AI・データ分析のフリーランス向け案件が業界最大級
機械学習プロジェクトの多くでは、大量のデータを活用し、統計的なアプローチで問題解決がはかられます。それらの実行には、データエンジニアリング、データサイエンス、ビジネスといったそれぞれの領域でプロフェッショナルを発揮する人材が必要です。業務の中心となるデータサイエンティストや機械学習エンジニアといった数理統計の専門家に加え、ソフトウェアエンジニアやプログラマー、ビジネスサイドとの調和をはかるPM（プロジェクトマネージャ）といった様々なIT技術者が協力して案件を推進します。
この特集では、機械学習・AI分野の求人動向からはじめて、Machine Learning/ML案件の種類やフリーランスの単価相場、活用事例などについて紹介します。
機械学習の分析目的やAI/ML案件の種類はますます多様化する傾向にあります。予測モデルの作成や最適化・自動化といった用途のほか、画像、テキスト、音声などの解析についても需要が増加しています。AIが一般化するに伴い、従来は金融やマーケティングなど一部の分野に集中していたデータ解析の案件も、メーカー、医療、金融、小売といった様々な業界でプロジェクトが進められるようになりました。
開発のステージも、PoC（概念実証）や基礎研究といった探索段階から、AIモデルをシステム化し事業に組み込んだり、サービスとしてローンチするような段階のプロジェクトまで様々な開発の要望があがっています。
機械学習の案件で働いているのは、機械学習エンジニア（MLエンジニア）だけではありません。データサイエンティストやデータエンジニアなど様々な職種があり、それぞれ作業内容が変わります。ここからはそれぞれの職種について、どういう仕事を行っているのかなどを詳しく解説していきます。
データサイエンティストは、機械学習で使うためのデータを集めたりクリーニングしたりする職種です。膨大なデータを保有し、その中空実行可能なデータを探し出すのに苦労している企業は多くあります。そういった企業のニーズに答え、ビジネス的価値をもたらすであろうデータを探し出し、モデルの訓練と最適化を行う重要な仕事です。
機械学習エンジニアの主な仕事は、機械学習のモデルを構築・最適化することです。JavascriptやPython、MongoDBなど様々な技術を扱うスキルを求められます。機械学習モデルをコンポーネントやAPIとして取り扱い、ハードウェアやフルスタックのアプリにプラグインする仕事ですが、場合によっては機械学習エンジニアが機械学習モデルの設計を行うこともあります。
企業が取り扱う大規模なデータを管理するのがデータエンジニアです。この仕事で重要になるのがデータパイプラインの管理で、機械学習で利用されるデータをすぐに検索できるようにします。データはクリーニング等の前処理を行わなければならないため、必要になった時にすぐ元データを検索できるようにしておくことで、機械学習の工程をスムーズに進めることができます。
機械学習を行うエンジニアの収入がどの程度あるのか気になる方もいるでしょう。フリーランススタート運営事務局の調べによると、2019年5月時点での機械学習エンジニアの単価相場は、60～80万円程度となっています。これは週5常駐で月に140～180時間作業した場合の数字です。最低単価は40万円、最高単価は180万円と案件によってかなり開きがあります。平均単価は81.2万円なので、これを目安にしておくとよいでしょう。
機械学習・AI分野でもフリーエンジニアは多く活躍しており、最近の動向としては、統計学やデータ分析の知見を持ちつつもエンジニア寄りの人材について需要が高まっています。事業会社やコンサル、SI・分析ベンダーなどのデータサイエンス部署で活躍してきた人材が独立するパターンが主流ですが、ITエンジニアから転向するパターンもふえてきており、周辺分野の求人需要も高い状況です
コンピュータにデータの分析をさせ、アルゴリズムを発展させる機械学習にはいくつかの手法があります。学習方法によって得意としている分析や、出力される結果などが変わります。機械学習の案件によっては、どのような学習手法をとるかという点から開発をすすめていく必要があります。
ここからは、機械学習の案件で使われる3つの手法について詳しく見ていきましょう。
ラベルが付いた入力値をコンピュータに与え、学習させる手法が教師あり学習です。教師あり学習では、特定の数字を入力しそれが正解だという訓練を繰り返します。例えば1という数字を入れ、1を出すのが正解だとコンピュータに学習させることで、新しいデータを入れた時に正しい出力をするようになります。
