」が出版され、機械学習のハードルが大きく下がりました。これらの良質な書籍は、機械学習ブームの影の立役者でしょう。
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎 [単行本（ソフトカバー）]
Andreas C. Muller
オライリージャパン
2017-05-25


そしてまた、機械学習を学ぶ上で最高の教材が発表されました。Udemyの「Pythonで機械学習：scikit-learnで学ぶ識別入門」です。続きを読む
このエントリーをはてなブックマークに追加


AI人材の給与が高騰中です。

米国のAI研究者やAIエンジニアは、大学で博士号取得した人や職歴が数年程度の人が、年収5000万円の給与を得られるようです。
東洋経済：年収5000万円もザラ､米AI人材のヤバい報酬

AI人材は、社会的ニーズが急速に高まったことから極めて希少性があります。需要に供給が追いついていないため、高値がついています。それではAI人材の主役であるAIエンジニアは、高収入で幸せなキャリアが約束されているのでしょうか。

続きを読む
このエントリーをはてなブックマークに追加

この記事を読んでほしい方
・人工知能の仕事に興味がある方
・AIエンジニアになりたい方

先日「SEから機械学習エンジニアに転職したい場合、どこの転職サイトに登録すれば良いか」と質問を受けました。

確かに、世の中にはたくさんの転職サイトがあって、どれに登録すればいいか迷うこともあると思います。私自身も結構悩みました。なので今回は、転職サイトの選び方を考えてみます。

参考記事：AI人材の年収が高い理由は？|SEがAIエンジニアに転職すべき２つの理由
続きを読む
このエントリーをはてなブックマークに追加

人工知能や機械学習の未経験から、"AI人材"として転職する方法を解説します。

結論から書くと、「人工知能未経験の方は、AI企画人材になりましょう」というお話です。

本記事が想定する読者層
・人工知能未経験からAI人材になりたい方
・現在ビジネス系職種でAIに興味がある方
・今のAIブームに乗りたい方

AI市場の成長はデータ量が増えているから

IDC Japanが、国内のAIシステム市場は5年で16倍に急成長すると発表しました。2021年の市場規模は、2016年比で16倍となる2500億円とのこと。ビジネス領域でのAI活用がいよいよ本格化するそうです。

なぜこんなに市場が成長するのでしょうか。ハードウェアやディープラーニングの進化も理由にあげられますが、一番の理由はデータ量が増えたからでしょう。

2020年に世界のデータ量は、44兆GBになると言われています。この44兆GBのデータを、世界中のAIエンジニアが分析するわけです。しかもデータ量は、年間40%とかで増えていきます。そりゃ人材不足になるのも当たり前かもしれません。1GBのデータの分析でも相当きついですからね。

この44兆GBのデータを、いかに自社で集め、いかに活用していくかが今後の企業戦略のカギでしょう。そしてデータ活用の主役はAIです。

ではAI時代のキャリア戦略として、どのようなポジショニングがあるか解説いたします。

関連記事：AI営業職がAI時代の主役になるかもしれない続きを読む
このエントリーをはてなブックマークに追加

みなさんは「AI人材」という言葉をご存知でしょうか。

第4次産業革命とも言われる人工知能ブームは、文字通り急激な変化を起こしました。企業は必死で戦略を見直しているものの、そもそも見直すだけの知識を持つ人材が社内におらず袋小路です。見直せる人材がいないので、必要な人材像を定義出来ず、とりあえず「AI人材」とビジネス界隈でよく利用されています。

とにかく今、圧倒的な人材不足です。ではこの「AI人材」にどしたらなれるのでしょうか。

関連記事：人工知能(AI)ブームに乗りたい人に切符を提供してみる
続きを読む

人工知能ブームがますます過熱感を帯びています。先週アルファ碁ゼロが、ルールを覚えさせるだけで人間を超えたというニュースが出ました。顧客や上司から説明を求められ、強化学習と教師あり学習の違いを解説したAI担当者も多かったのではないでしょうか。

先月上場したPKSHA Technologyが、時価総額1600億円を超えました。PER700倍、PBR170倍という信じられないような指数が付いています。少しでも株を知っている人なら、この指数がどれほど期待値を織り込んでいるか理解できると思います。

今の人工知能ブームは踊り場はありません。人工知能株式会社は、グローバルで国と企業を巻き込み信じられないスピードで進化し続けています。技術進歩が他の技術の進歩を生み出すことで、指数関数的に進歩しているからです。

本記事では、人工知能開発に携わる著者が、人工知能の最前線をご紹介し、ビジネスパーソンの生き残り方法を提案してみます。

過去記事：これだけは知っておけ！PythonでＡＩ開発の基礎まとめ

続きを読む

「今年中にあなたが結婚できる確率は４％です。しかし英会話スクールに入ることで、結婚できる確率が２％上がります。」
「あなたは３年後にリストラされる確率は６５％です。しかし今からPythonを学ぶことで、リストラされる確率が３０％下がります。」

ロジスティック回帰分析は、分類モデルを作るアルゴリズムです。そして、分類結果の発生確率を予測します。例えば「ガンになる確率 30%」 のような予測ができます。

また、モデルの中身を数式として出力できるので、ディープラーニングのようにブラックボックスになりません。そのため、企業データの分析レポートなどでは、ロジスティック回帰とディープラーニングの２種類の手法で分析して比較するということがよく見られます。

一方、ロジスティック回帰は、線形分離可能なクラスに対してのみ高い性能が発揮されます。非線形の問題はうまく学習できないという重回帰分析と同じ問題を抱えています。

過去記事：これだけは知っておけ！PythonでＡＩ開発の基礎まとめ続きを読む
コメント（0） このエントリーをはてなブックマークに追加

機械学習界隈で、最強アルゴリズムの一角を占めていたランダムフォレスト。ディープラーニングが登場した後急速に存在感をなくすものの、その利便性と強力さから多くのデータサイエンティストが現役利用中。

scikit-learnでのランダムフォレスト、分類モデルと重要度評価の実装方法まとめました。

決定木の問題点

決定木は、上から順に条件分岐を作って分類モデルを作る手法です。ルールが可視化できる、正規化や標準化などのデータ加工が不要など、素晴らしいアルゴリズムです。
しかし、決定木は過学習を起こしやすいという問題点がありました。

前の記事：Pythonの決定木分析できのこ派とたけのこ派を予測する続きを読む
コメント（0） このエントリーをはてなブックマークに追加

↑このページのトップヘ