町田 雄一郎

現場の中で共有されてきたイメージ通りの結果が出たときは、うまく分析できたと同時に、あまりインパクトある結果は出せていないことになります。

予想と違うデータが出てきた時、そこから新しい何かを作っていくのはすごく楽しいです。

ほとんどの場合、データはきれいに整理されてません。

データサイエンスを学ぶ段階ではきれいなデータが簡単に手に入りますが、現場でそういったデータに出会うことはまれです。

PDFからきれいに文字列を取り出したり、ラベル付けの作業マニュアルを作って作業者に指示したりと、煩雑で泥臭い作業に向き合う必要もあります。

https://developers.google.com/machine-learning/guides/rules-of-ml

書籍ではありませんが、実応用する際には大変重要な考え方がまとまっていると思います。

全体としてシステム・サービスを改善していくためには、幅広い要因を考えながら、改善を繰り返していく必要があります。そのためにどういうステップで進めていけばよいか、どういう視点で分析・モデル開発をするべきかということがまとまって...

ほとんどのケースでは最高精度を出す必要はなく、最新の手法を使う必要もありません。

実現したいことが満たせる最もシンプルな方法を使って、早くユーザー・関係者からフィードバックをもらって検証することが大事です。

分析やモデル作成は課題解決のために必要な作業であって、それが目的ではありません。

複雑なことをやるよりも、まずはシンプルに進めてすぐに反応をもらうことが大事です。