その他 on 鶴見教育工学研究所

生成AIとの対話: AI時代のITエンジニアの価値とは？

Wed, 16 Jul 2025 00:00:00 +0000

前回と同じく、普段私がなんとなく考えていることについて、生成AIと対話してみました。具体的には、ChatGPTのDeep Research機能との対話です。

Q1: 話題提供

“スケールアップだけ” で「AGI」は実現できるのか？　情報幾何学の第一人者、甘利俊一氏の警鈴（1/2 ページ） - ITmedia AI＋ https://www.itmedia.co.jp/aiplus/articles/2502/19/news132.html

という記事について、以下のようなコメントがありました。日本のAI開発の現状や、大学の教育レベル、IT企業の技術レベル、市場規模などを総合的にリサーチした上で、コメントを客観的に評価してください。

学者さんが「りろん」をコネコネして数式を解いている間に、世界のエンジニアは無数のトライアンドエラーを繰り返して、AGI「に見えるもの」を作っています。あるモデルが学術的な定義に基づいてAGIであるかどうかはさして問題ではなく、私たちの生活やビジネスにおいて過不足ない応答が得られれば、「汎用的」なのです。日本の人的・予算的に限られたリソースを「使えるものを作る」方に全振りしなければ、ますます競争力は低下していくでしょう。GAFAMに採用されなかった日本のベンチャー企業のデータサイエンティスト (笑) やリサーチエンジニア (笑) が理論をこねこねやっても、もう追いつけない、と言っているのですよ。そういう「学者ごっこ」は諦めて、さっさとAPIを叩いて役に立つプロダクトを作りなさいよ、と言うことです。

A1

このコメントを客観的に評価するため、日本のAI開発の現状について以下の点を教えてください：

評価したい対象期間（例：2020年以降、過去5年間など）はありますか？

特に注目したい分野はありますか？（例：大規模言語モデル、産業応用、スタートアップ、大学研究、政策など）

比較対象として特に注目している国・企業はありますか？（例：米国、中国、GAFAMなど）

ご希望に応じて、記事内容と関連付けた分析も可能です。

Q2: 条件の指定

期間はChatGPTが登場した2022年以降としてください。

注目したいのは、日本の大学で学び、日本のIT企業に就職したエンジニアが生成AIにどう関わり、何をすべきか (自社で理論研究を進めるべきか、AIサービスのAPIを活用したプロダクト開発に注力すべきか) です。

比較対象は、国というよりもGAFAMやOpenAI、AnthropicなどのAIユニコーン企業など、生成AIのスタープレイヤーです。

A2

承知しました。2022年以降の日本における大学教育やIT企業の技術的対応を中心に、日本のエンジニアが生成AIとどう関わるべきか、そして理論研究 vs 実用プロダクト開発のバランスについて、GAFAMやOpenAIなどのスタープレイヤーと比較しながら総合的に分析します。

(筆者注: 以下のDeep Researchの出力では、出典を示すURLなどを省略しています)

日本における生成AI技術動向（2022年以降）

日本の大学出身エンジニアの活躍

東大・京大など国内大学のAI研究室で学んだ技術者が、生成AI分野でスタートアップ設立や研究開発に取り組んでいます。例えば、東京大学・松尾研究室発のneoAI（千葉駿介CEO）は、在学中に企業インターン経験を活かして設立され、企業向けの生成AIソリューションを提供しています。また、国立研究機関のNICTでは日本語特化LLM（巨大言語モデル）開発が進められており、400億パラメータ級の日本語モデルを4か月で開発し、さらに1790億パラメータ級モデルの学習中と発表しています。学術界では理論研究も続けられており、RIKENなどが科学研究向けの基盤モデル開発（TRIP-AGISプロジェクト）を始動しています。これらから、日本の大学や研究機関出身者も、国内外の大規模モデル開発やそれを応用したサービス創出に積極的に参画している様子がうかがえます。

日本IT企業の研究開発動向

国内IT大手は理論研究より「応用とサービス化」に比重を置く傾向があります。例えば富士通は、大手企業向けにAPI/チャット型生成AIプラットフォーム「Fujitsu Generative AI」を提供し、Cohere社製モデルを活用して業種特化型LLMを実現しています。NTTデータはオフィス業務自動化を狙った「SmartAgent™」構想（LITRON Salesサービスなど）を打ち出し、2027年までに生成AI事業で1000億円売上を目標としています。NTTドコモも外部開発企業（SUPERNOVA）と提携し、スマホ向け生成AIサービス「Stella AI」を提供するなど、既存技術を組み合わせた製品開発が進んでいます。一方、NECは日本語対応の独自LLM「cotomi」を開発し（2023年発表）、高い日本語対話性能を強みに企業向けに展開しようとしています。総じて、日本企業は自社の業務領域に適した生成AIサービスを構築する方向で動いており、理論基礎研究は主に大学・公的機関（NICTやRIKENなど）が担いつつ、企業は実用化・導入を優先する傾向があります。

グローバルプレイヤーの研究開発

GAFAMやOpenAI、Anthropicらは巨額投資とスケールを背景に生成AI研究・開発を牽引しています。例えばGoogleは2023年末にマルチモーダル大規模モデル「Gemini」を発表し、Ultra・Pro・Nanoの3サイズで最高水準の性能を達成しています。MicrosoftはOpenAIと連携し、Bing検索にGPT-4を組み込むとともにAzure上でGPT-4を利用可能にし、Copilotや開発者向けAPIで先端モデルを展開しています。Amazon（AWS）はクラウドサービス「Bedrock」でAnthropicやCohere、Metaなど複数社のモデルを提供し、Claude 3ファミリーは2024年春からBedrockで利用可能になっています。この背景には、AWSがAnthropicに40億ドル投資した上でClaudeモデルを自社サービスに組み込んだ戦略があり、大規模モデルの商用提供競争が続いています。OpenAIはGPT-4を2023年春に発表・一般公開し、同年秋には改良版GPT-4 Turbo（128Kトークンの超長文対応、コスト低減）を導入しました。Metaはオープンイノベーション路線を掲げ2023年夏にLlama 2を公開（Azure上で提供）、その後Llama 3シリーズも発表。Anthropicは2025年5月に最新モデル「Claude 4」（Opus 4/Sonnet 4）をリリースし、ツール連携やメモリ機能を強化しています。これら企業は、超大規模モデル開発を軸に、APIやクラウドサービスで迅速に提供する点が特徴です。

