そこで、本稿では、求人情報の分析結果をもとに、機械学習エンジニアとはどのような職種なのか、どのようなスキルが求められるのかまで、その全容を詳しく解説していきます。

機械学習とは

はじめに、機械学習の定義と、人工知能やディープラーニングといった概念との関係を簡単に整理します。この点に関しては多くのサイトや書籍でまとめられているため、十分にご存知の方は飛ばしていただいても構いません。

機械学習の定義

機械学習とは、機械にデータを学習させることにより、人が明示的にルールを与えなくても自律的に判断ができるようにする技術のことです。機械学習を活用することで、画像認識や音声認識などの、人間が感覚的に処理しており明示的にルールを設定することが難しい分野においても、機械が判断を下せるようになりました。

機械学習と人工知能（AI)、ディープラーニング（DL）の関係

人工知能（AI）は、機械学習よりも広い概念で、簡単に言えば「人間と同じような知能を有する（ように思われる）機械」のことを指します。すなわち、機械学習は人工知能を実現するための一つの技術ということになります。しかし、人工知能に関しては、専門家の間でも様々な定義が提唱されており、共通の見解は定まっていないというのが実情です。また、ディープラーニング（DL)というのは、機械学習よりも狭い概念で、機械学習分野における一つの手法のことです。具体的には、「ニューラルネットワーク」という機械学習手法の層を「深く」することでモデルの性能向上を目指す手法のことを指します。したがって、人工知能という広い概念の中に機械学習という分野があり、機械学習という分野の中にディープラーニングという手法があるという関係になっています。

機械学習の定義と、人工知能、またディープラーニングをより詳しく確認したい方は、「機械学習とは？」「ディープラーニングとは？」をご覧ください。

機械学習エンジニアの概要

次に、機械学習エンジニアという職種の概要についてご説明します。具体的には、indeedやdodaなどの求人サイトで「機械学習エンジニア」などのキーワードから得た求人情報の分析結果をもとに、機械学習エンジニアの仕事内容と求人数、年収の相場をご紹介します。

機械学習エンジニアの仕事内容

まず、機械学習エンジニアの仕事内容についてみていきましょう。「機械学習エンジニアなんだから、機械学習のモデリングができればいいんでしょ？」と思っている方もいるかもしれませんが、そう単純な話ではありません。ここでは、リアルな仕事内容を知っていただくため、実際の求人情報約100件の、仕事内容のテキスト分析結果を参考に解説します。下の図１をご覧ください。

＜図１＞

この図は、共起ネットワークと呼ばれる可視化手法で、仕事内容のテキストから抽出した頻出語をグルーピングして可視化したものです。円が大きいほどその単語の出現頻度が高かったことを表し、単語同士の関係性の強さは線の有無や、実線と点線の違いで表現されています。この図を読み解くことで、現在の機械学習エンジニアの求人における「仕事内容」の傾向をつかむことができます。

ただ、あくまで集計データであって、一つ一つの求人がここでの分析と同様の傾向を示すとは限らないことに注意が必要です。（ちなみに、この可視化には「KH Coder」というフリーソフトウェアを用いています。簡単にテキストマイニングができる便利なツールですので、興味がある方はKH Coderのホームページをご覧ください。）

上の図から、現在の日本で機械学習エンジニアと呼ばれる職種の人々が行なっている仕事には、大まかに以下のような特徴があると言えるでしょう。

仕事内容① (青緑)：機械学習の構築・開発

まず、図１中央の、青緑色で大きく表現されているグループを見てみましょう。これは、機械学習エンジニアのメインの業務が機械学習モデルの構築・開発であることを示しています。この点に関してはある意味当たり前と言えます。

仕事内容② (黄色)：人工知能・アルゴリズムのPoC

次に、黄色で表現されているグループから、人工知能・アルゴリズムのPoC(Proof of Concept, 概念実証)も仕事内容であることがわかります。PoCとは、新たな概念やアイデアが実現可能なものであるかどうかを検証する作業のことです。機械学習エンジニアには、既存の手法を活用するだけでなく、新たなアイデアを検証する能力も求める企業が多いようです。

仕事内容③ (青)：要件定義から運用までの、幅広いシステムエンジニアリング

青いグループからは、機械学習エンジニアが要件定義から運用まで、幅広いシステムエンジニアリングを行うことがわかります。企業は、機械学習エンジニアに対して、機械学習に関連したシステムの構築や運用まで任せたり、他のシステム開発業務にも従事してもらうことを希望しているようです。機械学習に加え、システム全般への一定程度の知識や理解が必要になると思われます。

