9月18日、Stephanie Kirmerが「Starting a Career in Data Science in the Age of AI」と題した記事を公開した。ある大学生から「倫理を犠牲にせずデータサイエンスで成功するにはどうすればいいか」と問われたことが執筆のきっかけだという。そして記事が最終的に訴えるのは、スキルの習得法や業界選びにとどまらない、LLMへの批判的思考の委譲という、AI時代特有の危険性だ。「AIを使いこなせばキャリアが安泰」という通説に対し、著者は明確に異議を唱える。
著者のStephanie KirmerはData Science（データサイエンス）とMLE（Machine Learning Engineer：機械学習エンジニア）の分野で約10年のキャリアを持つ実務家だ。
LLMの使い方——ここが一番の核心
AI時代のキャリア論として最も実践的な示唆を含むのが、LLM（Large Language Model：大規模言語モデル）との向き合い方だ。
Kirmerの立場は「全面拒否でも全面依存でもない」というものだ。コーディングでは活用しないと同僚に遅れをとる可能性があると認めつつも、批判的思考をチャットボットに委ねることは危険だと明言する。
特に興味深いのが、彼女が自身の文章（この記事を含む）にはAIを一切使わないという点だ。理由はシンプルで、「人間が書いた文章だと職場で評価される」「自分のアイデアと創造性においては、LLMより自分のほうが優れていると確信できる」からだという。コードについては「AIの出力が自分のものより優れている可能性を否定できないので妥協する」とも述べており、自己評価の根拠を明確に分けている点がリアルだ。
LLMを使うべきかどうかの判断基準として、以下の2問を自問するよう勧めている：
- この作業の目的のひとつに「学習」が含まれているか？
- 自分がLLMよりも高品質・高精度にこなせる作業か？
どちらかひとつでも「Yes」なら、自分でやれ——という結論だ。
学習目的の課題でAIを全面的に使う同級生への苛立ちを語る学生の話も紹介されており、「旅そのものが目的である作業」と「成果物の完成が目的の作業」を区別できるかどうかが、スキル形成の分岐点になると指摘する。LLMの活用法については、Towards Data Scienceの「How to Use LLMs Effectively as a Data Scientist」のような実践的な議論も参照すると理解が深まる。
過度な専門化を避ける
「フロンティアモデルの訓練」に特化したキャリアは、大多数にとって持続性がないとKirmerは言う。技術は変化し、手法も変わる——これを彼女は自身のキャリアで実際に体験している。
推奨するのは汎用的な問題解決力だ。GBM（Gradient Boosting Machine：勾配ブースティング木。複数の決定木を順番に学習させ予測精度を高めるアンサンブル手法）、NLP（Natural Language Processing：自然言語処理）、クラスタリング（データを類似性に基づいてグループ分けする教師なし学習手法）、ニューラルネットワークなど複数の手法を「道具箱の中の道具」として持ち、状況に応じて使い分けられることが重要だという。「LLMが機械学習の終着点ではない。次に何が来るかを常に見ておく必要がある」という言葉は、この分野の変化速度を考えると説得力がある。
エントリーレベルとシニアレベルを分けるのは、問題のアーキタイプを見抜き、散らかったデータの中から解法を組み立て、統計的に妥当な答えを出す力だと説明する。この能力は大学では完全には習得できず、現場での経験が不可欠だとも述べている。
業界の多様化と倫理的責任
ソフトウェア産業だけがデータサイエンスの舞台ではない。医療、行政、非営利団体など、データ分析が価値を生む領域はあらゆるセクターに広がっている。インターンシップや求人票の精読、実務家との対話を通じて、自分に合う業界を探ることを勧めている。
倫理の問題については、データサイエンティストが組織全体に対してデータやAIの適切な利用法を教育する責任を持つべきだという立場を取る。専門知識のない組織がリスクを無視してAI活用を推進する事態を防ぐのは、財務担当者が企業の不正を防ぐのと同様の職業的責務だという比喩が分かりやすい。この点は、単に「倫理観を持て」という抽象的な訓戒ではなく、専門家として組織内部から誤用を止める実践的な義務として位置づけられている。AIの倫理的利用に関する議論としては、Partnership on AIやAI Now Instituteのレポートも参考になる。
予測不能な未来への構え
「AとBとCを学べば定年まで食えるキャリアが保証される」という約束はできない、とKirmerは率直に述べる。グローバルな経済変動、技術的・政治的変化によって求められるスキルは変わり続ける。唯一の対策は、どんな技術が来ても問題解決に使える汎用力を持つことだという。
記事の末尾では、こうしたキャリア論が現行の経済システムを肯定するものではなく、そのシステムの中で生きなければならない学生への現実的な回答である、とも付け加えている。データサイエンスのキャリア全般に関心がある読者には、Towards Data Scienceの「The Data Science Career Landscape in 2024」のような俯瞰的な記事も併せて参照するとよいだろう。
詳細はStarting a Career in Data Science in the Age of AIを参照していただきたい。