日本の人的・予算リソースと戦略

日本は他国に比べAI投資規模が小さいことが課題です。スタンフォード大学AIインデックス（2025報告）でも指摘されるように、日本の2024年民間AI投資額は約9.3億ドルにとどまり、米国（109.1億）、中国（9.3億）に大きく遅れています。総務省調査でも日本の企業の47%（個人は9%）しか生成AIを実用化しておらず、利用者の安全不安（「AI安全と感じる」13%）も高い（利用率を抑制）と報告されています。人材面では、研究者数や技術者プールも米中には届かず、巨大モデルを自主開発する余力は限定的です。この現実を踏まえ、国内戦略としては「選択と集中」が現実的です。例えば産業・研究特化型のAI（ロボット工学、老年医療、農業などの分野モデル開発）に注力したり、スパコン「富岳」など世界レベルの計算機資源を活用した共同研究で優位性を探る動きがあります。政府も補正予算で人工知能R&Dに290億円を計上し、共同研究枠やスーパーコンピュータ利用支援を打ち出しています。海外勢と比べ規模は小さいものの、国内連携・選定支援により限られた予算・人材のシェアリングを進めることが日本の現実的戦略となるでしょう。

「学者さんが『理論』をコネコネする」という意見の評価

意見の妥当性：この批判には歴史的な背景があります。甘利俊一氏も日本の研究者が「実用化は考えておらず、個人ベースの理論研究に留まった」ため、米国に遅れをとったと指摘しています。確かに予算や組織面で日本は限定的であり、研究者が理論追求に重きを置いた点は否めません。しかし近年は基礎研究だけでなく共同開発や実証実験へのシフトも進んでおり、批判は必ずしも現在の全状況を正確に表しているとは言えません。
理論研究軽視のリスク・利点：理論研究を軽視すると、独自技術や人材育成の機会を失い、長期的な競争力低下を招くリスクがあります。実際、Stanford報告や政府資料が指摘するように、資源不足の中では基礎技術を断念すると日本の位置はさらに脆弱になります。一方、理論より応用重視には短期的利点もあります。APIや既存モデルを活用することで、すぐに実用システムを構築し効率化を図れる点は魅力です。富士通やNTTデータの取り組みに示されるように、現状では外部モデルの活用が最も手堅い進め方でもあります。
API活用中心戦略の現実性・限界：確かに多くの企業がOpenAIやAnthropic、Cohere等のAPIで製品開発を進めており、短期的には効率的です。しかし、この戦略にはいくつかの限界があります。まず、他社モデル依存はコストやライセンスの面で長期的な負担となり得ます。また、APIでは細かな専門知識や独自データへの最適化が難しい場合も多いです。さらに、独自技術を持たないと企業・国家安全保障上の脆弱性にもつながります。したがって、日本としてはAPI活用による実装を進めつつ、戦略的に基礎研究やモデル開発も並行し、独自ノウハウを育てるバランスが求められます。

上図 (筆者注: 省略) はAWSとAnthropicによる提携（Claude 3の提供）を示すイメージです。欧米企業のように大規模モデル開発とクラウド展開を両立できれば理想ですが、日本では当面、基礎研究と製品開発の両輪を意識した戦略が現実的といえます。各要素の強み・弱みを踏まえ、理論と実用の両面からのアプローチが求められるでしょう。

Q3: 深耕

実際の日本人ITエンジニアの大多数のキャリアやスキルレベルを考慮するとどうでしょうか？先端の研究論文をキャッチアップできるでもなく、また企業規模もせいぜい数十人のITベンチャーにおいて、「データサイエンティスト」や「AIエンジニア」を名乗って、今さらTransformerの式を書き下して理解しようとしたりするよりも、「すでにあるAI」を活用する方法を考えた方が、企業にとっても、日本にとってもよい結果をもたらすのではないかと思うのですが。「日本の、普通のエンジニア」が何をすべきかを教えてください。

A3

ご指摘の通りです。日本の「普通のエンジニア」——つまり、大学で一般的な情報工学を学び、数十人〜数百人規模の企業やSIer・ベンダー企業に勤めるエンジニアの大多数にとって、生成AI時代における最適な戦略は、「理論の追求」よりも「既存技術の実践的活用」です。以下にその理由と、具体的な行動指針を提示します。

⸻

✅ 今「普通のエンジニア」が取るべき方向性

理論理解より「ツールとしてのAI」を使いこなす

Transformerの数式理解や論文精読は必須ではない：実務上、それを知らずともChatGPTやClaude、Copilotなどの商用サービスは使えますし、プロダクトも作れます。

