昨日データ構造とアルゴリズムの知識について、悩ましい、と表現した。プログラミング言語を学ぶときに、何をどこまで学ぶのかは難しい問題である。
Pythonの指導講座は、無料で多数公開されているが、技術者が学ぶに適した講座は無い。理由は簡単で、Pythonを単なるプログラミング言語として教えている。
Pythonの特徴は、スクリプト言語であり、構造化プログラミングが可能で、オブジェクト指向言語である点だ。これを意識し、うまく技術者がサクサクプログラミングできるように指導するためには、教える内容を吟味しなければいけない。
とりあえず使えるレベルであれば、スクリプト言語の側面を強調して指導することになる。しかし、技術者にはこれでは不足している。
マルチパラダイム言語のPythonについて、どこまで学んだらよいのか、ご興味のあるかたは弊社にお問い合わせください。
カテゴリー : 一般
pagetop今や技術者は皆Pythonのスキルが常識となった。Pythonって何？と感じた技術者は、給与を返上した方が良い時代である。１０年前と技術者の仕事のやり方は大きく変わり、データサイエンスをバリバリ使う時代になった。
新しいテーマを担当した時に、フロントローディングで業務シミュレーションを行う時にPythonは不可欠である。もし、過去の実験データを活用できるならば、それを利用して精度の高い予測が可能だ。
ゴム会社で、京大や大阪大学の博士が１年かけて結論を出した問題をデータサイエンスによりその結論を一晩でひっくり返したところ、FDが壊れ始め、怖くなって二人転職し、結局狙われていた当方も転職している。
これは４０年近く前の実話で、当時はBASICでデータサイエンスを活用していた。マテリアルズインフォマティクスを先駆けて実践していたのである。この時代、データ構造とアルゴリズムの知識はプログラミングスキルとして重要だった。
しかし、今の時代、Pythonのモジュールを使用しスクリプト言語としてPythonを活用する限りにおいては、アンパックのようなその記述の仕方が独特な表現となる部分を勉強すれば不自由しない。
もちろん、今の時代でもデータ構造とアルゴリズムの知識があっても邪魔ではなく、Pythonのモジュール理解に役立つ。しかし、オブジェクト指向でプログラミングをする限りにおいて、知らなくても良い分野となりつつある。
ただし、Pythonで独自クラスを作成するなど自由自在にプログラミングしようとすると途端に重要な知識となるので、不要になった、とまで言えない悩ましい知識である。
カテゴリー : 一般
pagetop「The DIGEST」の記事に、スノボ選手団がエコノミーシートで帰国したことについて、成田童夢氏が次のような意見を述べたことが記事になっていた。
「『国の英雄』が心身ともに疲弊した状態で相応の待遇を受けられない。本当にこのままでいいのでしょうか？ この現状を変えていくべきではないのでしょうか？ これは単なる予算の問題ではなく、日本における『アスリートへの敬意』の現れだと思うのです」
なるほど、と。サラリーマン時代に、ある役員格ではない研究所長がビジネスシートに座っていたら、社長と役員が同じ飛行機に乗ってきてエコノミーに座ったので慌てた、という話を聞いたことがある。
部長以上はビジネスシートでもよいことになっているので問題ないのだが、飛行機の中で落ち着かなかった、という笑い話でもある。
もっとも、当時会社は赤字で、全社で節約が合言葉になっていた。ゆえに社長以下役員がエコノミーシートで海外出張に出かけているというのは、当たり前とも受け取れる。
一方、会社が赤字で節約が叫ばれているときに、規程通りビジネスシートに座っていた研究所長は、会社の事情を理解していないリーダーと評価できる。
航空機のシート問題について、ビルゲイツ氏は、同じ飛行機で同じ時間乗っているのに料金が異なるのはおかしい、といって、MS社長時代にエコノミーを選んで乗るので役員が困った、という逸話がある。
もし、JOCの役員がビジネスシートに乗っていて、選手がエコノミーならそれは大変おかしい話だが、JOCの役員がエコノミーを利用しているならば、選手がエコノミーでもおかしなことではないように感じる。