仕事内容④ (オレンジ・赤)：BIツールを用いたデータ分析

オレンジと赤のグループからは、BIツールを用いたデータ分析を行うことがわかります。BIとはビジネスインテリジェンスの略で、企業内の様々なデータを蓄積・分析することで、企業の意思決定に役立てることを指します。BIツールとは、そのための可視化ツールなどの事です。機械学習エンジニアはデータの扱いや読み取りに長けていると考えられることから、こういった業務も任されるのでしょう。

開発環境 (黄緑)：言語はPythonやJava、インフラにはAWSなどのクラウドサービスを活用

最後に、黄緑色のグループを見てみましょう。Python、Java、AWSとあることから、開発はPythonやJavasなどの汎用プログラミング言語で行い、インフラにはAWSなどのクラウドサービスを活用していることが伺えます。

このように、機械学習エンジニアは、機械学習のモデリングなどが中心的業務ではあるものの、極めて多種多様な内容の仕事を任される可能性がある職種と言えます。なお、機械学習エンジニアになるために必要なスキルについては、後ほどまとめてご紹介します。

機械学習エンジニアの求人数

次に気になるのは、機械学習エンジニアの求人が実際にどれくらいあるのかということではないでしょうか。そこで、複数の転職サイトで「機械学習エンジニア」、「機械学習」というキーワードで求人数を調査しました（2020年9月15日時点）。比較対象として調査した「webエンジニア」、「エンジニア」の結果と併せて表にまとめました。サイトによって、全掲載求人数や検索のアルゴリズム等も異なると思うので、参考程度ではありますがご覧ください。

上の表を見ると、「機械学習エンジニア」ではあまりヒットしないサイトもあることから、まだそれほど一般的な名称とは言えないようです。ただ、「webエンジニア」や「エンジニア」には及ばないものの、「機械学習」関連の求人は一定数あることがわかります。

機械学習エンジニアの年収

次に、機械学習エンジニアの年収について解説します。今回分析したデータは、年収が求人によっては月給で表記されており、たいていが最低と最高のレンジで表記されていました。年収と月給を直接比較できるようにするために、月給の場合は15倍（12ヵ月分プラス賞与）にしました。年収と月給どちらも載っている場合は、年収と月給×15の大きいほうを採用しています。この作業を最低年収と最高年収それぞれで行い年収のレンジを計算しました。その結果以下の表のようになりました。

同じ機械学習エンジニアと言えど、担当する業務やスキルレベルで年収は大きく変わるようです。ただ、最高年収２０００万円台の求人もあることから、収入面で夢のある職業であることは間違いありません。

Column : PythonとRのどちらを学ぶべき？

機械学習を学ぶ際に迷うポイントの一つに、PythonとRのどちらの言語を学ぶかという問題があります(参考：R言語とは)。どちらの言語でも機械学習を実装することは可能なので、求人ではどちらのスキルが人気なのかを確認してみましょう。

上の表は、今回分析に用いた求人データをPythonとRに関して集計したものです。必須としている求人件数、歓迎としている求人件数、必須または歓迎としている求人件数のすべてでPythonに軍配が上がりました。特に、必須としている求人件数は35件の大差がついています。また、Pythonを必須または歓迎としていて、Rに関しては不明の求人は44件あるのに対し、Rを必須または歓迎としていて、Pythonに関しては不明の求人はわずか1件しかありませんでした。このことから、日本の企業ではPythonの方が人気があり。Rは＋αのスキルと捉えられていると思われます。これから機械学習を学び始める方は、Pythonを学ぶのが無難でしょう。

機械学習エンジニアになるための必須スキルと＋αスキル

機械学習エンジニアがどのような仕事をする職種で、どれくらいの収入が得られるのかについてイメージを掴んでいただけたところで、次に、機械学習エンジニアに求められるスキルについて解説します。ここでも、先ほどの仕事内容と同様に、実際に求人情報を分析することでリアルな情報をお伝えしようと思います。

＜図２＞

上の図は、約100件の機械学習エンジニアの求人情報に記載されていた、応募の「必須条件」と「歓迎条件」の頻出語をそれぞれグルーピングして可視化したものです。これらの図を活用して、機械学習エンジニアの「必須スキル」と機械学習エンジニアになった際に重宝される可能性がある「＋αスキル」について解説します。（画像が小さくて見づらい方は、以下のリンクをご利用ください。「必須条件.png」「歓迎条件.png」「必須条件と歓迎条件.png」）

必須スキル

まずは、３つの必須スキルを見ていきましょう。

Pythonでの機械学習モデル開発能力

一つ目は、Pythonでの機械学習モデル開発能力です。特に、数年にわたる実務経験などの本格的な開発経験を求めている企業が多いようです。このことから、未経験から機械学習エンジニアを目指すには、かなり多くの学習量に加えてできるだけ実践的な実装経験を積む必要があると思われます。

