次世代ML/AIエンジニアの育成

Augmented Opsポッドキャストの最近のエピソードでは、メリーランド大学のインダストリアルAIセンターのディレクターであるジェイ・リー博士を迎えて、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」と題したリー博士とのディスカッションでは、機械学習とAIが最前線のオペレーションにもたらす価値と、次世代のAIおよび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しなければならないかを探りました。

産業界、政府機関、学界での豊富な経験を持つリー博士は、実世界の問題を解決するために機械学習ツールを適用する方法と、AI/ML教育に対する現在のアプローチの何が問題なのかを説明します。彼は、UMDの産業AIセンターで彼が構築しているような新しい教育プログラムの必要性を強調しています。

リー博士は、実際の業務上の問題を解決するためにAIを適用し、価値を創造するためのフレームワークを示しています。それは、テクノロジー、ツール、人材という3つの側面から構成されています。まず、テクノロジーは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技術やテクニックがより洗練され、新しいものが開発されるにつれて、問題に対処するための新しい方法が開発されたり、旧来の方法がより効率的になったりします。例えば、（2017年に初めて提案された）トランスフォーマ・モデルの開発により、自然言語処理（NLP）やその他のタスクで大幅な性能向上が可能になりました。

次に、人々が技術を活用し、その技術を使って問題を解決できるようにするツールが必要です。例えば、NLPタスクのために利用可能なさまざまな技術（OpenAIGPT-1、2、3変換モデルなど）はありましたが、一般に広く採用されることはありませんでした。一度だけ OpenAIがChatGPTをリリースして初めて、これらの既存のモデルと対話するための直感的なインターフェイスを提供することで、この技術を大衆の手に届け、大規模に使用できるようになりました。

最後に、それらのツールを活用し、問題解決に活用できる人材が必要です。リー博士が説明するように、"AIにおける最大の課題は技術ではなく、才能です"。例えば、ChatGPTは現在広く利用できるようになりましたが、ツールを最も効果的に使用できるようになるには、迅速なエンジニアリングや基礎となるモデルがどのように機能するかを理解するという形で、特定の才能が必要です。しかし、リー博士は、現在の教育パラダイムは、ML/AIエンジニアの需要を満たすために必要な才能の開発をサポートするように設定されていないと主張しています。

リー博士はさらに、誰もが効果的なML/AIエンジニアになるためのトレーニング方法を説明し、そのためにカリキュラムをどのように構成すべきかというビジョンを示しています。彼のアプローチは、原理、実践、プロジェクト、プロフェッショナルベースの学習という4つのステップに基づいています。

原理ベースの学習は、機械学習とAIの中核となる概念を学ぶ、最初で最も基本的なステップです。これは、独学で行うこともできますし、これらの基礎を学ぶコースを受講することもできます。

次に、実践ベースの学習です。リー博士が説明するように、彼は長年にわたって業界全体で収集された実世界のデータセットを学生に提供し、彼らがスキルを磨くことができる現実的な環境を作り出しています。リー博士によれば、この段階が "最も重要"。この実践的な学習段階では、学生は以前に学んだ概念を応用して、データに示された問題を解決することが課せられます。手元の問題は以前に解決されているので、これらのデータセットは生徒の成績の基準となります。

次に、プロジェクトベースの学習です。リー博士が説明するように、これは生徒が「実際の製造環境」に出てデータを収集し、自分たちの能力を試すためのデータセットを構築するものです。学習したことを使って、現場の現実の問題を一貫して解決する能力が実証されれば、生徒は最終段階に進むことができます。

プロフェッショナル・ベースド・ラーニングは、AI/MLエンジニアのエキスパートになるための最終段階です。この最終段階は、最初の3つのステップを通して他の生徒を指導し、彼らの教師として行動することです。「リー博士は、「あなたは、（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にならなければなりません。

しかし、急成長する産業界の需要に応えるためには、こうした教育を大規模に行う必要があるとリー博士は明言します。「10年間で1万人のエンジニアを育成することです」。この目標を達成するために、リー博士は戦略の3つの柱を掲げています。

リー博士にとって、規模は非常に重要です。「1人ではなく、1,000人、10,000人です」。このような規模でなければ、特に国内製造業への注目が高まる中、産業界のニーズに応えるだけの有能な候補者を確保できなくなる危険性があります。こうした取り組みの成功にとって同様に重要なのは、そのスピードです。「AIの開発、テスト、実装を2日間で行う必要があります」。この迅速な学習モデルにより、学生は最新の技術や方法論に迅速に対応できるようになり、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ます。

トレーニングを体系的に行うことも、彼の戦略を成功させる鍵です。従来のML/AI教育は、生徒が使用するモデルが必ずしも一致しないという事実によって複雑になっています。つまり、ある生徒がある状況で問題を特定しても、まったく同じモデルを使う別の生徒が特定しないことがあるのです。その結果、生徒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、生徒の成績を体系的に評価できるようにするためには、「一貫した方法で判断を下す必要がある」と説明します。この3つの原則があれば、製造業が必要とする大量のエンジニアをアカデミアがうまく養成できるとリー博士は考えています。