本当に必要なのは、APIを使って何ができるかを理解する力。つまり、プログラムが書けること、APIドキュメントを読めること、そして業務にAIを組み込む発想力です。

ChatGPT・Claude・Geminiなど「既製品」を徹底的に使い倒す

API経由での自社プロダクト統合

例：FAQ自動応答、Excel自動処理、メール下書き、議事録要約など。

プロンプト設計の習熟

ノーコード〜ローコードツールとしてAIを使うスキル。

これを磨くだけでも業務効率は劇的に向上します。

「AI活用のPMスキル」を身につける

実は今、最も需要があるのは「AIを使って何をするかを提案できる人」。

ChatGPTのAPIで顧客管理をどう変えるか、コールセンターをどう最適化するかといった視点を持てば、技術の専門性がなくても武器になる。

⸻

🔍 現実的な背景（なぜ理論を追うのは難しいか）

項目内容

スキルセットの限界数式・英語論文を日常的に読めるエンジニアはごく一部。

企業の体制 R&D部門を持たない企業が大半。研究ではなく「今あるものを現場で使えるようにする」能力が求められる。

リソースの制約 GPUクラスタや大規模データセット、数十人の研究チームを持てる企業は稀。

⸻

💡 具体的に今からすべきこと（おすすめの行動リスト）

スキルカテゴリやるべきこと

基礎AI理解 Transformerの数式ではなく、「何ができて何ができないか」を理解（例：幻覚問題、トークン制限、ファインチューニングとは何か）

活用力 OpenAIやClaudeのAPIを触ってみる。LangChainやLlamaIndexの基本的な使い方を知る。

プロンプト設計プロンプトの工夫で精度がどう変わるかを体感。社内の業務を一つGPTに置き換えてみる。

業務提案力上司や顧客に対して「この業務、AIに置き換えられますよ」という提案を1つしてみる。これはキャリア上の評価にも直結。

ドキュメント読解 OpenAIのAPIドキュメント（日本語で読める）。基本的なREST API呼び出しを理解

⸻

🎯 結論：「普通のエンジニア」に理論研究は要らないが、「AIの道具化能力」は必須

日本の大多数のエンジニアにとってベストな道は、「最先端を作る側」ではなく「最先端を最大限に活用する側」になることです。

そして、それは決して劣った道ではありません。むしろ、日本のように大規模R&D投資が困難な国においては、「既存モデルの賢い使い方」で世界に先んじる可能性さえあります。たとえば、生成AIを利用した業務改革・現場最適化・中小企業支援など、日本の実情に即したアプローチは「活用者」がいなければ実現できません。

理論を捨てろというのではなく、「理論を追うのは一部の役割」。あなたは「使って社会を変える人」になってください。

⸻

ご希望があれば、「普通のエンジニアが生成AI活用スキルを習得するロードマップ」 も作成します。必要でしたらお声かけください。

項目	内容
スキルセットの限界	数式・英語論文を日常的に読めるエンジニアはごく一部。
企業の体制	R&D部門を持たない企業が大半。研究ではなく「今あるものを現場で使えるようにする」能力が求められる。
リソースの制約	GPUクラスタや大規模データセット、数十人の研究チームを持てる企業は稀。

スキルカテゴリ	やるべきこと
基礎AI理解	Transformerの数式ではなく、「何ができて何ができないか」を理解（例：幻覚問題、トークン制限、ファインチューニングとは何か）
活用力	OpenAIやClaudeのAPIを触ってみる。LangChainやLlamaIndexの基本的な使い方を知る。
プロンプト設計	プロンプトの工夫で精度がどう変わるかを体感。社内の業務を一つGPTに置き換えてみる。
業務提案力	上司や顧客に対して「この業務、AIに置き換えられますよ」という提案を1つしてみる。これはキャリア上の評価にも直結。
ドキュメント読解	OpenAIのAPIドキュメント（日本語で読める）。基本的なREST API呼び出しを理解

Q4: 展開

上記のように、「普通のエンジニアはAIを『使う』ことが求められる」と思っているのですが、なぜ一方で日本のITエンジニアは数学的な理解にこだわったり、AI界のスタープレイヤーの後追いでより小さく、性能も低いモデルを作りたがるのでしょうか？個人的には、日本の理系教育の歪みが表れているように思いますが、いかがでしょうか？

A4

ご指摘は本質を突いています。確かに、「現実の課題にAIをどう使うか」より、「理論を深く理解しようとすること」や「自分でも小規模なモデルを構築しようとすること」に執着する日本のエンジニアは少なくありません。この現象は、以下のような教育的・文化的・構造的背景の複合的な結果だと考えられます。

⸻

🔍 1. 日本の理系教育の「数学偏重」主義

✅ 現象

日本の大学や高校の理系教育では「数式を正しく展開する」ことが重視され、応用や実装、問題解決への接続が軽視されがち。

実際、大学の情報系学部でも「線形代数の授業でNumPyを使わない」「機械学習の講義でscikit-learnやTensorFlowを触らない」といった例が多い。

🧠 結果

数式で「わかった気になる」学生やエンジニアが多く、ツールとしてのAIを使う経験が乏しい。

「理論を理解していないと使ってはいけない」という無意識の思い込み（≒使うことが“浅い”と感じる価値観）が形成される。

⸻

🔍 2. 日本の技術者文化に根強い「自前主義」・「ものづくり信仰」

✅ 現象

製造業的な価値観（＝最初から全部自分で作ることに価値がある）がITにも輸入されている。

OSS活用より「自社開発」、API連携より「自前実装」を美徳とする風潮が一部に残る。

🧠 結果

ChatGPTをAPIで呼び出すのではなく、「自分で小さなTransformerをPyTorchで作ってみた」という方が「技術者っぽい」と思われやすい。

スタープレイヤーの後追い（＝自社でも小さなモデルをトレーニング）を「正しい技術的努力」と信じて疑わない。

⸻

🔍 3. スター志向と「論文ありき」のリサーチ文化

✅ 現象

GAFAMやOpenAIのような先端企業は、精緻な論文＋GitHubコードという形で発信している。

日本の大学・研究所・ベンチャーの一部では、それを追いかけることで自分も“仲間入り”したような錯覚を得る。

🧠 結果

実ビジネスへの応用よりも、「うちもLLaMA風モデルを作ってみた」ことに満足してしまう。

数式や独自モデルにこだわるが、実際の活用事例や売上には結びつかない。

⸻

🔍 4. 評価軸のミスマッチ

✅ 現象

日本の多くの企業や研究所では、「AIを使って事業成果を出す」より「どれだけ理論を知っているか」のほうが評価されやすい。

特に中途採用や技術アピールでは、「Transformerを実装できます」と言う方が「ChatGPT APIを業務に使いました」よりインパクトがあると誤解されがち。

⸻

💡 結論：「理論へのこだわり」は日本の理系教育と技術者文化の副産物

「理論を理解していないと使ってはいけない」「自前で作ることこそ技術力だ」という誤った信仰が、AI時代の生存戦略を誤らせている。

そしてこれは、「英語が苦手で海外の実務事例にアクセスできない」「現場で評価される経験が少ない」といった構造的問題ともつながっています。

⸻

✅ これからの方向性

項目これから目指すべき姿

教育数式だけでなく、ツールとしてAIを使う演習を重視するカリキュラムへ

企業評価軸「何ができるか」よりも「何に役立ったか」で評価する文化

個人の戦略スターの後追いではなく、ローカルな課題にAIを適用するスキルを伸ばす

ご希望があれば、

日本のエンジニアがAI時代に生き残るためのスキルマップ

「理論ごっこ」から脱却する社内勉強会の企画案などもご提案できます。お気軽にどうぞ。

項目	これから目指すべき姿
教育	数式だけでなく、ツールとしてAIを使う演習を重視するカリキュラムへ
企業評価軸	「何ができるか」よりも「何に役立ったか」で評価する文化
個人の戦略	スターの後追いではなく、ローカルな課題にAIを適用するスキルを伸ばす

