モデル作成からのデータの利活用

データサイエンスや人工知能（AI）を勉強すると、モデルをたくさん学びます。次の段階として、「学んだことを活用したい」となって来ます。

長所

「教科書で学ぶ。次に、実務に活用する。」という流れは、わかりやすいです。

データサイエンスの仕事のページにもありますが、「データ分析とは、機械学習や数理のモデルを作ること」という説明がされることが、とても多いようです。

そのため、「AI導入プロジェクト」、「機械学習プロジェクト」、「データ分析プロジェクト」といったものが、なかなか前に進まなかったり、成果につながりにくい場合の理由として、「機械学習などの数理的なモデルを使って行く。」という考え方をしてしまっていることが、とても多いように筆者は推測しています。

モデル作りにこだわると、うまく行かない時に手詰まりになります。

教科書は、データが用意されている状態や、「こういうデータを用意すれば良い」ということが明確なところから始まっています。

実務で、データが目の前にあるところからスタートすることは、あまりないです。あったとしても、どうやれば目の前に持って来れるかを調べないといけないこともあります。

精度の高いモデルが作れると、「このモデルを使って・・・」と進めますが、様々な理由によって、そのようなモデルは作れないことが多いです。

対策立案と実施のページにあるように、実務におけるベストな対策は、考え方によって変わります。

精度の高いモデルができたとしても、もっと良い対策があることが多いです。

精度の高いモデルができると、データ分析の担当者は、「素晴らしい法則を見つけた」くらいの気持ちになることもあります。

他にどうしようもない時なら、それを頼りにするしかないようなこともありますが、そこまで切羽詰まっていないなら、物理法則などで裏付けできないモデルは、採用されないです。

逆に、裏付けができるのなら、そのモデルが直接的には使われないとしても、問題解決という点では貢献しています。