#005 10年後の機械学習エンジニアというキャリアについて

機械学習エンジニアってぶっちゃけ今後どうなっていくんだろうかという潜在的な不安を言語化してみようという試みです。

10年後に機械学習エンジニアとしてどのようなキャリアを目指していくべきか考えた時に、不安な要素を並べていって解消していく方が健全な精神状態を保てると思い、色々と言語化していきたいと思います。

悩みや不安

• ゲームチェンジなアルゴリズムが開発されて、今取り組んでいる技術が不要となっていく（圧倒的なコスト減だったり圧倒的な精度向上など）

• アルゴリズムエンジニアとして大学院生の方が問題解決能力が高くなっていく（良いMLモデルを作成する上で太刀打ちできない）

• MLエンジニアとして継続的に学習していくこと自体が負担となっていくこと（プライベートなど）

• ジェネラリストを目指すも、機械学習の分野範囲が広すぎて限定的となってしまう。スペシャリストを目指す場合、その分野自体が陳腐化してしまうリスクがある。

• テーブルデータ、画像データ、自然言語、生成AI、音声認識、ロボット自動制御、etcの中でどの分野を極めるのが正解なのか

などなど。根源的な悩みとしては、「役に立たない60歳のMLエンジニアになってしまわないか」ということですが・・・。大企業に入れば、定年近くまでのキャリアパスは先人達が示してくれており、自分がその年齢になった時に大体どういうことをやっているのか想像もつくし、よっぽどクビにならなければそのルートにありつけるという未来が見えます。

「泣き言は聞きたかないよ」という言葉が聞こえてきそうですが・・・。

https://www.ghibli.jp/works/laputa/#frame

先人達のアドバイス

他の人のブログを読んでいても、そういった声は結構あったので拾っていきますと、

1. 先行きはわからないが、事業貢献するスキルを高める

• 再現性のあるキャリアパスを作るのは難しい

• （MLを通じて）事業貢献することにとにかく貢献して成果を出す、ビジネススキルを高める

という意見だったり、

2. 「チャレンジングな課題をどのように突破しようとしたか」によってその人の得意な能力（=伸ばすべきスキル）というものが明らかになっていく

須山敦志 Suyama Atsushiさんが質問に回答しました | mond

（質問）
機械学習エンジニアとして入社予定です。1年目は仕事で何でもやる姿勢のほうがいいのか1つのことを極める姿勢のほうがいいのかどちらの方がいいのでしょうか？

（回答抜粋）
個人的な意見としてはあまり早い段階から選択をしない方が良いのではないかと思っています。How（どのようにやるか）よりもWhat（何をやるか）の方がはるかに重要で、（自身含む）会社・組織・チームにとって最も重要な課題に取り組んでいくのが大切です。個人的な経験を振り返ってみても、「チャレンジングな課題をどのように突破しようとしたか」によってその人の得意な能力（=伸ばすべきスキル）というものが明らかになっていきます。

3. 10年後の自分は今の自分と同じか、赤の他人か

スピリチュアルな意見だと、

「10年後の自分は、今の自分と全く違う別人」という意識になっていると、長期的な人生計画を立てず、将来のための行動を積み重ねない結果に終わってしまいますが、「10年後の自分は、今と同じ自分」という意識があれば、今やっていることは10年後の自分に返ってくるという意識が強くなり、複利的な思考が強くなるでしょう。

機械学習エンジニアとしてのキャリアを考えた時に、「10年後は不確実性が高いからなるようになるさ。自分はきっと何かすごいことをやっている今じゃ想像もつかない他人になっているだろう」という意識でいるのと、「10年後は今の自分と同じ人間。今の行動の積み重ねが10年後に効いてくる」という意識でいるのとでは、確かに違う未来となっていそう。

今頑張れるかどうかは将来の私もいまの私と同じという感覚、『予期の現実感』が重要 pic.twitter.com/s3KjEd6YIS

— 竹葉聖/日本M&Aセンター/IT・スタートアップ専門チームリーダー） (@629Yuzu) March 27, 2024

未経験から技術をキャッチアップしてビジネスに貢献する力

という意見がありました。まだまだ色々ありますが、機械学習エンジニアとしてのキャリアパスは全員共通の悩みであると思います。米国トップのテック企業では、平均勤続年数が1.7年の会社もあり、一つの会社にこだわる必要はないという風潮は事実としてあるようです。日本にもそのうち浸透してきてくるでしょう。そうなってくると、「どこでもやっていける人材」というのが重宝されてくるでしょうし、「未経験から技術をキャッチアップしてビジネスに貢献する力」というのは最強の武器となっていくでしょう。

https://www.gizmodo.jp/2023/07/companies-employees-want-to-leave.html

まとめ

今回書いていて思いましたが、今知っている技術に固執せず、新しい技術が出てきた時に使えるようにする力が重要になってくると思いました。

例えば自然言語についてビジネスに貢献できる水準までに半年以内にキャッチアップできるようにするなど。

ただがむしゃらに勉強すれば良いのではなく、「課題」に対して「貢献」するビジネス貢献度が高い技術を選ぶ必要も大事になってくるなと。

そのためには、ジェネラリスト的な視点でビジネス価値なども技術を俯瞰して、広い守備範囲を維持しておきながら、自分にとって必要だと思ったらスペシャリスト的に磨いていくのが良いと。泣き言は言わずに日々勉強ですね！

今日スッキリしなかった疑問としては、

テーブルデータ、画像データ、自然言語、生成AI、音声認識、ロボット自動制御、etcの中でどの分野を極めるのが正解なのか

「意識」についての内容となってしまい、技術的な展望については触れられなかったので、またの機会に勉強したことをまとめていきたいと思います。