Q5: 比較

海外 (といってもさまざまですが) では、あまりそのような傾向はなく、「とにかく使えるもの、役立つものを作るのがエンジニア」という考えが浸透しているのでしょうか？そうであれば、それは大学までの教育の中で教えられているものなのでしょうか？

A5

とても鋭いご質問です。結論から言えば、「使えるものを作るのがエンジニア」という実践的な価値観は、欧米を中心とする多くの国々では確かに強く根付いています。そしてその価値観は、大学以前の教育も含めた「文化的・制度的な背景」によって育まれています。

⸻

🌍 海外のエンジニア文化：「役立つこと」が第一原理

✅ 特徴

プロトタイプを素早く作って動かしてみることが尊重される（例：米シリコンバレーやインドのスタートアップ文化）

数式や理論に詳しいかどうかよりも、動くものを作って試すことが優先。

「学問的に正しい」よりも「課題解決に使える」ことが評価される。

🛠 事例

OpenAI や Anthropic の研究開発チームですら、「まず実装して観察する→理論的な裏付けを後からつける」という逆順で進めていることが多い。

米国の大手企業（Google, Metaなど）でも、リサーチャーよりも「Applied Scientist」や「ML Engineer」がプロダクトの中核。

⸻

🎓 大学教育の違い：日本 vs 海外

観点日本海外（米国・欧州の一例）

教育方針正解のある問題を解かせる自分で問いを立て、手を動かして解決する

評価軸数式展開の正確さ、理論の理解プロトタイピング、ツールの活用力

卒業研究指導教員のテーマに従うことが多い学生が自分で問題を設定する自由度が高い

インターン少ない・就職活動と切り離されがち多くの学生が大学在学中に実務経験を積む

🧑‍💻 実践重視の具体例

米スタンフォード大学やMITのCS課程では、課題の多くが「動くプロダクトを作ること」。

「最低限の理論を学んだら、あとは実装を通じて体得する」スタイルが主流。

特にハッカソン文化が盛んで、「1日で作って試す→フィードバックを受ける」という訓練が積み重ねられている。

⸻

🧠 文化的背景の違い

日本欧米（特に米国）

深く理解してから使え使いながら理解せよ

理論が身につけば実装できる実装できれば、理論も後からついてくる

失敗してはいけない失敗から学ぶのが自然

この文化の違いが、AIやSaaS、スタートアップ文化の成熟度にも直結しています。

⸻

✍️ まとめ

欧米の多くのエンジニア教育では、「動くものを作る」「価値を生む」ことが最優先。

それは大学教育だけでなく、K-12（小中高）や社会全体の文化から醸成されている。

一方、日本では「まず理論ありき」「間違えることを恐れる」という文化が、実装重視のマインド形成を阻んでいる。

⸻

✅ ご参考になりそうな方向性：

日本でも、「教育」と「実務」のあいだにプロトタイプ主義・API活用主義を入れる中間教育（リスキリング・職業教育）が今後重要。

「役立つものを作る」エンジニアを育てるには、大学よりも現場主導の学び直しの場（例：社内ラボ、実務インターン、実装コンペなど）を活用するのが近道です。

ご希望があれば、こうした価値観を育てる教育プログラムの例や、API活用・プロトタイピング型の社内教育モデルなどもご提案できます。お気軽にどうぞ。

観点	日本	海外（米国・欧州の一例）
教育方針	正解のある問題を解かせる	自分で問いを立て、手を動かして解決する
評価軸	数式展開の正確さ、理論の理解	プロトタイピング、ツールの活用力
卒業研究	指導教員のテーマに従うことが多い	学生が自分で問題を設定する自由度が高い
インターン	少ない・就職活動と切り離されがち	多くの学生が大学在学中に実務経験を積む

日本	欧米（特に米国）
深く理解してから使え	使いながら理解せよ
理論が身につけば実装できる	実装できれば、理論も後からついてくる
失敗してはいけない	失敗から学ぶのが自然

(人間による) おわりに

まぁ、議論を誘導している面はあるんですが、そんなに見当違いのことを考えてもいなかったのかなと思っています。「どうやっても追いつけないものを追うより、それを使って何かできないか」を考えるのが、サイエンティストではなくエンジニアだと思うので、ぜひそういう方向に教育も変わっていけばいいのにな、と思います。

参考

当然、小学校や中学校でディープラーニングだTransformerだわかるわけがないですが、それでも子供たちはAIを「使う」ことを学ぶわけです。

rocker/binderに日本語設定を追加してApple Silicon (arm64) 向けにビルドしました

Sun, 09 Feb 2025 00:00:00 +0000

タイトルの通りなのですが。今さらですが、Dockerを初めて使ってみました。

GitHub: tetlabo/jp_binder_arm64: rocker/binder に日本語設定を追加しました
Docker Hub: manabi/jp_binder_arm64

Dockerの (大まかな) 仕組みや、現在主流であることはもちろん10年近く前から知ってはいましたが、「作り込んだ環境が保持されない」「ストレージを多く消費する」「仮想化のオーバーヘッドがある」といった印象 (思い込み？) から、使っていませんでした。今回も、自分で使う意図はあまりない¹のですが、大学の講義 (標準PCがMac) や研修で、トラブルのないデータサイエンス (RStudio, Jupyter) 環境を配布したい、ということでイメージを作成しました。全部Google Colabでやればいいのですが、他の講義にRStudioを前提としているものもあり、この講義ではRStudio、この講義ではGoogle Colabとバラバラなのもなぁ、ということで「学部の標準データサイエンス環境」を意図しています。²