機械学習モデルの理解とフレームワークの利用スキル

１つ目の点をより具体的に表しているのが、必須条件の右上の部分にある、機械学習モデルの理解やフレームワークの利用スキルについてのグループでしょう。利用できるスキルが求められているフレームワークとしては、歓迎条件の上部にあるTensorFlowやKeras、OpenCVなどが挙げられそうです。

C/C++、Javaなどの言語でのプログラミングスキル（一般的なシステム開発スキル）

必須条件の左上部に注目すると、C/C++やJavaなどのPython以外の言語でのプログラミングスキルも要求されているようです。ただ、この点に関しては、JavaやC/C++のスキルそのものが重要なのではなく、これらを用いるシステム開発全般に関して広い知識とスキルがあることを要求しているという見方が可能かと思います。

+αスキル

次に、5つの＋αスキルについて解説します。

AWS・GCPなどのクラウドサービスの利用スキル

歓迎条件の中でも機械学習などの重要な単語の近くに描画されていて、必須条件にすら挙げている企業もあるのが、AWS・GCPなどのクラウドサービスの利用スキルです。近年、クラウド上での開発が広まっていることや、データの蓄積に伴い機械学習に必要な計算リソースが膨大になってきたことが影響しているのでしょう。身につけられたら武器になる可能性が大きいスキルの一つです。

BIツールを用いたデータ分析のスキル

先ほど仕事内容の項目でも出てきた、BIツールを用いたデータ分析のスキルも、重視している企業は多いようです。機械学習の具体的な仕組みに関しては、まだまだ理解が広まっていない企業も多いでしょうし、BIツールを用いて、データを活用してわかりやすい説明をするスキルが必要とされる場面もあると思われます。

数学や統計、アルゴリズムの深い理解

数学や統計学、アルゴリズムの深い理解を歓迎条件に挙げている企業もあります。これらの分野に関しては、機械学習エンジニアになる以上当然学ばなければならない分野です。しかし、より深く学んでおくことで、新たなアルゴリズムの開発など、活かせる場面があるかもしれません。

画像処理・自然言語処理関連のスキル

画像処理や自然言語処理関連のスキルを求めている企業もあるようです。活用したい特定の種類のデータを持っている企業がピンポイントで分野を指定している可能性もありそうです。機械学習を幅広く学んで知識をつけたら、これらの特定の分野に特化してみるのも一つの選択肢かもしれません。

その他、DockerやHadoopなどのツールの活用スキル

そのほかに、DockerやHadoop、Kubernetesなどの、開発に活用されるプラットフォームやソフトウェア、ツールを活用するスキルもアピール可能かもしれません。興味がある方は是非調べてみてください。

いかがでしたでしょうか。このように、日本で機械学習エンジニアを目指すには、多くのスキルを身に付けることが望ましいです。しかし、これらを全て学ぶのは容易ではありません。まずは、必須スキルに挙げた３点をベースに、必要に応じて他のスキルも身につけていくのが現実的ではないでしょうか。

機械学習エンジニアを目指す際の注意点

機械学習エンジニアは非常に魅力的な職業です。上記のスキルをしっかりと身につけて機械学習エンジニアになることができれば、かなりの高収入も夢ではありません。一方で、最先端分野の新しい職種であるがゆえに、目指す際に注意すべき点もあります。本節では、機械学習エンジニアを目指す際の主な注意点をまとめます。

常に最新技術にキャッチアップする努力が必要

一つ目は、常に最新技術にキャッチアップするための努力が必要だという点です。機械学習はうまく活用することができれば、ビジネス・行政において分野を問わず非常に大きなインパクトをもたらします。そのため、日々世界中の大企業や大学の研究者がより良い手法を開発しようと競争しています。ゆえに、次々に新しい技術やソフトウェアが開発され続けているのです。したがって、機械学習エンジニアとして働くには、常に貪欲に学び続ける姿勢が求められると言えるでしょう。

業務範囲が不明確な場合がある

２点目は、業務範囲が不明確である場合がある点です。日本では、機械学習エンジニアという職種が出現してまだ日が浅く、業務範囲に関する統一された基準や認識があるわけではありません。先ほど仕事内容の項目で確認したように、幅広く様々な業務を任される可能性があります。同じ職種名でも企業によって業務内容が異なると言っても過言ではないかもしれません。ゆえに、自分が学んできたことが活かせなかったり、やりたかった業務に携われない可能性もあります。ポストを探す段階で具体的な業務内容をよく確認しておく必要があるでしょう。

まとめ

いかがでしたか。「機械学習エンジニア」というまだぼんやりとした職種について、皆さんがすこしでも具体的なイメージを持つことができていたら幸いです。機械学習エンジニアを目指す道のりは長いですが、まずは本稿で挙げた「必須スキル」を中心に学びを深めていきましょう。

codexaでは、Pythonでのプログラミングと機械学習フレームワークの使い方について、講座やAIマガジンで詳しく解説しています。codexaを活用して、機械学習エンジニアを目指しましょう！

