とあるデータサイエンティストの一日、10日目

データサインティスト初心者のぬる~い業務内容を振り返ります。

本日はデータサイエンティストらしい仕事をしました。

内容はとある工場のお客様から製造プロセスに関する課題を聞き出し、明確化する仕事です。

しかし、実際はそううまくいきませんでした。なぜなら、直接お客様から課題感を聞けたのではなく、うちの営業からの又聞きとなったからです。

お客様の思いと営業の解釈は必ずしも、というかほとんど一致しません。この差を補正して本当にお客様の思いを形するのもデータサイエンティストの立派な仕事の一つです。

1日のタイムテーブル

【Day 10】

本日は在宅にて仕事です。

  • 8:30 起床
  • 9:00 業務開始、さっそく社内打合せ
     以下営業からのお話し。
    • お客様はとある工場
    • 課題としては、製品がある加工をする際に位置ズレしてしまい、それをオペレータが手で直していることによる時間ロス、いわゆるチョコ停の改善
    • データはある!(何があるのかは不明)
    • 写真を撮って画像解析を検討中(何を解析するのか不明)
    • とりあえずAI使ってどうにかできないの!?※弊社営業による解釈
    • 弊社営業的には2日間でAI導入ができそうか判断したいからコメントくれ
  • 10:00 案の定うちのリーダーぶちギレですよ。。。
    • まず、絵が浮かばない。とりあえずパワポで営業の言ったことを絵にしましょう
    • とりあえず、画像解析でズレ位置とか特定できちゃうようなら、AI導入なんて必要ないんですよね。AI導入が本当に必要かどうか、検討してみると意外といらないねってなるパターンの予感しかないです。
    • そもそも、前工程でしっかり寸法測定して、各々のズレ量に合わせてロボットが動くような工程にしておけば、人もAIもいらないんですが…
    • ちなみに元製造業出身としては、営業のよくわからん話よりまずは工程を見せろや!とよく思います。
    • 工程見学したいのは営業を責めてるわけではなく、変な誤解を防ぐためです。
  • 11:00 拙い営業の言葉から想像(そして創造)するパワポ作成
    • よくコンサルが使う”As Is”と”To Be”の絵を書いてみました。
    • こんな感じ
    • リーダーからは「うん、わかりやすい!」の一言いただきました。が、結局リーダーも営業の又聞きの話しか聞いていないのでこの資料が良いかどうかの判断はできません。
  • 11:45 昼食
    • 前日の夕飯の残りにマヨネーズをかけて食べるスタイル。スタイリッシュ・マヨ!

~~前半戦終了~~

  • 13:00 ML Opsに関するトレーニング
    • ML Opsは前にも書いたかもしれませんが、ここまでたどり着ける会社は極一部です。
    • それだAI運用で利益を出していくのは難しいということ。
    • Pythonで作ったモデルや、ツールで作ったモデルを一括管理し、開発スピードを飛躍させるのがML Opsの考え方です。
    • システムに組み込まれたモデルや実務で使われているモデルの精度やエラー等を監視していきましょうね~というお話し。
    • 困ったことにモデルを作成したときに使ったデータと、実際に予測を行うときに使われるデータの特性がズレることがあります。これをデータドリフトと呼んでます。
    • エラー(予期しない入力があった等)、やデータドリフトといった不具合を検知し、管理者に通知してくれる仕組みってビジネスをやっていくうえで非常に重要です。
    • というようなトレーニング内容でした
  • 18:00 ラップアップ

以上でございます。

 

本稿の冒頭でお客様の思いと営業の会社は一致しないと言いました。

これは非常に大事な前提です。

営業の言うことを鵜呑みにせず、与えられた情報から的確な提案内容を検討するのが優秀なデータサイエンティストです。

まぁ、無理ですよね。これが完璧なデータサイエンティストが存在しない理由の一つだと思っています。

そして、ML Opsは奥が深い。DEV Opsなんて言葉もありますが、モデルやプログラムを作って終わり!じゃ仕事にならないんですね。しっかり使うところまでを考慮しないと。

成果物

  • 営業のイメージパワポ
  • ML Opsに関する知識

以上!

コメント

タイトルとURLをコピーしました