1. データサイエンティストになるべきでない理由 2. データサイエンティストの仕事の種類が合わない 3. 高度な技術と数学的なスキルが必要 4. 長時間の作業とプレッシャーに耐える必要がある 5. プログラミングが苦手な人には適していない 6. 単調な作業が多い場合がある 7. ビジネスとの連携が重要な役割を果たす場合もある Note The translation provided assumes that the text is asking for 7 reasons why you
2. データサイエンティストの仕事の種類が合わない 3. 高度な技術と数学的なスキルが必要 4. 長時間の作業とプレッシャーに耐える必要がある 5. プログラミングが苦手な人には適していない 6. 単調な作業が多い場合がある 7. ビジネスとの連携が重要な役割を果たす場合もある
あなたはデータサイエンティストを目指していますか？もしそうなら、おそらく多くの成功した転職者の話や経験を聞いたことがあるでしょう。そして、いつかは自分も転職を果たしたいと思っているのでしょう。
データサイエンティストとして働くことにはいくつかの魅力があります。以下のことができます：
- 様々な分野に転職可能なハードスキルとソフトスキルを身につける
- データを使ってストーリーを伝える
- ビジネスの問題にデータで答える
- ビジネスの問題に影響力のある解決策を作る
これらの魅力的な要素がすべて備わっている一方で、データサイエンティストとしての道は同じくらい挑戦的です。それでは、その中でもいくつかのチャレンジについて見ていきましょう。
1. シロで働くのが好きな方
プログラミングや技術スキルに取り組んでいるときは、一人で作業することに慣れるかもしれません。しかし、データサイエンティストとしては、協力とコミュニケーションを優先する必要があります。なぜなら、データサイエンスはデータを取り扱ったり数字を処理したりする孤立した作業ではないからです。
他のプロフェッショナルと協力する必要があります。同じチームだけでなく、複数のチームをまたいで協力することもあります。したがって、多様なチームや関係者と協力する能力は、技術スキルと同じくらい重要です。
さらに、ビジネスリーダーを含む非技術的な関係者に対して、自分の調査結果や洞察を伝える能力も必要です。
Nisha Arya Ahmedさん、データサイエンティストでテクニカルライターでもある方は次のように語っています：
「データサイエンスのチームでは、それぞれのタスクについて他のデータサイエンスのプロフェッショナルと協力し合い、その責任と全体がどのように関係しているかを理解する必要があります。これは重要です。なぜなら、すでに行われた作業を繰り返したり、時間やリソースを使用したくないからです。また、データのプロフェッショナルだけでなく、製品、マーケティング、および他の関係者を含むクロスファンクショナルなチームの一員になる必要があります」
– Nisha Arya Ahmed、データサイエンティストおよびテクニカルライター
2. 実際にプロジェクトを「完成させたい方」
プロジェクトに取り組み、完了させて本番にリリースすることを好む方は、データサイエンスのキャリアを有意義なものとは感じないかもしれません。
プロジェクトを開始するときには、洗練された目標が設定され、改善されていくものですが、組織のビジネス目標が変化することによってプロジェクトのスコープを変更する必要が生じることがよくあります。ステークホルダーが新しい有望な方向性を見つけた場合などです。
そのため、効果的にプロジェクトの優先順位を変更し、スコープを修正する必要があります。最悪の場合はプロジェクトを中止しなければなりません。
また、スタートアップの初期段階では、複数の役割を担うこともよくあります。機械学習モデルの構築だけで仕事が終わるわけではありません。モデルを本番環境に展開できたとしても、モデルの性能を監視し、ドリフトに注意し、必要に応じてモデルを再訓練する必要があります。
Abid Ali Awanさん、VoAGIのライター、編集者、データサイエンティストは次のように語っています：