• Pythonの基礎：「Numpy入門」「Pandas入門」「Matplotlib入門」
• 初歩的なアルゴリズム：「線形回帰入門」「実践 線形回帰」「実践 ロジスティック回帰」
• 様々な機械学習の手法：「決定木とランダムフォレスト」「サポートベクターマシン」「ナイーブベイズ」

しかし、機械学習やAIは非常に複雑な理論の上に成り立っており、関連する分野も多岐に渡ります。また、急速に進歩している分野であるため、スキルを客観的に測定するための資格などの制度もまた、発展途上にあります。ゆえに、以下のような悩みや希望をお持ちの方も多いのではないでしょうか。

「興味を持ったはいいものの、何から学び始めたらいいのか分からない。」
「勉強しているけれど、目標がなくてモチベーションが続かない。」
「せっかく学ぶなら、成果を就職活動や仕事で明確にアピールしたい。」

本稿では、そんな方々にぴったり、かつ今注目の検定試験である「G検定」（ジェネラリスト検定）をご紹介します。また、G検定2020#1（2020年第1回試験）合格者による勉強法解説も併せてお届けします。

< 速報！2020年第2回G検定の受験データ発表 >
＊2020年7月21日追記情報

2020年7月4日（土）に実施されたG検定の受験データが発表されました。 今回のG検定は、12,552名の方が受験され、8,656名の方が合格されたようです（合格率は68.96％）。合格された皆様、おめでとうございます！

（出典：JDLA 公式ホームページ）

今回のG検定では、受験者数と合格者数がそれぞれ前回の約2倍になりました。理由としては、①AI活用の進展を予測し、その知識を重要視する個人・企業が増加した。②新型コロナウイルスによって自宅にいる時間が増え、資格試験のための勉強時間を確保することができた。③受験料が通常の半額であったという３点が挙げられています。このように、G検定は今後も多くの方が受験し、知名度もますます上昇していくと予測されます。今回受験されなかった方は、次回の2020年第3回試験（2020年11月7日（土）実施予定）の受検を検討してみてはいかがでしょうか。

G検定とは？

G検定（ジェネラリスト検定）とは、日本ディープラーニング協会（以下、JDLA）によって実施されている資格試験です。「ディープラーニングの基礎知識を有し、適切な活用方針を決定して、事業活用する能力や知識を有しているかを検定する」（引用：JDLAホームページ）ことを目的に、2019年以降1年に3回実施されています。

なお、JDLAではG検定の他に、エンジニア向けのE資格という資格試験も実施しています。E資格は、「ディープラーニングの理論を理解し、適切な手法を選択して実装する能力や知識を有しているかを認定する」（引用：JDLAホームページ）ことを目的に実施されており、AIの実装までが検定の対象となっている点に特徴があります。

本稿では初学者でも比較的取り組みやすいG検定に関して、詳細に解説いたします。

（出典：JDLA 公式ホームページ）

G検定の概要

下の二つの表は、G検定2020＃1（2020年第１回）の年代別合格者数（表１）と業種別合格者数（表２、複数回答）についてまとめられたものです。これらの表を見ると、G検定がいかに幅広い年齢層・業種で注目されているかがわかります。それでは、G検定の受験資格、実施概要、出題範囲、受験費用を確認していきましょう。

＜表１＞ （出典：JDLA 公式ホームページ）

＜表２＞ （出典：JDLA 公式ホームページ）

受験資格

特に制限はありません。どなたでも受験できます。

実施概要

試験時間：120分
出題形式：多肢選択式約220問
実施形態：オンライン試験（自宅受験）

出題範囲

• 人工知能について
• 機械学習について
• ディープラーニングの各種手法について
• ディープラーニングの応用例について
• ディープラーニングの応用に関する課題について

大まかに分けて、以上の内容の問題が出題されます。このように、ディープラーニングに関する基礎知識から、具体的な手法や応用例、課題までを網羅的に出題するのが、G検定の特徴です。※より詳しい出題内容が知りたい方は、ぜひJDLAのホームページをご覧下さい。

受験費用

G検定の特徴

では、G検定はどのような特徴を持つ検定なのでしょうか。長所と短所に分けて解説いたします。

G検定の長所

1.機械学習・AIの基礎を効率的に学べる
2.合格率が比較的高い
3.機械学習・AIの知識がある事を証明できる
4.合格者のコミュニティに参加できる

G検定の短所

1.機械学習を実装するスキルは身につかない。
2.知名度があまり高くない。

G検定の長所

1.機械学習・AIの基礎を効率的に学べる

前述のように、G検定ではディープラーニングの基礎に関する問題が網羅的に出題されます。そのため、対策用の書籍も非常に体系的にまとめられています。ゆえに、G検定の対策を通して機械学習・AIの基礎を効率的に学ぶことができます。

