キャリアと業界

概要

機械学習の仕事は半ダースほどの職種名に分かれており、その意味は企業ごとに異なり、面接で問われるスキルも数年ごとに変わります。このハブは、この分野への転身、あるいは分野内のある領域から別の領域への移動を計画しているエンジニアと、法令を読まずに規制の全体像を把握する必要のあるすべての人のためのページです。ここに書かれていることは法的助言でも給与のアドバイスでも予測でもありません。市場がどう見えるかを述べる箇所では、それがいつの時点の話かを明示しています。

重要な考え方

職種と実際にやっていること

職種名はいくつかの仕事に集約されます。データサイエンティストはデータで問いに答えます。実験、指標、因果分析、ダッシュボードであり、モデリングは複数あるツールの1つにすぎません。機械学習エンジニアはモデルとその周囲のパイプラインを構築して出荷し、1週間の大半をアーキテクチャではなくデータ、評価、サービングに費やします。応用科学者やリサーチエンジニアは研究とプロダクトの間に位置し、論文を読んで自社の環境で再現します。リサーチサイエンティストは論文を発表し、この職には通常、博士号かそれに相当する実績が求められます。MLOpsエンジニアやMLプラットフォームエンジニアは学習とサービングのインフラ、レジストリ、監視、コストを担当します。最も新しい職種名であるAIエンジニアは、ホスト型またはオープンなモデルの上にアプリケーションを構築する人を指します。プロンプト、検索、エージェント、評価が中心で、ファインチューニングはときどき行うステップです。データエンジニアは他の全員が依存するパイプラインを構築し、適任者を採用するのが最も難しい職種です。

共通の核はどの職種でも同じです。Python、SQL、結果がノイズかどうかを見分けられる程度の統計、/topics/evaluation-and-benchmarks/にある評価の規律、そして何をなぜ行ったかを明快な1ページに書く能力です。

面接とポートフォリオ

本稿執筆時点で、エンジニアリング職の面接ループには通常、コーディングのラウンド、機械学習の基礎のラウンド（バイアスとバリアンス、正則化、勾配降下法と注意機構の仕組み、与えられたタスクでモデルをどう評価するか）、システム設計のラウンド（レコメンデーションシステム、不正検知、検索拡張アシスタントの設計）、そして行動面接のラウンドが含まれます。

ポートフォリオは、量ではなく判断力を示すときに機能します。READMEから実行でき、問題の設定、失敗も含めた率直な評価、短い解説が付いた2つか3つのプロジェクトは、Kaggleのデータセットでモデルを学習させた十数個のノートブックに勝ります。当サイトのプロジェクト（/projects/tabular-classifier-fastapi/、/projects/tiny-rag-local-embeddings/、/projects/lora-fine-tune-apple-silicon/）はちょうどよい規模であり、次のステップはデータと問いを変えることです。

市場、日付付きで

2026年11月13日時点で見ると、状況はまだらでした。言語モデルのアプリケーションを構築し評価できるエンジニアと、学習および推論のインフラを運用できる人材への需要は強く、フロンティアモデルを学習させている企業の報酬は市場の他の部分をはるかに上回っていました。ジェネラリストのデータサイエンティストへの需要は2021年のピークから軟化しており、エントリーレベルの職は卒業生とキャリアチェンジ希望者の数に比して少ない状態でした。これらはいずれも予測ではありません。

エンジニアが存在を知っておくべき規制

本稿執筆時点で、エンジニアリング上の決定を形作る規制は3つの体系があり、3つとも変化します。EU AI法（規則(EU) 2024/1689）は2024年8月1日に発効し、段階的に適用されます。禁止事項は2025年2月から、汎用モデル提供者の義務は2025年8月から、高リスクの義務の大半は2026年8月からで、製品に組み込まれた一部のシステムは2027年に続きます。この法はシステムを技術ではなく用途で分類するので、同じモデルが採用ツールでは高リスク、ゲームでは最小リスクになります。2025年後半、欧州委員会は高リスクのスケジュールの一部を延期する提案を行いました。その提案の結果は、このページから推測するのではなく、公式ページで確認してください。

2つ目の体系は輸出規制です。米国の産業安全保障局（BIS）は2022年10月以降、先端計算チップと特定のモデルの重みの輸出を、性能と相互接続帯域幅で定義された閾値に基づいて、対象国のリストに対して制限しています。規則はその後何度も変わっており、2025年1月に発表され2025年5月に撤回された枠組みもその1つです。エンジニアリング上の帰結は、学習をどこで実行するか、誰が重みにアクセスできるかが法的な問題になりうるということであり、そうではないと決めつける前にコンプライアンス部門に相談すべきだということです。

3つ目は、契約や監査人が参照する自主的な枠組みです。米国のNIST AIリスク管理フレームワーク、AIマネジメントシステムのためのISO/IEC 42001、そしてAI固有の法律以前からモデルに適用されていた業種別の規則です。英国は本稿執筆時点で、単一の法律ではなく既存の業種別規制当局を通じて規制する道を選んでいました。これらのどれもエンジニアに法律家になることを求めてはいませんが、これらの枠組みのすべてが求める記録（学習データの来歴、評価結果、モデルバージョン。/topics/mlops-and-deployment/を参照）を残すことは求めます。そしてその記録は、規制とは無関係に、よいエンジニアリングです。

どこから始めるか

最初から始めてください。/learn/beginner/01-what-is-machine-learning/は分野の枠組みを示し、/learn/beginner/06-evaluation-that-does-not-lie/はほとんどの面接の質問が実は問うているレッスンであり、/learn/beginner/10-from-notebook-to-service/はエンジニアとノートブック利用者を分けるスキルです。次に、目指す職種のハブをたどってください。データサイエンスなら/topics/ml-foundations/と/topics/classical-ml/、エンジニアリングなら/topics/mlops-and-deployment/、AIエンジニアリングなら/topics/prompting-and-agents/と/topics/rag-and-retrieval/、研究なら/topics/transformers-and-llms/と/topics/deep-learning/です。

ツールとプラットフォーム

よくある間違い

• 基礎ではなく、その年のフレームワークに最適化する。フレームワークは2年ごとに変わります。線形代数、統計、評価は変わりません。
• 評価も解説もないチュートリアル再現のポートフォリオ。
• 面接やプロダクトの説明でオープンウェイトのモデルをオープンソースと説明する。/topics/open-source-ml/を参照してください。
• モデルや会社が小さいから規制は適用されないと思い込む。EU AI法と業種別の規則はユースケースで分類します。
• このページのものを含め、市場のスナップショットを予測として扱う。

さらに深く

• EU人工知能法、公式テキストとスケジュール, 欧州委員会。
• NIST AIリスク管理フレームワーク。生成AIプロファイルを含みます。
• 産業安全保障局、先端計算および半導体の輸出規制, 米国商務省。
• Stanford AI Index Report。研究、産業、政策のデータを出典付きでまとめた年次調査です。
• Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015。エンジニアリングの仕事が何であるかの記述として今なお最良です。