飛行機のシートで選手に対する敬意を表せる、と考えるような安っぽい問題をこれ以上議論するつもりはない。確かにビジネスシート以上は、CAからのサービスも異なり、リッチな気分になったりするが、これは敬意とは異なる問題のように思う。
エコノミーとビジネスシートの違いは、スペース以外にサービスの違いがある。しかし、その価格差が妥当なものか考察すると、ビジネスシート以上はエコノミーよりも異常に高いような気がする。
今LCC以外のJALやANAのエコノミーシートは、５０年前よりも少し快適になっている。選手団の飛行機がLCCならば当方も同情するが、ＪＡＬやＡＮＡ同等の便であればエコノミーでも問題ないと思っている。
ビジネスシートに座るかどうかは、スポンサーが判断すればよい。これを国民が判断すれば、メダルを取った人はビジネスシートでそうでない人はエコノミーシートという問題を考えることになる。
オリンピック精神が参加することに意義があるならば、メダル取得者とそうでない人で、飛行機の座席に差をつけるべきではない。ましてや、ＪＯＣ役員がもしビジネスシートに座っていたりしたなら、そのほうが議論すべき問題かもしれない。ＪＯＣ役員は選手のサービス係と国民は理解している。
カテゴリー : 一般
pagetop８ビットマイコンが登場し、それが普及し始めた頃の世界的な研究所における風景を昨日書いた。科学こそ唯一の哲学で、それ以外を排除する風土だった。しかし、データサイエンスの講座設立ブームが日本で起きていた時代でもある。
今環境問題の影響で急速に進んだEV車の普及に急ブレーキがかかった。トヨタ自動車はハイブリッド車を今の３倍以上生産する方針を発表している。
乗用車がすべてEVとなる時代は、夢と終わるのか、そのように思わせるような世界の動きである。しかし、ハイブリッド車や日産ePowerの貢献もあり、エンジン車よりも快適なモーター駆動の世界を人類は知ってしまい、ガソリン車に戻るとは思えない。
このような歴史の歯車の動きがスムーズではない時代とは、新たなイノベーションが求められている時代なのだ。これはコンピューターの普及から５０代以上の人は経験しているはずである。
１６ビットコンピューターが登場した時にIBMは、パソコンのアーキテクチャーをすべて公開した。このIBMの英断により、一気にハードウェアーはIBMのアーキテクチャーが標準となり、IBMはソフトウェアーで稼ぐ道を選んでいる。
この時にマイクロソフトが急成長し、W95が世界の標準となった出来事にびっくりした人は多いのではないか。そしてLINUXやPythonなど無料の良質なソフトウェアが登場し、現代にいたる。
EVの普及に何か足りないと感じている人は、イノベーターになれる可能性がある。未来がエンジンとモーターを動力とする時代なのか、１００％ＥＶ車なのか、これは今更語る必要のない結論が出ている。
カテゴリー : 一般
pagetop５０年近く前、重回帰分析や主成分分析を１回行うだけで、使用部門には２０００円程度の負担が求められた。この金額は当時NTTの提供しているサービスより少し安い金額と言われていた。
それでも、コンピューターを使用すると周囲から白い目で見られていた。タイヤのトップメーカーゆえにゴムやゴム薬などを材料メーカーから無料で調達できたので、ゴムの研究について年間人件費以外かからないテーマもあった。
そのような状況なのに、研究テーマ管理について成果を投入金額で割って評価する方法がとられ、本部長は、何故ゴムのテーマ以外育たないのかと嘆いていた。
さらに、材料の研究を行うのにどうしてコンピューターが必要なのか、といわれるような時代でもあった。しかし、８ビットのパソコンが普及し始めると少し事情が変わってきた。
当方は上司が保証人となって８０万円のローンを組むことになる。OA委員会が研究所内にできてプログラム開発するにあたり、英語論文を書くようにプログラムを開発すれば良いと言われた。
プログラム開発にはパソコンが必要と説明しても、いろんな種類のパソコンが出ていて、半年後には新しいパソコンが安くなっているかもしれない、などと心無い後ろ向きの発言をする人もいた。
当方がプログラム開発にはデバッグ作業が伴うので、パソコンが絶対に必要だと説明しても、そんなに必要ならば自分で買え、そうすれば毎月のコンピューター使用代金も節約できる、と上司から言われてMZ80Kを一式購入することになった。