2.合格率が比較的高い

JDLAによると、G検定受験者数の推移は図１のようになっています。前回試験の合格率は66.7%、これまでの全試験累計合格率は67.9%です。

図１ （出典：JDLA 公式ホームページ）

ちなみに、簿記３級（日本商工会議所）の過去10年累計合格率が42.23％、ITパスポート試験（日本情報処理機構）の過去10年累計合格率が48.9%です。このように、他の有名な資格の基礎的なカテゴリーの試験と比べると、G検定の合格率が高いことがお分りいただけるかと思います。 合格率が高いということは、以下の３、４で挙げるメリットを享受できる可能性が高いということです。ゆえに、高い合格率自体もG検定の長所の一つと言えるでしょう。

3.機械学習・AIの知識がある事を証明できる

G検定に合格した場合、JDLAから「合格証」と「合格認証ロゴ」が贈られます。特に、合格認証ロゴは画像データで渡されるため、履歴書や名刺に載せることが可能です。これによって、就職活動や仕事の場で、機械学習・AIの知識があることを証明することが出来ます。

4.合格者のコミュニティに参加できる

さらに、G検定に合格すると、CDLEという合格者コミュニティに招待されます。このコミュニティには、G検定またはE資格の合格者のみが参加することが出来ます。筆者もslackというツールを用いたCDLEのオンラインコミュニティに参加していますが、高校生から年配の社会人まで多様な構成員がおり、AIの様々な分野に関する投稿や意見交換が活発に行われていることから、日々刺激を受けています。今後ますます発展していく機械学習・AI分野に関わる人々のつながりは、長期的にみて様々な場面で活かせることでしょう。

G検定の短所

1.機械学習を実装するスキルは身につかない。

プログラミングはG検定の試験内容に含まれないため、G検定の対策だけでは、機械学習・AIを実装するスキルを身につけることはできないでしょう。あくまで機械学習やAIに関しての体系的な知識を身につけるための試験と認識しましょう。機械学習・AIの実装に関しては、JDLAが実施しているもうひとつの試験であるE資格の試験範囲です。実装についても学びたいという方は、E資格の受験まで視野に入れておくと良いでしょう。また、G検定対策では重点的に学べない内容を学ぶのにおすすめのその他の資格などについては、本稿の最後をご覧ください。

2.知名度があまり高くない。

下記の図２をご覧ください。これは、過去1年間の日本におけるGoogle検索の人気度を、統計検定（日本統計学会）、ITパスポート試験（日本情報処理機構）、そしてG検定の３つの試験で比較した図です。この図を見る限り、G検定は他の統計・IT系試験と比較すると、まだそれほど知名度が高くないと言えるでしょう。ただ、G検定は2017年度から行われている新しい検定試験です。そして、長所２「合格率が高い」のところで示した図を見ていただくとわかるように、受験者は概ね増加傾向にあり、今後さらに知名度は上がっていくと思われます。

図２ (青：統計検定　赤：ITパスポート試験　黄色：G検定 　Google Trendにて作成)

合格者が徹底解説！G検定勉強法

それでは、G検定に合格するためにはどのように勉強を進めれば良いのか、G検定2020#1に合格した筆者の体験をもとに、以下の順番でご説明していきたいと思います。

• 試験の特徴と勉強の方針
• G検定対策おすすめ書籍
• おすすめ勉強モデル
• 受験時のアドバイス

試験の特徴と勉強の方針

それでは、まず最初にG検定試験の特徴と、それぞれの特徴を踏まえてどのように勉強を進めればいいかについてご説明します。

暗記よりも理解重視：時間をかけて正確に理解

G検定は全問多肢選択式であることから、単語を思い出して記述するレベルの暗記は必要とされません。それよりも、AIに関する概念やディープラーニングの手法に関する正確な理解が要求されていると言えるでしょう。ゆえに、まずは基本的な事項について丁寧に解説されている書籍をじっくり、可能であれば繰り返し読み、G検定対策の土台を作ることが重要です。

時間との勝負：問題集で対応力アップ

G検定は、120分で約220問を回答しなければならないため、時間的にかなりシビアな試験となっています。回答にかけられる時間は、単純計算で1問あたり約30秒しかありませんので、基本的な問題は迷いなく即答できるだけの実力が必要です。したがって、ある程度基本事項が理解できたら、問題集を使って様々な問われ方に対応できるようにし、かつ知識の定着を図ると良いでしょう。