ベースとして、rockerプロジェクトでテンプレートとして配布されているbinderを使おうと思ったのですが、Dockerfile内ではgeospatialイメージを使用していて、このイメージがamd64 (x64) 用しかありませんでした。もちろん、Apple SiliconのMacでも --platform linux/amd64 オプションを指定すれば動きますが、せっかくなら仮想化にエミュレーションを重ねるよりは、arm64でビルドしたいと考えました。そこで、rockerプロジェクトのGitHubリポジトリをコピーして、改変することにしました。

…そこからが大変で、rockerプロジェクトで公開されているDockerfileをコピペで組み合わせれば動くだろう、と思ったらまぁうまくいかず、結局まる3日くらい試行錯誤してしまいました。作成した環境には、jupyter-rsession-proxyが導入されているので、RStudio ServerはJupyter Labのメニューから起動することになります。

Docker Hubに登録しているので、以下のコマンドでダウンロードし、実行できます。

`1`	`docker pull manabi/jp_binder_arm64`

なお、イメージは上記の通りarm64向けにビルドしているので、Apple Silicon搭載のMacでしか (最近のCopilot+PCも対応？) 使えません。また、Rの環境には、筆者が研修や講義でよく紹介するので、radiantパッケージをインストールしています。radiantは多くのパッケージに依存するShinyアプリであるため、Dockerfileから手元でビルドしようとすると、やたらと時間がかかります。

…いろいろ苦労して思ったのですが、やっぱりDockerはいらなくて、(大学教育に関しては) 1年次にHomebrewをベースとした「間違えのない」環境構築をさせて、それ以降は講義ごとに {renv} パッケージやuvコマンドで仮想環境を作るように指導した方が楽そうですね🤪

そもそも普段はVSCodeを使っているので、RStudioもJupyterも使わないのですが。 ↩︎
一介の非常勤講師が考えることじゃないんですけど🤪でも、せんせー方が誰も「イマドキのデータサイエンス事情」を知らずにデータサイエンス教育をしているので🤪 ↩︎

ツルハシとジーンズ

Wed, 30 Oct 2024 00:00:00 +0000

変化の激しいこのギョーカイで10年もジーンズを売ってたら、それはもうリーバイスなんよ🤪

はじめに書いておきますが、この記事は何かを論じたいわけでも、物申したいわけでもなく、ただ「15年同じ澱みに漂っている者」から見た感想を綴っているだけです。

最近また、「データサイエンティスト論」がお盛んですが、これはもう恒例行事ですね。“下々の者” をご存知ないアカデミアのせんせーが「希望職種」の一つと化したデータサイエンティスト像に疑問を呈し、いつもの有名人が「ツルハシとジーンズ」の例を出して。

検索したら毎年おっしゃっていたので、ちょっと笑ってしまいましたが。で、冒頭につながるわけですが、2019年からゴールドラッシュが続いていて、一攫千金を夢見る人にツルハシやジーンズが売れ続けているのであれば、それはもう「産業」だと思うんですよね。例え話の重箱をつついてもしょうがないですが、そもそもゴールドラッシュ以前にはジーンズがなかったわけで、それを生み出して現在に続く新しいファッションを創造したリーバイ・ストラウスは「イノベーター」じゃないですか。実際、データサイエンティストになるにはスクールだ！といったあたりから、「リスキリング」という国家プロジェクトまで生まれているわけで。¹教育がお金になる、ということが従来からのITベンダー系研修会社だけでなく、広く世間に知れ渡ったことで、新しいビジネス領域が生まれ (そして消え🤪)、社会が (良し悪しにせよ) 変わりました。

多分、ゴールドラッシュの頃にも、それ以前から大学で地質学や土木工学を学んだ鉱山技師たちは、「岩石のことも知らずに金が掘れるか」とか思っていたのでしょう。

それによって人が移動し、街が作られ、鉄道が引かれ、フロンティアが消失しました。そして、ジーンズは鉱山だけでなく、あらゆる人が身につけるものになりました。「アメリカ」が生まれたのです。²現在のゴールドラッシュでも、社会のトレンドが変化し、さまざまな教育コンテンツやスキル標準が作られ、それらをかいつまんだ (発端の) ロードマップが生まれ、高度理系人材にとってのフロンティアが消失しているのでしょう。そして、ジーンズ＝教育≒リスキリングは一部のエンジニアだけでなく、あらゆる人にとって必要なものになりました。「DX」が実現に近づくのです。

そう考えると、社会にとっては、この世の中の動きはそう悪いものではないのではないでしょうか。

個人的にはこれはこれで実体験ベースのノウハウとしてはありだと思う(特にインターン経験)けど、僕らの時代にあった「リアルの勉強会立ち上げて社会人・学生とつながる」みたいなのが最近減ってきてる気がしててそこはなんとかしたい気も。入りたい大手のDSと学生時代から繋がるのが多分一番近道(で、… https://t.co/vAvfG2KUJ1
— akiaki5516 (@doradora09) October 29, 2024

さて、以下はXにポストしようとしたり、実際にポストして「まぁ140文字で伝わらないよなぁ」と思って消したものです。ここに書いたから伝わるとも思っていませんが、せっかくなので書き留めておきます。

データサイエンス界隈、なんでこう形式ばった受験勉強みたいな文化になっちゃったんだろうな。
— Kohta Ishikawa (@_kohta) October 28, 2024

上位を構成する人材が、まさに受験文化の「勝者」だからだと思いますが。

資格を取れば確実に仕事が得られて食いっぱぐれない世界はあるわけで（薬剤師や看護師など）、そういう世界の発想を持つ人たちが流入してDSをやっているんだと考えれば理解できる気がしてきた。
— Kohta Ishikawa (@_kohta) October 29, 2024

博士号、メダル、前から「トロフィー」大好きなギョーカイじゃないですか。

個人的には、10年以上前からデータサイエンティストには「1000万円」という金額がついて回ってたし、「まず東大の赤い『統計学入門』を読んで、次に『はじパタ』、そして『カステラ本』を通読する」とか書籍リストが流布していて、「落下傘方式で学べば良い」という有名人がいて、今と本質的に変わってないと思うんですけどね。本が動画になったり、就職先があの頃のキラキラDSベンチャーから大手コンサル、ITベンダーになっただけで。

