生成AIで変わるAI開発の現場とジュニアのキャリアデザイン

「データラーニングギルドmeetup#1〜あなたのアウトプットを応援！データサイエンスなんでもLT会〜」での発表資料です。

■データラーニングギルド
https://data-learning.com/guild

Transcript

1. 生成AIで変わるAI開発の現場とジュニア のキャリアデザイン
2. データサイエンスの問題として定義できてしまえば、多くの問題は解ける。 問題設定の質が解決策の価値を決定します。正しく問題を定義することで、AIや機械学習の効果を最大化できます。  問題定義の重要性 データサイエンスの視点で問題を捉え直すことで、複雑な業務課題も解決可能に。  生成AIの貢献 抽象度を下げて実装や分析へ落とし込む場面で大きな力を発揮。 データサイエンス領域で起こっている変化    生成AIで仕事がどう変わったか？ 2 / 9
3. ① 画像分類・セグメンテーションが生成AIで驚くほど簡単に Geminiなどの生成AIモデルは、複雑な画像分析タスクを自然言語の指示だけで実行できます。専門的なコーディングや事前学習不要で 高精度な結果を得られます。  直感的な画像分析 「この画像内の全ての人物を検出し、各人の姿勢を推定して」といった自然言語指示だけで分析可能に。  コード生成機能との連携 画像認識タスクに対応するPythonコードも同時に生成し、カスタマイズ可能。  セグメンテーション  オブジェクト検出・分類  医療画像診断  衛星・ドローン画像解析 画像タスクの自動化例：Geminiの活用    生成AIで仕事がどう変わったか？ 3 / 9
4. ② 文書分類：構造化データへの変換 生成AIとJSONモードを組み合わせることで、非構造化テキストデータを瞬時に分類・構造化できます。これにより、データの整理と分 析が格段に効率化します。  JSONモードとは 生成AIに特定の構造でデータを出力させる機能。指定したスキーマに従ってデータを整形します。 文書分類の活用例 カスタマーサポート：問い合わせ内容を自動的に分類し、適切な担当者へ振り分け アンケート分析：自由記述回答を複数のカテゴリに分類し、傾向を可視化 文書管理・検索：文書にタグ付けを自動化し、検索効率を大幅に向上 感情分析：テキストのポジティブ/ネガティブ傾向を数値化して評価 "category": "問い合わせ", "sentiment": "ネガティブ", "urgency_level": 4, "tags": ["返品", "配送遅延"] 文書分類の自動化：JSONモード事例 生成AIで仕事がどう変わったか？ 4 / 9
5. ③ 統計解析（ABテストのサンプルサイズ見積もり） 生成AIへのプロンプト入力だけで、複雑な統計的計算や実験設計を効率化できます。専門知識がなくても高品質な分析が可能に。  プロンプト例 統計的に有意なABテスト設計をサポート # ABテストのサンプルサイズ計算プロンプト コンバージョン率が現在3%で、15%の改善を検出したい。 有意水準5%、検出力80%の場合に必要なサンプルサイズを計算して、 実験の最小期間も教えてください。日間訪問者数は2000人です。  AIによる効率化のポイント 高速な実験設計、専門知識の民主化、複雑な計算式の自動生成が可能になります。 ※AIの出力は常に検証が必要です。特に重要な意思決定には専門家の確認を推奨します。 統計解析もAIで効率化 生成AIで仕事がどう変わったか？ 5 / 9
6. ④ 機械学習（コーディング） コードの自動生成・補完を使い、予測モデルの構築が高速化。  コード生成の効率化 回帰・分類モデルなど基本的なML実装を数秒で自動生成  実務応用事例 顧客離脱予測、売上予測、異常検知など様々な領域で活用 機械学習モデルも自動生成 生成AIで仕事がどう変わったか？ 6 / 9
7. 今までジュニアが担ってきた単純作業や定型業務が減少しています。 生成AIの台頭により、これまでキャリア形成の足がかりとなっていたジュニアレベルの業務が自動化され、新たなキャリアパスの構築 が求められています。  スキルセットの変化 単なるデータ加工や集計から、高度な問題設定や結果解釈へとスキルの焦点がシフト。  キャリア戦略の再構築 生成AIが代替できない 本質的な価値創出 ができる人材へと成長することが重要。  どうキャリアをデザインすべきか？ 機械学習の問題に落とし込む仕事はしばらく残り、生成AIのアウトプットを理解・担保する専門知識が重要に。  統計解析の理解が不可欠 機械学習はブラックボックスでも許容される場面があるが、統計解析（MMMなど）については理解と解釈が必要。 ジュニア業務の変化とキャリア設計 生成AIで仕事がどう変わったか？ 7 / 9
8. 何を理解して、何をブラックボックスとすべきなのかの切り分けは重要。 技術の発展とともに、理解すべき抽象度は上昇し続けています。専門家として「本質理解」と「効率化のためのブラックボックス活用」 のバランスが重要です。  抽象度の上昇 理解すべき領域の抽象度は、テクノロジーの進化と共に高度化しています。 テクノロジー理解の変遷： 低級言語（機械語）  高級言語  ライブラリ・フレームワーク  ノーコード  理解の境界線 機械学習の中のロジックはブラックボックスでもOKですが、統計解析（MMMなど）については理解、解釈が必要です。 AI時代のスキルとブラックボックスの境界 生成AIで仕事がどう変わったか？ 8 / 9
9. もっと深く語ります！ 生成AIの台頭によって、データサイエンスの役割と価値はどのように変化してい るのか。現役データサイエンティストが本音で語ります。 イベントテーマ  最新のAIトレンドと市場動向 生成AIがもたらす変革と今後の展望  キャリア戦略とスキル転換 これからのデータサイエンティストに求められる能力  日常業務の変化と効率化 AIと共存する新しいワークフロー データサイエンスはオワコンなのか？ 2025年11月 開催予定 詳細日程は後日発表 生成AIで仕事がどう変わったか？ 9 / 9 