「企業で働く場合、複数のチームを行き来し、同時に異なるプロジェクトに取り組むことがよくあります。しかし、あなたが取り組むほとんどのプロジェクトが本番には至らない場合もあります。企業の優先事項が変わるか、プロジェクトの影響が十分に大きくなかったかもしれません。チームとプロジェクトの切り替えを継続的に行うことは疲れることがあり、自分が何に貢献しているのかわからなくなるかもしれません」
– Abid Ali Awan、ライター、編集者、VoAGIのデータサイエンティスト
したがって、データサイエンスのプロジェクトに取り組むことは、始めから終わりまでの一貫したプロセスではありません。
3. 役割のあいまいさにイライラする方
データサイエンティストの1日は2つの異なる組織では完全に異なるかもしれません。データサイエンティスト、機械学習エンジニア、MLOpsエンジニアの役割には、多くの重なりがある場合があります。
たとえば、予測モデルの構築に非常に興味を持っているデータサイエンティストであるとしましょう。そして、興味のある組織でデータサイエンティストの役割を得たとします。
ただし、一日中スプレッドシートで数字を集計し、レポートを作成することに驚かないでください。また、SQLを使用してデータベースからデータを取得することもあります。これはデータアナリストの役割にはまさに合っていると思われるかもしれません。
一方、他の場合では、モデルの構築や本番環境への展開、ドリフトの監視、必要に応じたモデルの再学習を担当することもあるかもしれません。この場合、あなたはデータサイエンティストであり、またMLOpsエンジニアの役割も果たしています。
さて、データキャリアにおける役割の流動性について、Abidの意見を聞いてみましょう。
「私はいつも「データサイエンティスト」と呼ばれることについて混乱しています。それは一体何を意味するのでしょうか？私はデータアナリスト、ビジネスインテリジェンスエンジニア、機械学習エンジニア、MLOpsエンジニア、または以上のすべてでしょうか？小規模な会社やスタートアップで働いている場合、あなたの会社内での役割は流動的です。ただし、大きな組織では役割の区別がはっきりしているということは保証されていません。あなたはデータサイエンティストかもしれませんが、あなたが行う作業の多くはおそらくビジネス目標と一致する分析レポートの作成になるでしょう。」
– Abid Ali Awan、ライター、編集者、VoAGIのデータサイエンティスト
4. ビジネス目標に興味がない場合
データサイエンティストとして、技術的に興味深いが関連性の低いプロジェクトよりも、ビジネスに最も大きな影響を与えるプロジェクトに努力を向けるべきです。このため、ビジネス目標を理解することは次の理由から重要です。
- ビジネス目標の理解により、組織の変化するニーズに合わせてプロジェクトを適応・再優先することができます。
- データ科学プロジェクトの成功は、ビジネスへの影響によってしばしば測定されます。したがって、ビジネス目標を正しく理解することはプロジェクトの成功を評価するための明確なフレームワークを提供し、技術的な側面を具体的なビジネス成果に結びつけます。
VoAGIのEditor-in-ChiefであるMatthew Mayoは、ビジネスの成果に対する無関心のコストについて共有しています。
「データサイエンティストとして、もしビジネス目標に無関心であれば、まるでレーザーポインターを追いかける猫になってしまったようなものです。活動的で目的がなく、価値のある何かを達成することはほとんどありません。ビジネスの目標を理解し、それをビジネスからデータの言語に変換できる能力は非常に重要なスキルです。これがなければ、最も洗練されたが関連性のないモデルを構築するために時間を費やすことになるかもしれません。問題に適した決定木は、最先端の失敗に勝るものです！」
– Matthew Mayo、Editor-in-Chiefおよびデータサイエンティスト、VoAGI
ここで、Nishaがこの点について述べています。
「何をするにしても、それには理由が必要です。これが行動の前にくる意図です。データの世界では、ビジネスと課題を理解することが重要です。それがなければ、プロセスを通じて混乱するだけです。データサイエンスプロジェクトの進行にあたっては、プロジェクトを促す目標に言及する必要があります。」
