AutoMLの台頭とそれによる変化

AutoMLの台頭によってデータサイエンティストの働き方や求められる能力というものが変化してきています。
AutoMLの登場以前は、データエンジニアがアプリケーションデータの利用とステージングを行い、アナリストがこれらのデータソースからレポートビューを構築し、データサイエンティストが特徴エンジニアリングとモデルチューニングを行い、機械学習エンジニアが推論パイプラインのプロダクションを行うというのが一般的でした。そのため、組織が予測モデルを構築しようとする場合、深い数学的分野のバックグラウンドを持つデータサイエンティストが選ばれることが多かったようです。このモデルでは、高度な予測モデルを構築するために博士号を持つ統計学者が採用されますが、最終的には、従属変数を最もよく示す特徴セットを設計することに大半の時間を費やすことになります。このため、高度な数学的スキルが十分に活用されず、業界のリーダーたちが機械学習を追求する意欲を失っていたのです。AutoMLが利用できるようになったことで、アナリストやデータエンジニア、あるいは技術に強いビジネスユーザーも、機械学習が提供する価値を享受することができるようになりました。
これによりデータサイエンティストは、AutoMLが生成するモデルの改良に深い統計的推論を適用することに最大限の時間を費やし、自分だけが行う資格がないタスクを達成する時間を短縮することができるようになりました。

AutoMLの精度

AutoMLは、多くの企業によって長年の研究開発の過程で開発されたものであるため、少人数のチームによって生み出される精度をはるかに凌駕する精度を提供することがよくあります。業界をリードするデータサイエンティストの先行チームとAutoMLを比較したところ、ほとんどのケースでAutoMLがより高い品質の結果を出しています。

AutoMLの高性能な新機能

Googleが新たにリリースしたVertex AutoMLツールは、Googleの分析能力を増強するのに役立ちます。Googleは、深い数学者を配置し、ビジネスクリティカルなシステムの精度とパワーを拡大することができる強力なチームを構築することができます。同時に、これまで予測モデリングに関与していなかったアナリストやデータエンジニアが、統計的推論の力を利用してビジネス上の問題を解決できるようになります。例えば、消費者向けハードウェア機器のサプライチェーン精度を最適化し、強力な予測ではなくビジネスロジックに基づいて倉庫に機器を再配分することで数百万の物流コストを削減するなどです。

AutoMLによって展開されるモデルは、深層学習の長年の研究成果から恩恵を受け、精度の高い結果を生み出します。数年ではなく数日で価値を生み出すことができるため、組織にとってより低いコストでより早く価値に到達することができます。AutoMLの台頭は、複雑な分析・予測問題の解決に機械学習を適用するという技術革新の転換点です。

いいね・フォローお願いします！！

参考：https://blog.devgenius.io/how-google-is-killing-the-data-scientist-94e641c98e2e