次世代の機械学習・AIエンジニアの育成

ポッドキャスト『Augmented Ops』の最新エピソードでは、メリーランド大学産業AIセンター所長のジェイ・リー博士を迎え、応用AIと教育の役割について深く掘り下げました。「AIへのアプローチを再考する」と題されたリー博士との対談では、機械学習とAIが現場の業務にもたらす価値や、次世代のAI・MLエンジニアを育成するために教育プログラムがどのように適応すべきかについて議論しました。

産業界、政府、学術界における豊富な経験を持つリー博士は、機械学習ツールを活用して現実世界の問題を解決する方法や、現在のAI／ML教育のアプローチにおける課題について解説しています。同氏は、製造業における高まる需要に応えるために必要な数のエンジニアを育成するため、自身がメリーランド大学（UMD）の産業AIセンターで構築しているような新たな教育プログラムの必要性を強調しています。

リー博士は、AIを実際の業務上の課題解決に応用することで価値を創出するための枠組みを提示しています。これは、技術、ツール、人材という3つの側面から構成されています。 第一に、技術はAI／MLソリューションの基盤となります。利用可能な機械学習の技術や手法が洗練され、新たなものが開発されるにつれ、問題に対処する新たな方法が拓かれたり、従来の方法がより効率的になったりします。例えば、トランスフォーマーモデル（2017年に初めて提案された）の開発により、自然言語処理（NLP）やその他のタスクにおいて、大幅な性能向上が実現しました。

次に、人々がその技術を活用し、その技術を使って問題を解決できるツールが必要です。例えば、NLPタスク向けの技術（OpenAIのGPT-1、2、3といったトランスフォーマーモデルなど）は以前から数多く存在していましたが、一般には広く普及していませんでした。OpenAIが、既存のモデルと対話するための直感的なインターフェースを備えたChatGPTをリリースして初めて、この技術を一般の人々の手に届け、大規模に利用できるようになったのです。

最後に、こうしたツールを活用し、問題解決に役立てることができる人材が必要です。リー博士が説明するように、「最大の課題はAIの技術そのものではなく、人材にある」のです。 例えば、ChatGPTは現在広く利用可能ですが、このツールを最も効果的に活用するには、プロンプトエンジニアリングのスキルや、基盤となるモデルの仕組みを理解するといった特定の能力が求められます。しかし、リー博士は、現在の教育の枠組みでは、ML／AIエンジニアへの需要に応えるために必要な人材の育成を支援する体制が整っていないと指摘しています。

リー博士はさらに、誰でも効果的な機械学習／AIエンジニアになるためのトレーニングが可能であることを説明し、その実現に向けたカリキュラムの構成に関する自身のビジョンを提示しています。彼のアプローチは、「原理に基づく学習」「実践に基づく学習」「プロジェクトに基づく学習」「専門性に基づく学習」という4つのステップに基づいています。

原理に基づいた学習は、最初の、そして最も基本的なステップであり、学生はここで機械学習とAIの中核となる概念を学びます。これは、独学で行うことも、あるいはこれらの基礎を教えるコースを受講することでも達成できます。

次は実践型学習です。リー博士の説明によると、彼は学生たちに、長年にわたり業界全体で収集された実世界のデータセットを提供し、彼らがスキルを磨ける現実的な環境を整えています。リー博士によれば、この段階は「最も重要」とのことです。 この実践的な学習段階では、学生はこれまでに学んだ概念を応用し、データに示された問題を解決する課題に取り組みます。提示された問題は既に解決済みのものであるため、これらのデータセットは学生の成績を評価するための基準となります。

次に、プロジェクト型学習が行われます。リー博士が説明するように、これは学生たちが「実際の製造現場」に出向き、データを収集して独自のデータセットを構築し、それに基づいて自身の能力を検証するというものです。学生たちが、学んだ知識を活用して現場で現実の問題を一貫して解決できる能力を示せば、最終段階へと進むことができます。

実務ベースの学習は、AI／MLエンジニアとしての専門家になるための道のりの最終段階であり、これを無事に乗り越えることは、これまで習得してきた概念やツールを真に習得していることを示すものです。この最終段階では、他の学生を最初の3つのステップを通じて指導し、彼らの教師としての役割を果たすことが求められます。「[リーンシックスシグマ]のマスターブラックベルトのような存在でなければならないのです」とリー博士は説明します。

しかし、産業界の急速に高まる需要に応えるためには、こうした教育活動を大規模に展開する必要があると、リー博士は明言している。「私たちの目標は、10年間で1万人のエンジニアを育成することです」と彼は説明する。この目標を達成するため、リー博士は自身の戦略の3つの柱――大規模かつ迅速、そして体系的なエンジニア育成――を提示している。

リー博士にとって、規模は極めて重要です。「大規模なトレーニングを行うべきだ」と彼は説明します。「1人ではなく、1,000人、10,000人規模でやるべきだ」。この規模がなければ、特に国内製造業への注目が高まっている現状において、産業界のニーズを満たすのに十分な有能な人材を確保できなくなるリスクがあります。こうした取り組みの成功にとって、そのスピードも同様に重要です。 「AIは場当たり的に学ぶだけではいけません」とリー博士は主張する。「AIを開発し、テストし、2日以内に実装しなければならないのです」。この迅速な学習モデルにより、学生は最新の技術や手法を素早く習得でき、従来よりもはるかに短い期間で即戦力となることができる。

トレーニングを体系的に実施することも、彼の戦略を成功させるための鍵となります。従来の機械学習（ML）や人工知能（AI）の教育では、学生が使用するモデルが必ずしも一致していないため、事態が複雑化しています。つまり、ある学生が特定の状況で問題を特定できたとしても、まったく同じモデルを使用している別の学生にはそれができない可能性があるのです。 その結果、学生の成績を正確に評価することが難しくなります。リー博士は、学生の習熟度を体系的に評価するためには、「判断を下すための一貫した方法が必要だ」と説明しています。これら3つの原則があれば、学術界は製造業が必要とする数のエンジニアを育成できると彼は確信しています。