– Nisha Arya Ahmed、データサイエンティスト兼技術ライター
したがって、データサイエンスは単に数値を処理し複雑なモデルを構築することではありません。ビジネスの成功にデータを活用することが重要です。
ビジネスの目標をしっかりと理解していないと、プロジェクトは解決すべきビジネスの問題から逸脱し、その価値と影響力が減じられる可能性があります。
5. 「つまらない」作業が好きではない
モデルの構築はエキサイティングです。ただし、それに至る道のりはあまり興味深くないかもしれません。
大部分の時間を費やすことができると期待できます：
- データの収集
- 使用する最も関連性のあるデータの同定
- データのクリーニング、分析に適した状態にする
これは非常にエキサイティングではない仕事です。機械学習モデルを構築する必要がない場合もあります。データがデータベースにある場合、SQLを使用して質問に答えることができます。その場合は、機械学習モデルを構築する必要すらありません。
ここでは、Abidが重要な仕事がしばしば興味深くないという彼の意見を共有しています：
「同じことを繰り返し行うことは退屈です。データのクリーニングなどのタスクに割り当てられることがよくありますが、特に多様なデータセットを扱う場合は困難です。さらに、データの検証やユニットテストの作成などのタスクは興奮はしませんが、必要です。」
– VoAGIのライター、エディター、データサイエンティストのAbid Ali Awan氏
したがって、成功したデータサイエンスのキャリアを築くためには、データを含めたプロセスを楽しむ必要があります。データサイエンスはデータから価値を導き出すことについてです。そして、それはしばしば最も派手なモデルの構築とは関係ありません。
6. ある程度まで学びたくない
データサイエンティストとして、すべてを学んだと言えるまでには到達できないでしょう(おそらく)。学ぶ必要があることや必要な量は、取り組んでいるプロジェクトによって異なります。
それは将来的に新しいフレームワークを学び、使用するといった比較的シンプルなタスクかもしれません。または、既存のコードベースをセキュリティとパフォーマンス向上のためにRustなどの言語に移行するといったより煩雑なタスクかもしれません。技術的に強いだけでなく、必要に応じてフレームワーク、ツール、プログラミング言語を素早く学び、習得できる能力も必要です。
さらに、必要に応じてドメインとビジネスについても学ぶ意欲があるべきです。データサイエンスのキャリア全体で常に1つのドメインで働くことは非常にありません。たとえば、最初は医療のデータサイエンティストとして働き始め、その後はフィンテック、ロジスティクスなどに移ることもあります。
大学院では、疾患の予後に関する機械学習のプロジェクトに取り組む機会がありました。高校以上の生物学を学んだことはありませんでした。そのため、最初の数週間は特定の生物医学信号の技術的な詳細を探求することに全力を注ぎました。それらの情報を整理する前には、これらが非常に重要な要素でした。
Kanwal Mehreenさん、テクニカルライターが彼女の経験を共有しています：
「新しいスキルを習得し、『ああ、これがそれだ』と思う感覚を経験したことがあるだろうか？しかし、データサイエンスではその瞬間は実際には訪れません。この分野は新しいテクノロジーやツール、方法論が頻繁に登場する常に進化し続けるものです。だからこそ、学びが後回しになるある程度の到達点を好むタイプの人には、データサイエンスのキャリアは最適ではないかもしれません。
さらに、データサイエンスは統計、プログラミング、機械学習、ドメイン知識の美しい融合です。ヘルスケアからファイナンス、マーケティングまでさまざまなドメインを探求するという考えが興味を引かないのであれば、自分のキャリアでうまくいくことはないかもしれません。」
– テクニカルライターのKanwal Mehreenさん
したがって、データサイエンティストとしては、絶えず学び続けることやスキルアップを遠慮しないでください。
7. チャレンジが好きではない
