「データサイエンティストが『その会社の本業部門』にしかいない」問題

(Image by Pixabay)

ちょっと前にこんなことを書きました。

洋の東西を問わずどこの事業会社でもあるあるなのが、プロダクト部門には山ほど優秀なデータサイエンティストや機械学習エンジニアがいるのに、広告・マーケ部門にはDSやMLエンジニアはおろか普通のエンジニアもアナリストもいないので外部コンサルやベンダーに頼りきり、という現象。灯台下暗し

— TJO (@TJO_datasci) 2019年12月26日

これ、実は広告・マーケティング業界に限らずあらゆる分野業界のデータ分析事情について言えることなのですが、ここで言う「プロダクト部門」を「（その会社の）本業部門」と言い換えるとさらに普遍性の高い話であるように、僕の個人的な体験と見聞からは思われます。

ということで既に年末ポエムを書いてしまった後なのですが、今後データサイエンティスト（広義：よって機械学習エンジニアやデータアーキテクト*1などその他のデータ分析関連職種を含む）という職種の活躍範囲が広がっていくかどうかにも関わる論点の一つとして、この「データサイエンティストが『その会社の本業部門』にしかいない」問題について書いてみることにします。

なおいつもながらの但し書きですが、この記事は僕がデータ分析業界において個人的な見聞の範囲で書いたポエムに過ぎません。異論反論含めもっと広汎な経験をお持ちの方々からのフィードバックをいただけると有難いです。

*1:データアーキテクトについては「データ基盤整備以下、分析本体以外のデータ活用に関して重要な役割を担う職掌」と仮に定義しておきます。今後別の記事で改めて論じるつもりです

Scalabilityを追求するということ

(Image by Pixabay)

今年も恒例の年末振り返り記事の季節になりました（笑）。なおここ数年の年末振り返り記事はこちらから。

去年まではどちらかと言うと「stats/ML分野の進歩が早過ぎてついていけない」という愚痴半分諦め半分みたいな話をしていたわけですが、ついていけなくなった結果技術的な知識という面では周回遅れになりつつあるという段になって、僕個人の中では別の課題意識が今年になって出てきたのでした。ということで、今回の記事では今年の注目トピックを振り返りながら、その課題意識についてちょっとポエムを書いてみようと思います。

機械学習の説明可能性（解釈性）という迷宮

ちょっと前に、しょうもないことを某所で放言したら思いの外拡散されてしまいました。

機械学習の説明可能性（解釈性）、大半のケースで求められているのは厳密な分類・回帰根拠ではなく受け手の「納得感」なので、特に実ビジネス上は説明可能性に長けたモデルを開発するより、納得できないお客さんを巧みに関係性構築した上で口八丁で完璧に説得できる凄腕営業ピープルを雇う方が重要

— TJO (@TJO_datasci) 2019年11月23日

これ自体は与太話なので実際どうでも良い*1のですが、最近色々な研究や技術開発の進展はたまた実務家による考察などを見ていて、「機械学習の説明可能性（解釈性）というのは思った以上に複雑な迷宮だ」と感じることがままあったのでした。

ということで、今回の記事では僕のサーベイの範囲でザッと見て目についた資料などを超絶大雑把にリストアップした上で、主に実務における説明可能性とは何かという話題について個人的に考えていることを書き出してみたいと思います。なお、このまとめはあくまでも「ビジネス実務における機械学習の説明可能性（解釈性）」という話題を念頭に置いたものであり、学術的な議論や況してや学術発表における引用に耐えるような代物ではありませんので、伏してご了承くださいm(_ _)m

*1:どうでも良くない界隈もありそうだが