教師なし学習では、教師あり学習のようにラベルの付いているデータは使いません。与えるデータはラベルが付いていないもので、そのデータにどういう傾向や特徴があるのかを学習させます。ラベルが付いていないため正しいデータというものは存在せず、入力値をグループ分けすることを目的としています。これはクラスタリングと呼ばれるもので、新しくコンピュータに与えたデータがどのグループに近いかを判別するために行われる手法です。
強化学習は教師あり学習の一つで、コンピュータが出力するデータに点数をつけるものです。出力されるデータが、より点数の高いものになるように学習させます。強化学習を繰り返すことで、コンピュータが出力するデータはより価値のあるものへと強化されます。強化学習を利用する場面は色々ありますが、特に多いのがゲームで使われる人工知能です。チェスや囲碁、将棋などのソフトで強化学習を行い、より強い人工知能へ成長させます。
ビッグデータナビは、機械学習・深層学習などAI人材向けの求人情報が集まるサイトです。案件の紹介を希望する場合、まずは無料登録をお願します。フリーランス（個人事業主）の方以外に、独立・起業をお考えの方や、正社員の副業についてもサポートします。
機械学習（ML）の実務未経験の場合でも参画できる案件に応募し、面談にて条件が確定すれば未経験から案件に参画することができます。エンジニアやITコンサルタント、データ分析職でのご経験が1年以上の場合はぜひご相談ください。
実務経験が少ない場合は、弊社の提供する機械学習・ディープラーニングの講座を受講してから案件に参画することも可能です。 詳細については、お問い合わせください。
AI、IoTなど最先端分野に特化したエージェントだから紹介できるエンジニア求人案件で高単価や柔軟な働き方を支援します。
AI開発・データ分析保有案件数が国内最大級。大手企業からスタートアップ・ベンチャーまで、業種/業界を問わず魅力的な案件をご紹介。 数多くの案件の中から、ご希望にマッチした案件を選ぶことができます。
フリーランスとして独立や、AI領域でのキャリアをお考えの方に、未経験でも参画可能かつスキルアップにつながる案件をご紹介。 経験者の方は、より高単価など自由度高くご活躍頂ける案件をお選びいただけます。
人工知能やIoT/RPAなどAI領域に詳しいコンサルタントがカウンセリング面談を担当します。エンジニアのほかアナリスト、マーケターも多く所属しているため適切なスキル把握とサポートが可能です。
機械学習のプロジェクトをすすめる際には、データ準備、予測モデル作成、評価、実装の4つの工程を行う必要があります。ここからはこの4つの工程について詳しく見ていきましょう。
コンピュータに学習させるためには、まずデータを準備しなければなりません。社内のデータベースから集めたデータを集めることが多いですが、社外のSNSデータやオープンデータと組み合わせることもあります。集めたデータの中に欠損値や異常値があることも多いため、前処理やデータクレンジングをしてから機械学習に利用します。文字データを数値データに変換するなどの作業もあり、データ準備は機械学習の中でも8割ほどを占める重要な工程と言われています。
データ準備が終わると、分析目的や検証する課題を選定してAIモデルの作成を行います。この工程で重要になるのが、どのようなアルゴリズムを使うか検討したり、使用するアルゴリズムのパラメータチューニングを行うことです。Logistic RegressionやSupport Vector Machinesなど様々なアルゴリズムがあり、それぞれ精度の違いや得意とするものが変わるため、目的に合わせ使用するアルゴリズムを決めます。
作成したばかりの予測モデルは正しい予測ができるのか分からないため、まずはテストしなければなりません。ほとんどの場合1回目のテストでは予測精度が高くないため、問題点を見つけ1からデータ準備をやり直し、使用するアルゴリズムを変更したり、使用するデータを変えたりして試行錯誤を繰り返します。何度も評価を繰り返し、予測精度を上げることがこの工程の重要なポイントです。
評価を繰り返し十分な予測精度を持つモデルが作成できたら実装に入ります。API経由でアプリケーションと連携させる方法や、パッチ処理によって予測を行う方法など、様々な実装方法があります。予測結果をリアルタイムに確認したいならデータ反映もスピーディーに処理する必要があるなど、要件に合わせてどの実装方法を決めることが大切です。