データサイエンティストの苦労をいくつか挙げると、以下が含まれます：
- コーディングやモデルの構築といった技術的なスキルを超えたこと
- ドメインとビジネス目標の理解
- 常に学び続け、スキルを向上させることで市場価値を保つこと
- プロジェクトを完全に仕上げることを心配せずに積極的に行動すること
- 優先順位を付け直し、逆戻りし、変更を行うこと
- 退屈だが必要な仕事を行うこと
他の技術的な役割と同様に、データサイエンティストとしての求人について心配する必要はありません。真の難関は成功したデータサイエンスのキャリアを築くことです。
Mathew Mayoさんは、データサイエンティストとしてこれらのチャレンジをどのように受け入れるべきかを的確にまとめています：
「リラックスしたキャリアを求めている？ つまり、仕事を始めた瞬間に学びを終え、最新のツールやトリック、テクニックを心配する必要のないキャリアを期待している？ データサイエンスに関しては、それを忘れましょう！ データプロフェッショナルとしての静かなキャリアを期待することは、折りたたみ傘と楽観的な態度だけを武器にモンスーンの中を平然と歩くことを期待することと同じです。
この分野は、技術的なパズルと非技術的な謎のノンストップのジェットコースターです。ある日はアルゴリズムに深く没頭し、翌日は回帰が幼児的な行動の再現に逃げると思い込む人に自分の発見を説明しようとしているかもしれません。しかし、この挑戦にスリルを感じ、それが私たちをカフェイン中毒の頭脳を楽しませる要素です。
もし課題にアレルギー反応を示すのであれば、編み物の中に更なる慰めを見出すかもしれません。しかし、データの洪水との対決から逃げ出すことなく立ち向かうことができるなら、データサイエンスはあなたの好みかもしれません…コーヒーの入ったカップにとって代わります」
– VoAGIの編集長でありデータサイエンティストでもあるMatthew Mayo氏
それでは、Kanwalさんの考えを聞いてみましょう：
「この事実を直視しましょう：データサイエンスは常に順調な航海ではありません。データは常に整然と整理されたパッケージとして提供されるわけではありません。あなたのデータは嵐にさらされたように見えるかもしれません。それは不完全で整合性がなかったり、さらには正確性にも欠けるかもしれません。分析のためにデータのクリーニングと前処理を行うことは挑戦的です。
多分野で働いている場合、非技術的なステークホルダーとのやり取りが必要になることがあります。彼らに技術的な概念とそれらが彼らの目標とどのように一致するかを説明することは本当に挑戦的です。
したがって、明確でわかりやすいキャリアパスを望む人にとって、データサイエンスのキャリアは多くの障害に満ちているかもしれません」
– テクニカルライターであるKanwal Mehreen氏
まとめ
つまり、データサイエンスは単に数学やモデルに関することではなく、データから意思決定への展開です。そしてその過程で、常に学び、スキルを向上させ、ビジネス目標や市場のダイナミクスを理解する必要があります。
もし、あなたが抜群の回復力を持って進むことができる挑戦的なキャリアを探しているのであれば、データサイエンスは間違いなく良いキャリアオプションです。幸せな探求を！
Matthew、Abid、Nisha、そしてKanwalに、データサイエンスのキャリアのさまざまな側面についての洞察を共有していただき、この記事をより興味深く楽しい読み物にしていただいたことに感謝します。
[Bala Priya C](https://twitter.com/balawc27)は、インド出身の開発者兼テクニカルライターです。彼女は数学、プログラミング、データサイエンス、コンテンツ作成の交差点で働くことが好きです。彼女の関心と専門知識の範囲には、DevOps、データサイエンス、自然言語処理が含まれます。彼女は読書、執筆、コーディング、そしてコーヒーが好きです！現在、彼女はチュートリアル、ハウツーガイド、オピニオン記事などを執筆することで、開発者コミュニティと彼女の知識を共有しようと取り組んでいます。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
