【AISC紹介】「先進技術により事業に貢献する組織」のデータサイエンス研修
はじめに
株式会社GA technologies（以下GA）の研究開発組織であるAdvanced Innovation Strategy Center（以下AISC）に所属している宋です。
AISCは「先進技術により事業に貢献する組織」として、技術の追求にとどまらず、研究・開発・企画を一体で進め、プロトタイプを現場に展開し、お客様からの早期フィードバックを研究開発に反映させながら、事業成果につなげることを重視しています。
その事業貢献の基盤となるのが研究力です。私たちは、研究力は図に示すように、「専門知識」「アイデア発想」「研究計画」「研究実行」「発表」といった要素で構成されていると考えています。
今回はこの図の中の「専門知識」に焦点を当て、AISCにおけるデータサイエンス（以下DS）研修について説明します。
この研修は、単にスキルを学ぶためのものではなく、「事業の課題に向き合い、技術で価値を生み出す力」を育成することを目的としています。そのため、基礎から実践までを体系的に習得できるだけでなく、不動産業界の実データや実問題に取り組む課題を通じて、データドリブンな思考を身につけられるカリキュラムになっています。
今回は、AISCが実施しているDS研修の全体像と、その意図や構成について公開することで、AISCがどのようにして技術と事業価値を結びつけようとしているのかを具体的にお伝えします。
DS研修カリキュラム
具体的なカリキュラムとしては以下の通りです。（これらすべてを一度に学ぶのではなく、それぞれのコースを必要になった際に学びます。）
統計学基礎とA/Bテスト
統計学と統計的因果推論の基礎概念を学び、実務で活用できるA/Bテストの設計・評価手法を身につける。
データに基づく意思決定の土台を築く入門編。
データ分析のサイクルと回帰問題
データ取得から前処理・可視化・回帰モデルの構築まで、データ分析の一連の流れを体験し、体系的に理解する。
実際の賃貸取引データでの賃料予測モデル構築や特徴量設計を通じて、実践的な分析力を養う。
モデル構築の実践と分類問題
分類問題を中心に、モデル構築から評価までを実践的に学ぶ。
顧客の属性（大学、会社）などのテキストの前処理方法を学ぶ。
ロジスティック回帰や評価指標の理解を通じて、予測モデル構築の基礎を固める。
画像処理
画像の数理的基礎（標本化・量子化）からフィルタ処理や変換、特徴抽出までを学ぶ。
画像をデータとして扱うための理論と実践をバランスよく習得する。
GIS processing
地理空間データの構造を理解し、空間結合やオーバーレイ解析などの実践的手法を学ぶ。
地図可視化までを通じて、空間データ分析の基礎力を養う。
因子分析
探索的因子分析を中心に、観測変数の背後にある潜在構造を明らかにする手法を学ぶ。
データの構造理解と尺度構築の基礎を身につける。
多変量解析
一般化線形モデルやベイズ統計モデルなど、多変量データを扱う高度な分析手法を学ぶ。
複雑な現象を統計的にモデリングする力を養成する。
自然言語処理の基礎
トークン化やベクトル化などの前処理から、BERTを利用した実データの分類までを体系的に学ぶ。
テキストデータを定量的に扱うための基礎技術を身につける。
LLM
Transformerの概念を理解し、プロンプト設計やRAGなどLLM活用の実践手法を学ぶ。
大規模言語モデルを業務に応用するための基礎力を養う。
機械学習
教師あり学習・教師なし学習の全体像を俯瞰し、正則化やSVM、ツリーモデルなどの主要アルゴリズムを学ぶ。
モデルの性能向上と解釈手法まで理解する。
深層学習
ニューラルネットワークや誤差逆伝播法の基礎から、CNN・Transformer・生成モデルまでを概観する。
画像・系列データ・生成タスクへの応用力を育成する。
数学
教科書ベースに線形代数・微分積分・最適化など、機械学習を支える数学的基礎を体系的に復習する。
理論を理解し応用できるための数理的思考力を養う。
DS研修の作成思想
ここで、DS研修のメイン作成担当者の三田さんにいくつかの質問をしてみました。
Q.DS研修はどういうふうに実施されるのですか？
三田：研修のための教材があるので、それに取り組んでいただきます。教材は教科書のような形式ではなく、特定の分野を理解するうえで重要な概念の理解を問うような課題が並んでいる形式になっています。受講者はそれらの課題を解くために、指定された教科書・参考図書を読んだり、生成AIに質問したりしながら、自主的に学習を進めていくスタイルになります。ただし、受講者はずっと一人きりというわけではなく、1人の受講者につき1人の先輩社員がメンターとなり、受講者が出した解答についてディスカッションやフィードバックを行います。フィードバックは週1回程度の頻度が目安ですが、業務の忙しさや進捗状況に応じて柔軟に対応しています。時間としては基本的に業務時間の10％（例えば1日8時間勤務の場合は約45分）程度の時間を使って学習を進めることができます。
Q.DS研修はどのようにして作られたのですか？
三田：DS研修の始まりは、メンバーの能力、特に統計学や機械学習の専門知識のレベルアップと、業務パフォーマンスの向上を目的とした研究プロジェクトとしてスタートしました。その後、FY25年頃からAISC全体に拡大され、「AISC大学」という名前で実施されています。
研修コンテンツの作成には、特定の分野（画像処理や自然言語処理など）の専門家が関わっています。彼らはメインの担当者となったり、アドバイザーとして参加し、若手メンバーがOJTとして学習しながらコンテンツを作成するチーム体制が取られています。コンテンツの内容が低レベルに見えないよう、機械学習コースでは論文の数式に基づく実装など、具体的な内容を付記します。
Q.アップデートはどのような基準で行っているのでしょうか？
三田：コンテンツ作成においては、陳腐化しにくく、役に立つ時間が長そうなものを意識して選んでいます。
例えば、流行の最新アルゴリズムよりも、分野を理解する上で重要な歴史的経緯や基盤となる知識に重点を置いています。
また、業務での使用頻度が高まった技術（例：因果推論）も、コンテンツに追加する対象となります。
Q.今後の課題などはありますか？
三田：生成AIを活用した学習効率の向上を考えていきたいです。教科書など静的な教材は多くの人が理解できる一般的な説明になりがちですが、生成AIを使って個々の受講者にパーソナライズされた説明が動的に生成できればより良い学習体験を提供できるのではないかと可能性を感じています。
現状はメンターによるフィードバックが各受講者に合わせた説明を担っていますので、生成AIの活用はメンターの運用負荷削減のために使うこともできます。しかし、学習へのモチベーション維持や、受講者の理解不足な点を気づかせるためには、メンターの存在が重要であると考えております。例えばメンターは質問に答えたり、専門的な豆知識を提供したりすることで、受講者が孤独な学習になってモチベーションが低下することを防ぐ役割を果たしています。そのため、単に「AIメンター」を作って置き換えればいいわけではないとも思っております。現状の運用方式の良さを残しつつ、よりよくできるあり方を模索していきたいと思います。
いかがでしょうか？この記事が、データサイエンス人材の育成に課題を感じている方々にとって、何らかのヒントや参考となれば幸いです。