最先端分野ならではの出題：時事ネタを収集

機械学習・AI・ディープラーニングは、日進月歩の最先端分野です。日々世界中の研究者やエンジニア、ビジネスマンが、新たな手法の開発やビジネスへの応用に挑戦し続けています。そのような、分野としての特徴を反映し、テキストや問題集にはまだ載っていないような最新の内容が一定数出題されることも、G検定の特徴の一つといえるでしょう。具体的には、最新のAI活用事例や、現在進行形で議論されているAI関連の法や倫理面の論点についても出題されます。ゆえに、新聞やニュースをこまめにチェックして、機械学習やAI関連の時事ネタに精通しておくことも、非常に有効なG検定対策となります。

G検定対策おすすめ書籍

次に、G検定2020#1に合格した筆者が活用した、2冊のおすすめ書籍をご紹介いたします。

深層学習教科書 ディープラーニングG検定(ジェネラリスト) 公式テキスト

（出典：JDLA 公式ホームページ）

１冊目は、JDLA監修の公式テキストです。公式テキストらしく、各分野について丁寧に説明がなされています。また、図が多く、文字だけではイメージを掴みづらい機械学習の仕組みなども感覚的に理解できる構成となっています。

徹底攻略 ディープラーニングG検定 ジェネラリスト 問題集

（出典：JDLA 公式ホームページ）

２冊目は、G検定対策の問題集です。非常に問題数が多く、問題演習にぴったりの書籍です。また章ごとに丁寧な解説がついていますので、解説を読み込むことであやふやだった知識の定着を図ることも出来るでしょう。さらに、前述のようにG検定は時間設定がシビアであるため、この本に収録されている模擬試験を活用して、問題を解くペースをつかんでおくことをおすすめします。

その他

ここで紹介した２冊以外にも、JDLAのホームページには、推薦図書が数多く掲載されています。 しかし、G検定対策としては、範囲を広くカバーした書籍や問題集を数冊フル活用し、内容をしっかりと理解すれば十分だと思われます。上記の２冊に関しては、筆者が他の書籍を読んで比較していないため、必ずしもG検定対策に最適だとは言い切れません。ただ、上記の２冊で合格に必要な知識は網羅されていると感じました。

おすすめ勉強モデル

次に、上記の勉強方針とおすすめ書籍を踏まえ、筆者が実践してG検定に合格したおすすめの勉強モデルを、試験まで時間がない方のための短期モデルと併せてご紹介します。当然、事前知識の量や勉強の効率には個人差があるため、このモデルを実践すれば必ず合格できるわけではありませんが、これから勉強される方の一つの指標となれば幸いです。

中期モデル（勉強期間3ヶ月前後、筆者おすすめ）

これが、筆者おすすめの勉強モデルです。このモデルに従って勉強するのであれば、勉強時間を毎日取れなくても問題ないと思います。時間をかけて基礎を理解し、その後に問題演習で試験への対応力をつけるモデルとなっているので、もしテキストと問題集を十分に理解できていれば、試験にも多少余裕を持って挑めるかもしれません。 また、時間をかけて学習するため、試験後も知識が抜けにくく、長期的にみても有効な学習モデルであると思います。

短期モデル（勉強期間１ヶ月前後）

これは、初学者でも合格の可能性がある最短スケジュールであると筆者が考えるモデルです。約１ヶ月間で合格を目指すため、なかなかタイトなスケジュールではありますが、しっかりと内容を理解しながらこなせれば、合格の可能性はあるのではないかと思います。 ただ、受験後に急激に知識が抜ける恐れがあるので、受験後も継続的な学習が必要でしょう。

受験時のアドバイス

最後に、G検定を受験する際のアドバイスを３つご紹介します。

動作確認は必ず行う

G検定は、非常に珍しいオンライン受験で、自宅で受験することとなります。専用の受験サイトでログインして試験ページに入るのですが、PCが受験に対応しておらず、受験できない場合があります。そのような事態を防ぐために、受験サイト左下の欄（下図３参照）から動作確認を行うことをJDLAから推奨されますので、必ず行っておきましょう。

なお、この動作確認はもう一つ重要な意味を持ちます。それは、テストの形式を確認できるということです。G検定の受験ページには、文字サイズの変更や全ての問題の一覧表示、わからない問題や自信がない問題をあとで解き直すための問題チェック機能などが搭載されていますので、全てスムーズに活用できるようによく確認しておくことをお勧めします。

図３　https://www.jdla-exam.org/d/

スピーディーな回答

しつこいようですが、試験本番では一つの問題であまり考え込まず、スピーディーな回答を心がけると良いでしょう。最新事例に関する問題や技術に関する発展的な問題も一定数出題されるため、意識していないとつい時間を使いすぎてしまう可能性があります。後から戻って回答することもできるので、難問には上手に見切りをつけて、少しでも得点を伸ばすようにしましょう。