10年以上成長せずに同じところを漂っている身からしたら、変わったのは10歳年を取ったあなた達じゃないですか、と。

アメリカ由来の言葉ですが、アメリカでも多分同じような経緯なんじゃないでしょうか。 ↩︎
Wikipediaをざっくり読んだ程度なので、細かい歴史認識についてはご勘弁ください。 ↩︎

DX検定プロフェッショナルレベルを取得しました

Sat, 31 Aug 2024 00:00:00 +0000

先日、DX検定なる資格試験を受験しました。

DX検定™https://t.co/Gy0ROxyoi1

「毎日爆発的に増加するバズワードを確かな知識にする、先端ＩＴ技術トレンドとビジネストレンドを幅広く問う知識検定」

これも「大企業が『取り組んでる感』を出すために社員に受けさせる」系の試験ですね。私見ですが。

画像はシラバスです。 pic.twitter.com/JrZkDlKSX2
— 鶴見教育工学研究所 (@tetlabo) November 14, 2022

2年ほど前に「やってる感」のための資格ですね、とか言っていたことを忘れていました。とはいえ、今回も「研修や授業で資格の一種として取り上げる価値があるだろうか」という見極めが主な目的だったのですが。

試験の概要

細かいことは公式サイトにありますが、大まかには、「60分120問 (1問30秒！) で時事クイズを解きまくる」という試験です。例えば、以下のような形式の問題が出ます。(覚えていないのであやふやですが)

問: (1) 社が2023年11月に発表した、□□システムは、(2) の技術によって○○作業の待ち時間を○%削減できる。

(1) △△ (2) ☆☆

(1) ◎◎ (2) ■■

(1) △△ (2) ■■

(1) ◎◎ (2) ☆☆

技術や制度についての問いよりも、事例やサービス名を問うものが多かったような記憶があります。こんなのが、120問も続きます。

試験の回答テクニック

はじめに、「受験規則には調べて回答するなとは書いていない」ことをアピールしておきたいと思います🤪

実際に、自宅のPCでカメラによる監視等もなく、ただ回答ページが60分で閉じられるだけの試験運用でした。そして、資格について解説するいくつかの記事でも、「調べながら」と書いてあるので、禁止されてはいないのでしょう (恐れ知らずなだけの可能性も)。

DX検定について｜おじ: 試験は調べながら出来るの？→可能です。
【2024】DX検定で受かるコツ！難易度や合格率・おすすめの勉強方法を解説 | AI研究所: DX検定はオンライン受講の場合、調べながら受講することは可能です。

ですから、問題が表示されたら、そこにあるキーワード (と自分が思うもの) をピックアップして、検索結果から信頼できる (出題者がソースにしそうな) メディアの記事を見つけ、その内容と選択肢を照らし合わせて回答する、という戦略は極めて効果的です。…というか、私はまったくの「ノー勉」で、どういう出題形式かも知らずに受験したのですが、それで最上位クラス (後述) だったので、「ググれば回答できる」試験だと思います。

ただし、前述のように60分で120問ですので、1問1問キーワードを考えて検索していては半分も回答できないでしょう。そのため、(自分で「次へ」をクリックして) 問題が表示されたらすぐに、「記事の見出しやリード文になりそうなキーワード」を見つけるスキルは必要です。例えば、上で挙げた問題の例だと、「2023年、□□、☆☆または■■」がキーワードになるでしょう。さらに、「日経」とか「朝日」などを付与すると、だいたい上位3つ目くらいまでに「出題者がネタ元にしたんだな」とわかる、言い回しが問題と酷似した🤪記事が出てきますので、見出しやリード文を確認して回答します。

実際には、上述のようにノー勉で試験の形式も知らずに受験し、回答ページを開いて最初の何問かは「何じゃこりゃ、わかるか！」と思いながら時間をかけて検索していたので、その分のロスで全問回答はできませんでしたが、やり方を掴んでからはスムーズ (自分が何をやっているのかもよくわからなくなるくらい🤪) で、ググっては選択肢を選び、ということの繰り返しで8割くらいは回答できたと思います。

このような意味では、DX検定は「検索力検定」であると言うことができるかもしれません。なお、調べて回答した内容はすでに全て忘れました。

試験の結果

1ヶ月後に受験サイトで結果が発表されます。1000点満点での点数やスコアシートが表示され、600点以上からは認定証のダウンロードが可能です。私は809点で、プロフェッショナルレベル (もう覚えていないけど🤪) でした。

また、さらに2週間ほどして、オープンバッジも付与されます。

現在取得しているオープンバッジ

感想

そもそも2年前に「やってる感」のための試験だなと思い (そして忘れ🤪)、今回も「ひとに薦める価値があるか」を確認するための受験だったので、自分にとって得るものは何もありません。「DX検定プロフェッショナルレベル」をいつどこで名乗ればいいんだ、という点も含め。

ただ、Xで検索すると「会社で強制的に受験させられた」とか「上司に言われた」という方も結構いるようでしたので、やはりDXを打ち出している (でも実践ではなく形作りに留まっている) ような大企業では、このような資格のニーズがあるようです。上記のように、「ググり方」を身に付ければ何も考えなくてもスコアが上がると思いますし、一方で外から問題だけ見ると「こんなにたくさん知っててすごい」となりそうなので、「やってる感」を出したいビジネスパーソンの方にはお薦めできる資格なのかなと思います。

…6000円を会社が出してくれるのであれば。

2022年にR Markdownで書いた教材・資料のページ数

Sat, 31 Dec 2022 00:00:00 +0000

タイトルの通りなのですが。

昨年後半から、仕事で作成する教材、資料、原稿のほとんどをR Markdownで書くようになりました。私の場合、作成する文書のほとんどはいわゆる「パワポ」なので、bookdownパッケージの powerpoint_presentation2 で出力し、どうしてもそのままではレイアウトのズレが生じるので、PowerPointで整えています。その中で「こう書けばこう出力される」という経験をたくさん積んだので、それを活かしてテンプレートとなるPowerPointファイルもブラッシュアップし、(内容はともかく) 生産性が向上した一年でした。

…ということで、今年作成した資料のページ数を数えてみました。PowerPointファイルだったりWordファイルだったり、ただの章扉もあったりで、1ページの情報量もだいぶ違いますが、単純に完成品のファイルを開いて、表示されるページ数を積み上げました。