機械学習では多くのライブラリが使用されます。では、機械学習の案件ではどういったライブラリが利用されているのか見ていきましょう。
機械学習の案件で最も多く利用されるライブラリがNumPyです。これは数値計算を行う際に使われるライブラリで、NumPyなくして機械学習プログラミングを行うことは困難でしょう。NumPyには様々な機能がありますが、中でも重要になるのがnumpy.ndarrayです。行列計算に特化したクラスで、高速で行列計算ができるためndarrayを入出力として扱うケースが多くあります。
テーブルデータを取り扱うためのライブラリがPandasです。機械学習ではテキスト情報や数値を扱うことが多いため、データ整形や総計量の算出、表計算などテーブルデータを扱う時に役立つ機能が多く備わったPandasが、機械学習業界のデファクトスタンダードになっています。他ライブラリの入出力で使われる機会はそれほど多くありませんが、入出力をする際の前処理、後処理でよく利用されるライブラリです。機械学習の案件では、前処理のスクリプトがPandasで書かれているケースも多いので、どのようなライブラリなのか把握しておくとよいでしょう。
Matplotlibは、グラフを描画することに特化したライブラリです。学習経過をグラフ化する、画像を出力するなどの機能が機械学習でよく利用されています。分析対象となるデータの傾向を可視化する際や、スコアの変化を分かりやすく描画する時などにMatplotlibを使用することが多いです。インタラクティブなグラフの生成やヒストグラムを描くことも可能なライブラリで、機械学習において様々な場面で利用されるため知っておいて損はないでしょう。
scikit-learnはPythonの中でもよく知られる機械学習ライブラリで、様々な機械学習アルゴリズムを含んでいます。機械学習の業務で使用される機会は多く、工程に関わらずプロジェクトの始めから終わりまで幅広く利用されます。scikit-learnに含まれる膨大なアルゴリズムを覚えるのは大変ですが、機械学習ではデータに合わせて最適なアルゴリズムを選択することが重要になるので、しっかり理解しておく必要があります。
Gensimは、topic modelingに特化したライブラリで、テキストデータなどに対して用いられることが多いです。fasttextやword2vecなどの分散表現モデルが利用できるということで、機械学習の業務で使用される機会が多くなっています。テキストデータ内に含まれる単語と似ている単語を抽出し辞書を作成したり、文章や単語を数値に変換したりすることも可能です。これを利用し辞書やWikipediaなどの文章を集め学習させ、コンピュータに文章の修正や拡張を行わせることもできます。
機械学習が実際どのような場面で活用されているのか気になる方もいるでしょう。マーケティング分野や医療分野などで利用されている、機械学習の活用事例を紹介します。
マーケティング分野では、カスタマーの趣向性を分析する際などに機械学習が活用されています。住んでいる場所や年齢、性別などのデータをセグメント化し、機械学習のアルゴリズムを用いて閲覧情報や購入情報を学習させることで、カスタマーがどういった商品を好んでいるのかを分析することができます。その結果をリコメンデーション機能によりカスタマーへおすすめとして提示すれば、購買意欲を高められます。
製造分野では、製品の売上や需要を予測する際に機械学習がよく使われています。他にも商品を作る際の材料の特性予測を機械学習で行い、テストや材料選定を効率化し市場に製品を送り出すまでの時間を短縮している活用事例もあります。製造ラインで問題になることが多い不良品や設備故障を機械学習に予測させ、コスト削減に成功している企業も多いです。
金融分野でも機械学習を取り入れている企業は多いです。株のトレーディング業務において、取引に機械学習のアルゴリズムを取り入れたり、株価の予測に活用したりするケースがあるほどです。金融分野では不正取引が問題になることが多いですが、機械学習が監視業務を高度化するために役立ちます。不正売買かどうかを自動的に判別し、未然に防ぐために機械学習が活用される事例もあります。
医療分野では、診断の手助けとして機械学習が利用されるケースもあります。レントゲンの画像や血液データ、CT画像などを機械学習でコンピュータに取り込み、相関性やパターンを学習させることで身体の異常を見つけ出し、医師の診断の手助けをするのです。ただし、診断は患者の命に大きく関わるため、あくまで最終的な診断や治療方針の決定などは医師自身が行います。