データ分析・AI

データサイエンティストは、売上やアクセス、機械のセンサーなどの記録を分析し、仕事の判断に役立つ発見を探します。機械学習エンジニアは、データから見分け方や予測のしかたを学ぶ AI をつくり、サービスに組み込みます。

どちらの仕事でも、最初に使うのは高校の数学です。平均や標準偏差で記録の特徴をつかみ、散布図で 2 つの量の関係を調べます。偶然かどうかは確率で考え、言葉や画像は数の並び(ベクトル)にして計算します。

このページでは、数学 I の標準偏差で「いつもと違う」を見つける方法と、数学 B の数列で来週の注文の数を予測する方法を紹介します。どちらも、教科書で習う計算がそのまま使われている場面です。

工場では、来週どれだけ部品の注文が来るかを予測して、材料や人の手配を決めます。予測の方法の 1 つが、過去の記録に重みをつけて平均する「指数平滑法」です。新しい記録ほど重く、古い記録ほど軽く数えます。

計算は、数学 B で学ぶ漸化式そのものです。「来週の予測 = α × 今週の実績 + (1 − α) × 今週の予測」をくり返します。α は 0 と 1 の間の数です。たとえば α = 0.5 で、今週の予測が 100 個、実際の注文が 120 個だったとします。来週の予測は 0.5 × 120 + 0.5 × 100 = 110 個です。

この式をさかのぼって展開すると、記録につく重みが見えてきます。今週は α、先週は α(1 − α)、その前は α(1 − α)² と、重みが等比数列になって並ぶのです。α = 0.5 なら 0.5、0.25、0.125… です。数学 III の無限等比級数で足すと、重みの合計はちょうど 1 になり、きちんとした平均になっていると分かります。

新しい記録が届くたびに、前の予測を 1 回直すだけで済むのも強みです。何千種類もの部品の予測を毎週くり返す仕事でも、計算が軽くて済みます。α を大きくすると最近の変化にすばやく反応し、小さくすると落ち着いた予測になります。

ここでは、部品をつくるメーカーで、工場のデータの分析を受け持つデータサイエンティストの 1 日の例を紹介します。

朝は、夜の間に集まったセンサーの記録を確かめます。管理図の線をこえた点があれば、工場の担当者に連絡して、機械の点検を相談します。線が厳しすぎると、問題のない機械まで止めてしまうので、線の位置の見直しも仕事のうちです。

午後は、来週の注文の予測を見直します。予測と実際の注文がどれだけずれたかを部品ごとに調べ、ずれの大きい部品は α の値や予測の方法を変えて試します。分かったことは、数式を使わずに、グラフと言葉で現場の人に伝えます。

高校のうちは、数学 I の「データの分析」と数学 B の「数列」「統計的な推測」を大切にしてください。標準偏差や正規分布、漸化式は、仕事で毎日のように使います。数学 C のベクトルと数学 II の微分は、AI のしくみを学ぶときの土台になります。

大学は、情報系や数学・統計の学科のほか、データサイエンスを看板にした学部も選べます。文部科学省は、大学などの数理・データサイエンス・AI の教育プログラムを認定する制度を設け、2021 年度から認定を始めました。認定の一覧で、志望校にどんな授業があるかを調べられます。

数字の小さな変化に気づける人、「なぜ?」を確かめずにいられない人に向いています。経験を積むと、分析チームのリーダーや AI の開発の責任者、研究の仕事へ進む道があります。データを分析する仕事は、メーカーや IT の会社だけでなく、金融や鉄道、スポーツなどにも広がっています。