その場リサーチで得点アップ

G検定はオンライン受験であるため、試験中にテキストを参照したり、インターネットで検索したりすることが可能です。しかし、前述のように問題数が非常に多いことから、当然調べることができる問題数は限られます。では、どのような問題を解くときにリサーチすれば良いでしょうか？私がおすすめするのは、「見たことはあるけれど回答に自信が持てない」ような問題を解くときです。全く見たことも聞いたこともない内容の問題に対してリサーチをするのは、的外れな調べ方をして時間がかかりすぎてしまう恐れがあります。少なくとも後回しにした方が賢明でしょう。

まとめ

いかがでしたでしょうか？G検定は、機械学習やAIを学びたいけれど何をどう学べばいいかわからなかった人や、機械学習・AIに関する知識を証明できる資格を探していた方にはぴったりの検定試験だと思います。ぜひ受験を検討してみてください。そして、ぜひこのサイトの勉強法を参考に、合格を目指して勉強してみてください。

もっと学びたい方へ

機械学習やAIに関して、G検定の勉強と並行して、あるいはG検定合格後にもっと学びたい方には以下のような資格試験や学習用コンテンツをお勧めします。

機械学習の実装を学びたい方

JDLA  E資格：前述の、JDLAが機械学習エンジニア向けに実施している資格試験です。JDLA認定プログラムを修了しないと受験できないのでG検定に比べて受験のハードルは高いですが、チャレンジしてみてもいいでしょう。

codexa：当サイトでは、機械学習実装を学ぶためのコンテンツを豊富に用意しています。どれも無料またはかなり低価格でご利用いただけますので、ぜひお試しいただければと思います。

機械学習を支える統計理論を学びたい方

統計検定：日本統計学会が実施している、統計に関する知識や活用力を評価する試験です。機械学習は統計学に立脚した分野ですので、統計学を学ぶことで機械学習に関する理解も一層深まることでしょう。

経済産業省の試算によると、2020年までに人工知能やIoTなどの先端技術を扱える人材が4.8万人不足する可能性があると言われています。また、米新聞社大手ニューヨークタイムズの記事では、先端技術を本当の意味で使えるシニアエンジニアは世界に1万人程しかいなく、世界中の大学の合計で毎年約100名しか増えていないと言われています。

想像難くないですが、日本では他の先進国よりも人工知能の開発ができるエンジニア不足は深刻な状況です。一つの大きな理由として、現時点で人工知能関連の技術（機械学習や深層学習）を学ぶのに、英語がかなりの頻度で必要となることが要因かと思います。

さて、機械学習のプロジェクトを自社で立ち上げるとして、どのような「肩書き」の人材が必要なのでしょうか？「エンジニア」と言っても、システムエンジニアやプログラマー、さらにはデータベースエンジニアにネットワークエンジニアなどなど・・「肩書き」が溢れています。

データサイエンティストを雇えば良いの？機械学習を作れる人ってどんな呼び方？人工知能が新しい分野のため、採用する側もされる側も混乱があるかと思います。本記事では、そんな人工知能周りの人材の肩書きと、それに伴う一般的な役割やスキルセットをまとめました。

【１】機械学習エンジニア

機械学習プロジェクトの中心的な存在とも言える人材が「機械学習エンジニア」です。まだまだ日本では定着していない肩書きですが、海外では「Machine Learning Engineer」として確固たる地位を築いています。

米求人大手のglassdoorによると、アメリカでの機械学習エンジニアの平均年収は「128,549ドル」（約1457万円）となっており、職種としての需要があるのが解ります。

機械学習エンジニアの役割は、プロジェクトの全体を率いて、予測モデルのデプロイやインフラ関連、またプロジェクトのオペレーションを率いる統括役となります。データーサイエンティスト（次項目）が鍛錬をかけたデータセットを、機械学習エンジニアがデータパイプラインやウェブアプリケーションとの連結など、必要なコーディングを行なっていきます。

【２】データーサイエンティスト

日本では「機械学習エンジニア」よりも耳にしない、データーサイエンティストですが、人工知能プロジェクトには欠かせない存在です。データーサイエンティストの主な役割として、データの収集やデータセットの前処理、さらにデータの分析と予測モデルの構築となります。

「機械学習の9割の仕事はデータにある」とはよく言われることですが、データの良し悪しでほぼ全てが決まってしまうと考えても言い過ぎではありません。

機械学習エンジニアとデーターサイエンティストは二人三脚をしながら、プロジェクトを進めていきます。イメージとしては、データサイエンティストがプロジェクトの「裏側」、つまりデータセットの収集や分析、さらにはモデリングなど。対して機械学習は「表側」で、データーサイエンティストのデータとモデリングを、表側のユーザーに届けるのが役割となります。

【３】クラウドエンジニア

Amazon Web ServiceやAzureなど、クラウドを利用している企業は非常に大きくなっています。人工知能プロジェクトのほとんどで直面する課題の一つ「スケーリング」に対応する役職となります。