その結果、2022年は1700ページ書いていたことがわかりました。

81種類の資料を作成し、合計1700ページ執筆しました

多いのか少ないのかわかりませんが、今年の前半はだいぶ働いた (教材を書いた) なぁという印象があります。代わりに、後半、特に10月と11月はスカスカでしたが🤪 そのぶん、このWebサイトとブログを整備できたり、次の仕事への準備ができたりしたので、トータルでは悪くない1年だったのかと思います。

今年の11月に (ノリで🤪) 自営業の屋号を「鶴見教育工学研究所」と変更しましたが、来年から、さらに「鶴見」(地域) と「教育」の両方をしっかりと意識したビジネスをしていきたいと思います。

それでは、よいお年を。

HDDからM.2 SSDに交換

Sat, 19 Nov 2022 00:00:00 +0000

タイトルの通りなのですが、自宅のデスクトップPCのストレージを、HDDからM.2 SSDに交換しました。

PCは、マウスコンピューターのDAIV A5¹で、もともと購入時にCドライブはM.2 SSDにして、DドライブとしてHDDを選択していました。

ディスクエラー

ところが、購入してまだ2年程度なのですが、最近頻繁にHDDエラーが発生し、起動する際にやたらと fsck が走ったり、特に画像や音楽などのファイルが壊れて、ダブルクリックしても開けなくなっていました。他にも、gitの管理データが壊れて、直前までコミットできていたものが急にエラーになったり、完全に壊れてしまうのも時間の問題だな、という状況でした。

幸い、というかなんというか、Cドライブ (M.2 SSD) をシステム領域に、Dドライブ (壊れそうなHDD) をユーザーデータ領域にしていたので、OS自体はそのまま、Dドライブを交換すれば大がかりな移行作業などもなさそうでした。

SSDの選定

ところで、このDAIV A5は、コマンドで調べてみると、ASRock X570 Phantom Gaming 4というマザーボードを採用していました。

マザーボード (Motherboard) | メインボード (Mainboard) の型番を確認する方法 - Windows 10

このマザーボードは、マニュアルを見るとM.2 SSDのソケットが2つ搭載されています。²そこで、いっそのこともう1個M.2 SSDにしようと考えました。ソケットがGen 4×4対応なので、それに合ったSSDを探していると、“KLEVV CRAS C920 M.2” という製品がありました。

なぜか (スペックを見る限り) 同一の商品に違う型番が付いていて、値段もだいぶ違いますが、たまたま現在 (2022-11-20) の価格よりも安く購入できました。カタログスペックだけ見ると、読み込み7000MB/s、書き込み6850MB/sとあり、同価格帯の製品と比べると高性能です。

取り付け作業

1日半くらいで届いたので、さっそく取り付けました。商品のパッケージは以下のようでした。

M.2 SSDははじめてなんですが、こんなので2TBあるんですね。これを、取り付けます。PCのカバーを開けるとこんな感じです。たまたま、前日に中のホコリを掃除していたので、見れるものになっています。🤪

空いているM.2 SSDのソケットは、中央のフレームの下にあります。

ここにフレームをかいくぐってM.2 SSDをハメ込み、六角ネジで固定します。固定する前は、かなり斜めに跳ね上がって、「これを押さえつけて大丈夫なの？」と思いますが、メーカーのWebサイトを見ても、そういうものみたいです。このマザーボードに関しては、ドライバーで回すタイプではなく、本来はレンチで回すものなのですが、サイズが合うものがなかったので、ラジオペンチで締めました。

出典: https://shuttle-japan.jp/ufaqs/inq-000/

接続したら、カバーを閉じて、繋がっていたケーブル類を接続し、電源を投入します。

データの移行

特に起動トラブルもなく立ち上がり、接続したばかりのM.2 SSDは未フォーマットなので、Windowsの「ディスクの管理」でフォーマットします。

Windows 10でのハードディスク（HDD）のフォーマット・初期化方法 - 株式会社センチュリー

これまで、HDDはDドライブとしていました (というか、購入時にそうなっていました) が、今回はなんとなくXドライブにマウントし、まだギリギリ生きているHDDからデータをコピーします。

上述のように、データドライブとして使っていたので、単純にドライブの中を丸ごとコピーして、完了後に「デスクトップ」や「ドキュメント」「ピクチャ」などの特殊フォルダーの参照先をXドライブに変えるだけで、移行が完了しました。

特に、体感速度が変わったわけではない (元々OSはM.2 SSDに入っていて、CPUもメモリもオーバースペック気味なので) ですが、とにかく壊れる前にストレージの移行ができてよかったです。

実際には、すでにいろんなフォルダーの中のどこかのファイルが壊れているのでしょうが、それに出会った際には、以前クラウドにバックアップしておいたデータからちまちま復旧させることになるでしょう。

現行の最新版とはスペックが異なりますが。 ↩︎
正確にはもうひとつ、Bluetoothや無線LAN用チップを接続するソケットもありますが、SSDを接続できるスペースはありません。 ↩︎

オフィスコンピュータ入門 (1982)

Wed, 09 Nov 2022 00:00:00 +0000

非常勤先の大学の図書館で、毎年不要になった (重複したり、価値を減じたトレンド本など) 本を、無料で頒布しています。今年も、ちょうど昨日からはじまったので、覗いてみました。

これから順次追加されるのかもしれませんが、今年は歴史や地誌関係の本が多く、あまり個人的な興味をそそるものはありませんでした。1冊だけいただいてきたのが、掲題の「オフィスコンピュータ入門」です。

@book{1130000796941717760,
author="魚田, 勝臣 and 富沢, 研三",
title="オフィスコンピュータ入門",
publisher="オーム社",
year="1982",
series="図解コンピュータシリーズ",
URL="https://cir.nii.ac.jp/crid/1130000796941717760"
}

私が生まれる (ちょっと) 前の本ですが、今と昔と、言っていることは変わらないなぁと感じました。以下、一部を抜粋しています。

「ユーザー部門主導のIT活用」とか、今でも言いますね。そして、「全社員がプログラミングを！全員にPython研修を！」という話もよくあります。さらに、ITシステムの導入においては、「トップの問題意識と目的の明確化が大事」というのも、私自身、研修で「AIで何がしたいんですか？DXしてどうなりたいんですか？」といつも問うているところです。