当時本体は２０万円台で購入できたが、FDが３０万円以上していた。また、FDを制御するためには専用のOSが必要であり、プログラム開発環境も含めると８０万円かかった。
会社の仕事をやるのにコンピューターの費用に関しては、個人の負担が求められた時代である。原因は、コンピューターというものがどのようなものなのか理解できていない人が大半だったからである。
やがて世界のトップメーカーになる企業の研究所でさえ、コンピューターに対してこのような認識だった。データサイエンスに対して無関心どころか仕事中にやるべき科学の研究ではない、ぐらいの意見を平然と述べる人もいた。
これが１９９０年代には少し改善されるが、データサイエンスを用いて一晩で問題解決したところ、FDを壊されたり、机の上にナイフを載せられたりする事件が起きた。あまりの出来事に当方含め３人が転職している。
ところが２０１２年にはアカデミア発マテリアルインフォマティクスのブームが起き、データサイエンスは材料研究者の常識になった。これはパソコンが一人１台以上使える時代になっただけでなく、関連ツールが無料で入手できるようになった影響がある。
AIを使用したプログラム開発環境さえ無料で手に入るのだ。ものすごい時代になった、と思う。もう、Pythonをエクセルと同じように使えなくてはいけない。
Pythonで解析し、必要ならばエクセルファイルを自動で吐き出す時代である。ＴMの解析プログラムコードもデータが入力されればプログラムが出てくる便利さとなる。詳細は弊社へ。
カテゴリー : 一般
pagetopある都議のノートPCが話題になっている。天板一面にアニメのキャラクターシールが貼られており、それを議場で使用している姿の写真をSNSに公開したところ、賛否両論出てバズっている。
キャラクターシールの貼られたPCを前に笑顔の都議の写真を見た人で、好意的に感じた人とそうでない人に分かれている。
好意的に感じた人は、シールがアニメだったことから日本が今海外に売り出している文化を愛する都議と感じたのかもしれないが、そうでない人はどのように感じたのだろうか。
好意的に感じた人でも文化面から感じたのではなく、この都議の笑顔から好意的に感じたのかもしれない。一方好意的に感じなかった人は、議場という場所との不整合あるいはそれ以外の理由で嫌悪感を示したのかもしれない。
このように、AとnotAに分かれていく事象について解析するときに、機械学習の手法として決定木が使われたりする。AIブームなので深層学習でパーセプトロンのアルゴリズムを持ち出す人もいるかもしれない。
しかし、SNSでバズって様々な意見が出ているならば、意見の要素を取り出して、素直に多変量解析を行った解析で、情報の中に隠れている本質的な部分に迫ることが可能だ。
データサイエンスの初期に多変量解析が主流だったが、今は猫も杓子も機械学習で問題を解こうとする。PCにシールを貼って喜んでいる都議の議論より、問題とすべきことかもしれない。
現象の中に隠れている相関について、解析を始める前にまずよく観察することが重要だ。これは技術者が現象を捉える時に身に着けていなければいけないことで、議場でアニメいっぱいのPCを広げて喜んでいた都議が何か欠けている、と騒ぐことよりも大切だ。
カテゴリー : 一般
pagetopカーリング女子が惨敗で、選手選考方法の見直しを進めているという。まだオリンピックは終わっていないのにこのような話題が飛び出すのは、選手に失礼である。
オリンピックは参加することに意義がある、と言ったのは、クーベルタン男爵で、それがいつの間にかメダル争いとなってきた。
確かにカーリング女子は過去に銅メダルや銀メダルをロコソラーレがとってきて、今回そのチームは選考過程で負けて、オリンピック出場はかなわなかった。
カーリング男子は、実績が無いのであまり話題となっていないが、そもそも男子が弱い問題を過去に議論しなかったのか。
とにかく、スポーツを楽しんでいる立場からは、メダルを取って欲しい、と応援する気持ちが強いが、オリンピック開催中に選考方法が悪かった、などと発表されると興ざめする。
企業でもおかしな社長が選ばれていても、選考方法が悪いなどとと合併交渉中に発表しない。交渉相手企業から伝書鳩のような社長と言われても、一応社長であり、その職位に敬意を表すべきだろう。同様に参加している選手が弱くても代表に選ばれたのである。
カテゴリー : 一般