機械学習では非常に大規模なデータセットを扱うため、しっかりと分散処理を最初から設計してプロジェクトを進めなくてはいけません。海外では特に機械学習に精通をした分散処理のスペシャリストのことを「Distributed Systems Engineer」（分散システムエンジニア）と近年では呼ばれ始めました。

【４】Google公認 データエンジニア

さて、最後の「肩書き」として言及しておきたいのがGoogleの認定資格「データエンジニア」です。これは、2016年12月に、増え続ける機械学習＆データを扱うスペシャリスト（いわゆるデーターサイエンティスト）の需要を受けて、Googleが作成した公認試験となります。

Google 認定プロフェッショナルであるデータエンジニアの職務は、データを収集、変換、可視化してデータに基づいた意思決定を可能にすることです。データエンジニアは、データ処理システムについて、特にそのセキュリティ、信頼性、フォールトトレランス、拡張性、適合性、効率性に重点を置いてシステムを設計、構築、保守、トラブルシューティングできることが必要です。また、データを分析してビジネスの成果を客観的に判断できること、意思決定をサポートする統計モデルを構築できること、重要なビジネスプロセスの自動化と簡素化を図るための機械学習モデルを作成できることも要求されます。
Google データエンジニア

上記、Googleの公式からの引用となりますが、イメージとしては「機械学習エンジニア＋データサイエンティスト」といった職務に近いかと思います。人工知能のプロジェクトを始めるのであれば、一先ずはこの資格ホルダーにターゲットを絞って人材募集を行なってみるのも良いかと思います。

まとめ

まだまだ新しい人工知能の領域ですので、何から初めて良いのか解らないと感じる経営者も多いのではないでしょうか。人工知能先進国のアメリカでは、大手では既に当たり前、中小企業でも機械学習や人工知能関連技術を取り入れている会社が激増しています。

まずは、どのような人材と肩書きがあるのか？という素朴な質問をまとめてみました。実際に人材採用活動をする際には、データサイエンティストが集まるKaggleを活用するのもひとつの手かと思います。

以上、「人工知能開発チームに属する人材たちの肩書き」でした！

経済産業省のIT人材の最新動向レポート

GoogleやFacebookなど、すでにITの大企業は先端IT技術者の獲得に邁進しています。現時点でITジャイアントに属する研修者の数が、すでに大学よりも超えていると言われているほど、各企業での人材獲得レースは過熱している状況です。

下のグラフは、IT大手のディープラーニングに関連する論文の発行数のグラフですが、各社、先端技術への研究にも注力をしており、人材獲得レースが過熱しているのが容易に想像できます。

MIT Technology Review引用

そもそも先端IT人材とは？

経済産業省の定めるところによると、先端技術とは「普及が進むクラウドコンピューティングのほか、ビッグデータやIoT（Internet of Things）、人工知能等のIT関連分野において近年高い注目を集めている先端的な技術・サービス」と定義がされています。

つまり先端IT人材とは、上記の技術を活用してサービスなどを開発できる人材ということです。では、具体的にどのようなスキルセットが必要なのでしょうか？IoTと人工知能の分野に焦点を当てて、コアとなるスキルセットをまとめました。

IoTの一番の核となる、ハードウェアの操作と組み込みのスキルが一番のネックかと思います。今活躍しているソフトウェアエンジニアであれば、IoTから取得されたデータを活用して、IoTの操作を行うソフトウェアの開発を行うのはさほど難しいことではありません。そこに至る前の、ハードウェアの設計、例えばどのセンサーを使うのか？基板設計の最適な方法は？などの知識とスキルを持った人材が重要かと思います！また、当然ではありますが、IoTをインターネットやBluetoothなどに繋げる通信の知識も必要となります。

IoT、人工知能エンジニア共に言えることですが、上記はあくまでも最低限のスキルであり、「その他の特別領域部分の知識」という部分が重要かと思います。例えば、人工知能といっても、非常に幅広い応用があり、言語を扱うのか画像を扱うのかで、必要となるスキル・知識が大きく異なるためです。

先端IT人材数 – 現在と将来

経済産業省の調査によると、2016年時点での日本での先端IT技術者の数（潜在人員規模）は、約11.2万人と言われています。現時点で不足している人材の数は、15,000人となります。

先端技術を用いたビジネスの市場成長率は約5％と予測されていますが、先端技術エンジニアの人材充足が行えれば、成長率は8%まで伸びる可能性があるとの試算がされています。

経済産業省 – 先端IT人材の人材数・不足数に関する推計

すでに近い未来の2020年には約4.7万人もの人材不足が予測されています。日本がIoTや人工知能関連の技術分野において世界に取り残されないようにするには、やはり人材不足の問題を解決するのは急務かと思います。

まさに官民協働で、この大きな問題の解決をしてくべきですね。以上、経済産業省の先端技術人材に関するレポートの読み解きでした。