内定獲得のために外せないポイント！【未経験からAIエンジニアへの転職】

（2022.09.17更新）

AIエンジニアやデータサイエンティストを目指している方々、日々膨大な量の勉強、お疲れ様です。今更ですが、AIエンジニアやデータサイエンティストに求められるスキルって、マジでキリがないですよね。。。数学や統計に始まり、プログラミングやら機械学習やら、ディープラーニングやら、クラウドやら、データベース（SQL）やら、画像認識やら、自然言語処理やら、その他IT全般まで。。。

ちなみに、（一般社団法人）データサイエンティスト協会がデータサイエンティストに求められるスキルセットのチェックリストを公開しているのですが、そのボリュームにマジで頭痛・めまい・吐き気を覚えます。。。これら全部を習得できるのって、いつになるんでしょうか？・・・

今の勉強を続けていて本当にAIエンジニアやデータサイエンティストになれるのか不安になってきませんか？少なくとも私は不安でした（私の場合、業界も職種も未経験でかつ、年齢も30半ばだったので）。これだけ膨大な量となると勉強が行き詰って、気づいたら転職する機会を逃していたとか、最終的に転職を諦めてしまったという方々が続出してしまいかねません。

でも安心してください。

３０代、未経験からでもAIエンジニアになれた私が断言しますが、これら全てのスキルを身につける必要はありません。実際に私が持つスキルは歯抜けだらけですが、それでも採用されました。それはなぜでしょうか？採用側がバカだったのでしょうか？私が職歴詐称を働いたのでしょうか？・・・念のため、両方否定しておきます。

答えは、自ら新しい技術を学んで実際の課題解決に活用した経験をアピールしたからです。

結論、AIエンジニアやデータサイエンティストとして採用されるかどうかは、「あなたの身の回りの課題解決にAIやデータサイエンスを適用した経験の有無」に掛かっています。

資格や勉強内容ではなく、課題解決経験を売れ

まず、採用する側が興味あるのは、あなたの勉強の頑張りでも、資格の有無でもありません。「会社に入ってもらって、自社の課題を（AIやデータサイエンスを使って）解決できるか」の一点に尽きます。

よって、アピールすべきは「実際の課題解決にAIやデータサイエンスを適用した経験」の一択です。まずあなたがやるべきは、細かな理論を１から１００まで全て理解して頭に叩き込むことでも、必死に資格を取ることでもありません。

まずは、「AIやデータサイエンスで何ができるのか」という概要を押さえた上で、最初にあなたの身近な課題の解決に適用できないかを考える。その後に実際に必要となるAIやデータサイエンスの細かなスキルの修得や細かな理論の理解の順です

この順番を間違えると、はっきり言って一生課題解決に辿りつけません。。。スキルや資格の取得に膨大な時間を投下した挙句、選考では勉強内容や資格のアピールしかできず、採用の面接官に「あなたはうちに来てどんな課題解決（貢献）が出来ますか？」と問われても、何も言えない悲しい結末になります。

（ｂy北島康介）

喩えるなら、サッカー選手になりたいのに、ボールを蹴らず、走る練習やボールの素材について調べてアピールしている感じでしょうか。早くボールを蹴って下さい（笑）。

こうならないためにも、お願いだから教科書の１ページ目から始めないでくださいね。せっかくの努力も採用に繋がらない上、面白くないし、先が見えなくて１００％挫折します。

AIやデータサイエンスで解決できるような身の回りの課題は、業界や職種問わず、現職の中で見つかるはずです。「データ」や「数字」が絡まない仕事の方がレアケースだから、探せばいくらでもありますよ。営業なら顧客のデータ、調達なら受発注のデータ、製造なら製造や品質データ。などなど、事例探しに参考になりそうなサイトもあります。もし探し回っても良い課題が見つからない方は、kaggleやSignate等のデータ分析コンペを題材にしても良いです。コンペなんて！いきなりそんなハードルの高いことできないよ！と思われるかもしれませんが、失敗してもいいんですよ。失敗ってアピールになるんです。なぜなら「挑戦しないと失敗できないから！」
なので、どんどん挑戦してアピールポイントを作りましょう！「一番の失敗は挑戦しないこと」と胸に刻みましょう。

早いですが、今日はこんなところでお開き。この記事が、一人でも多くのAIエンジニア、データサイエンティストを目指す方の助け（ヒント）になることを祈っております。ご意見やご質問があれば、お気軽にお願いします。それでは、引き続き頑張ってね。

ご参考

取っ掛かりが分からない方のために、私が活用して良かったものを紹介しておきます。

AIやデータサイエンスの概要はここから

・人工知能は人間を超えるか/角川
機械学習やディープラーニングをやるなら外せない一冊。AIブームの中で何が起きているのか、何が出来るのか。ディープラーニングの世界にどっぷりハマれるはず。私の人生が変わった本です。

まずはモチベーションUPからという方はこちら

・シンニホン
これを読んで心が揺さぶられないなら、データサイエンス・AIは向いてないので他の分野に進んだ方が良いです。

・Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦
AIベンチャーがどのような思いで世の中の課題解決に取り組んでいるか。熱風を浴びることができる。

AIのビジネス活用、課題解決のための戦略はこちらから

・ダブルハーベスト――勝ち続ける仕組みをつくるＡＩ時代の戦略デザイン
AI活用方法に関する最先端でかつ本質的な内容。現職にてAIを使って「勝ち続けるループ」をどうやったら回せるか非常に考えさせられる。他社の事例が多く、非常に参考になります。

・仕事で始める機械学習
機械学習やデータ分析を仕事に活かす際に道しるべになる一冊。仕事に活用するイメージが湧きます。理論については深入りする必要ありません。

・AI・データ分析プロジェクトのすべて
まさにデータサイエンティストの仕事の概要・肝・ノウハウが理解できる。仕事を進める上での困りごとは大体網羅できていると思われる。

AIの理論を学ぶ際はこちらから

やる気も充分高ぶって概要を理解し、仕事への活用イメージが湧いたら、それに必要な理論の習得へ。

・【Coursera】Supervised Machine Learning: Regression and Classification

スタンフォード大学の機械学習の講義（オンラインでいつでも受講できます）。講義は英語ですが日本語字幕もあるので安心して初めて欲しい。本当に分かりやすくて面白い。私はこの授業で機械学習にのめり込んだ。この授業のクオリティで無料という驚愕の事実。修了書は職務経歴書にも記載可能。

・【Udemy】【前編】米国データサイエンティストがやさしく教える機械学習超入門【Pythonで実践】

日本語で学ぶならこちらの講座がおすすめです。ハンズオン形式なので学習して終わりになりづらく、コードを実務にそのまま応用出来ます。モデルごとの性能比較もあり、特徴や理論を理解しやすいです。また、プロの実装過程を見れる点も良いです。こちらは機械学習の回帰のみで、分類は後編になります。

Udemy講座はこちら

プログラミングに挑戦する際はこちらから

機械学習を実装するにはプログラミングのスキルが必要になります。

・【技術ブログ】データサイエンスのためのPython入門講座

米国で働く現役のデータサイエンティストから学べるPython講座（技術ブログのため無料）
データサイエンスで必要な主要ライブラリの使い方を丁寧に解説してくれている。エクセルでまだ頑張っている方は、この際にpythonに置き換えちゃいましょう。挫折しないために懇切丁寧に解説してくれているので未経験でも安心して進められる。

上記と重なる部分もありますが、こちらでAIエンジニアになるために私がやった独学内容を公開してます。

実務で役立った教材も紹介しています。

今日はこの辺で。最後まで読んで下さりありがとうございました。