pagetopデータサイエンスには様々な技法がある。例えば、既存のデータから目的とする値を予測する方法には重回帰式を用いる方法から機械学習や深層学習の手法まで様々である。
また、データの特徴量を解明し、分類する手法にしても、多変量解析や機械学習、深層学習、マハラノビスの方法など様々である。
深層学習の手法は、いわゆるAIであり、どのような問題にでも応用可能である。それでは、この手法一つを体得しておけばよいのか、というと、牛刀でリンゴの皮をむきにくいのと同様に使えないことは無いが、不便な場合がある。
例えば変数間に一次相関があるならば、多変量解析が圧倒的に使いやすい。変数間の関係が分からない場合でも変化が予想されるような、あるいは期待される変化があるならば、パーセプトロンを持ち出すまでもなく決定木で十分な場合がある。
あるいは重回帰式の工夫で2次以上の変数を導入し組み立てるという方法もある。このような回帰式が使いやすい場合もあるので手法の選択は経験知も必要になってくる。
昨日答えから考えると書いたが、これは故ドラッカーの正しい問題設定が前提となる。正しい問題の正しい答えをもとに解析しなければ、何をやっているのか分からない状態になる。実務においては正しい問題を解くことが一番大切なミッションである。AIの手法を前提にするとおかしなことが始まる。
カテゴリー : 一般
pagetopデータ解析を行う時にデータサイエンスの手法を使用するのだが、これが統計手法から深層学習まで様々あり、まず何を使用するのか選ぶ段階が、初心者には高い障壁となる。
その前に、すでにデータがある場合とこれからデータを取得しようという段階でも手法が異なってくる。これを情報工学の先生に問い合わせても良い答えが返ってこない場合もあるかもしれない。
少なくとも専門書でデータサイエンス入門と名がついた本を見ると、入門になっていない本がすべてであることに気づく。１９７９年にタイヤの計量化問題を担当した時に、データサイエンスと言えば多変量解析の時代だった。
このような時代であっても、どのような手法を選んだらよいのか、問題を正しく把握していない先生に質問しても難解な答えしか返ってこない。実際に情報工学の一期生が同じ問題をグループで担当していても彼は答えられなかった。
そこで、奥野先生の名著「多変量解析」を１冊購入し、６人で分担して読み、手法の議論から始めている。この時すでに気づいたのだが、データサイエンスというスキルは技術者全員が身に着けているべきスキルである、ということだ。
実際にデータ解析をしたい人がどのような答えを期待しているのか、一番よく理解しているのである。すなわち、自分が欲しい答えから解析方法を考えてゆく、というのがデータサイエンスのコツである。
カテゴリー : 一般
pagetop今回の衆院選で新登場した中道の新リーダーが決まったのだが、ニュース報道を読んでいると、正しい問題を立憲民主党と公明党の方々が見ていないように思われる。
故ドラッカーは問題を解くにあたり、正しい問題を見出せば、８割解決できたようなものだ、と語っていた。しかし、立憲民主党と公明党だけでなく中道改革連合の方々も正しい問題が分かっていないようだ。
まず、中道という新しい党ができて、立憲民主党と公明党の立候補予定者がそこに結集し、選挙戦を戦って、大負けした事実がある。
ここで、何が問題かと言えば、有権者からの視点と立候補者の視点では異なってくるはずだ。有権者の視点でも支持者と非支持者でも視点が異なり問題が変わるはずである。
ある一般アンケートで半分近くが、立憲と公明に分かれた方が良い、と報道されたが、これは有権者全体の結果であり、中道の国会議員の視点とは異なる。むしろ、中道の党員にとって正しい問題を考えるために不要な結果である。
このようなアンケートを発表しているメディアは、中道のことを真摯に考えていないのかもしれない。中道の国会議員や立憲、公明の党員は、こうしたノイズに惑わされず、まず、事実を整理することから始めなければいけない。
事実を真摯に受け入れ、事実から正しい問題を見出す努力が重要である。間違った問題を設定したならば、そこから仮に正しい答えを導き出したとしても意味のない答えとなるだけでなく、党員にとって害となる答えになることは、ドラッカーに指摘されなくても理解できるだろう。
カテゴリー : 一般
pagetop