ただ、「毎日遅くていやんなっちゃう」と嘆いている女性社員が見ている時計が7時なのは、なんか平和な時代だな、とか思ってしまいますが😅

同様に、ITシステム導入の勘所は「トップの積極的な姿勢」「導入目的の明確化」「適用業務の厳選」というのも、現在とまったく同じです。「DXっていうのが流行っているから」「コンサルに提案されたから」みたいな “ノリ” でITシステムや関連施策を導入しても、絶対にうまくいきません。経営層が「自分が責任をもってITで課題解決をする」という意思が古今問わず、必要なのでしょう。…この40年、誰もそれを実現できていないから、今でも言われているのですが。

「オフィスコンピュータ」や「ディーラ」という単語は時代を感じさせますが、内容は今でも通用する、根本的なことが書いてありました。

ちなみに、昨年は「オフィス・オートメーション入門」という本をいただいてきて、やはり現在DXやRPAと言われているようなことが、40年前から言われていて、そして実現できていないことがわかりました。

@book{1130000797713381760,
author="涌田, 宏昭",
title="オフィス・オートメーション入門",
publisher="日本経済新聞社",
year="1981",
series="日経文庫",
URL="https://cir.nii.ac.jp/crid/1130000797713381760"
}

40年前の20代、30代で、まさにオフィスコンピュータの導入やオフィスオートメーションの推進を担っていたはずの方々が、何も実現できず現役期間を過ごして去り、エラくなった人は自分たちができなかったことを忘れて、部下に「DXに対応できていないじゃないか」とか言うのは、不条理な気もします。部活の悪い風習と同じですね。

それを繰り返さないためには、(前の世代のことは切り捨てて) 自分たちが今の時代に見合ったIT導入、DXを進めていかなければならないのでしょう。

情報教育 (主語がデカい)

Wed, 09 Nov 2022 00:00:00 +0000

最近学生とチャットツールでやり取りすると、(RなりExcelなりの) ここがわかりません、エラーが出ました、という時に「画面をスマホで撮った写真」が添付されてくることが多いです。「Excelファイルを提出します」と言ってGoogleドキュメントのリンクが送られてきたり (もちろん閲覧権限なし)。

ネットワークが高速化したおかげ、とも言えますが、ローカルに保存したファイルとクラウド上のファイル、PCにインストールしたアプリとWebアプリの違いが認識できていないように感じることもあります。

一方で、Pythonで機械学習、とかなんか高度なことをやっているわけで。なんかこう、土台がしっかりしていない危うさというか、全体としての情報教育カリキュラムが間違ってない？とか感じます。

別にCPUの仕組みやプログラミング思考とかを全員にみっちり教える必要はなく、むしろOSとアプリの違い、ローカルとクラウドの概念、権限と共有、スクリーンショット、エラー報告の仕方といったあたりはしっかりと身に着けられるカリキュラムがよいのではないかなと思います。社会人の新人研修でも、原理原則、理論偏重のきらいがありますが、もっと即物的なテクニックを学んだうえで、興味を持った人 (※) にさらに原理原則を教えていくほうが、理論と実践が結びついた教育になるのではないでしょうか。

※学校教育でも新人研修でも、「興味を持った人にだけ」というのは実質的に不可能なのですが。

ごあいさつ

Thu, 03 Nov 2022 00:00:00 +0000

最初の投稿です。鶴見教育工学研究所のブログにアクセスいただき、ありがとうございます。

鶴見教育工学研究所は、横浜市鶴見区で研修・人材育成サービスを営む田中健太の個人事業です。法人ではありません。自営業者の屋号なので、「八百〇」とか「魚〇」、「〇〇ベーカリー」といった店名と同じです。

事業自体は、2018年より行っております。以前は (開業当初になんとなく決めた) 別の屋号を使っていましたが、2022年秋に、名称を変更しました。…それもまた、「なんとなく」なのですが。5年ほど事業に取り組んできて、今後の方向性として「地域・地元」というところにフォーカスしてみようかと考え、居住地の「鶴見」を名乗ることにしました。¹

私の経歴やこれまでの実績については、Webサイト²をご覧ください。もともと、大学院で教育工学³を研究していたので、それも屋号に取り入れることにしました。

Webサイトとこのブログは、それぞれ統計解析のためのプログラミング言語 “R” のパッケージであるportfoliodownとblogdownで作成しました。作成したソースファイル (.Rmd) をblogdownパッケージの build_site() 関数でHTMLに変換し、WebホスティングサービスNetlifyにアップロードして公開しています。⁴ちなみにドメインは、10年ほど前から使用しているものです。.bi は、アフリカのブルンジ共和国のものだそうです。

記事をR Markdownで作成しているので、Rプログラムを自由に組み込むことができます。

library(GGally)

ggpairs(data = iris,
        mapping = aes(color = Species),
        upper = list(continuous = "smooth"),
        lower = list(combo = "facetdensity"),
        diag = list(continuous = "barDiag"),
        cardinality_threshold = 30)

近年では、reticulateパッケージを使い、RからPythonを呼び出すことも容易にでき、もちろんR Markdownの中でも使えます。

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

iris = load_iris()
plt.scatter(iris.data[:,0], iris.data[:,1], c=iris.target)

さまざまなブログサービスよりも、プログラムを (自分にとって) 手軽なかたちで書けるので、blogdownでサイトを構築することにしました。このブログでも、何かしろ皆様の役に立つようなことも発信していこうと思っています。⁵

これまでの事業も継続しつつ、「地域・地元」という新しい領域にも取り組んでいきたいと考えておりますので、何卒よろしくお願いいたします。

「横浜」だとなんか大きすぎるので (笑)。 ↩︎
このブログも「Webサイト」ですが。 ↩︎
イマドキは “EdTech” とか言いますが。 ↩︎
ほとんど公式ドキュメント頼みで、詳しくはわかっていませんが。 ↩︎
大半は、役に立たない雑記になると思いますが。 ↩︎