AIエンジニアへの転身ガイド
データサイエンティストから機械学習エンジニアへ|ノートブックの先で求められること
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
データサイエンティストは、データから課題を見つけ、モデルを作り、その結果を意思決定に使える形で伝える仕事です。機械学習エンジニアは、そのモデルを本番のシステムに組み込み、利用者に届け、動かし続ける仕事です。モデルを作るという部分は共通していますが、求められる力の重心が違います。
データサイエンティストから機械学習エンジニアを目指す人の多くは、「モデルを作って報告したところで終わり、本番で使われなかった」という経験を持っています。その先まで自分で担いたいという動機は、選考でも素直に評価されます。この記事では、データサイエンティストの経験の活かし方と、本番のコードと運用で足りない部分の補い方を説明します。
データサイエンティストと機械学習エンジニアの違い
| 観点 | データサイエンティスト | 機械学習エンジニア |
|---|---|---|
| 主な成果物 | 分析レポート、モデルの検証結果、施策の提案 | 本番で動く学習・推論のコードと、その運用 |
| 作業の場所 | ノートブック、BI ツール | リポジトリ、CI、本番の環境 |
| コードの寿命 | 分析が終われば役目を終えることが多い | 何年も動き、他の人が読んで直す |
| 気にすること | 精度、解釈、ビジネスへの効果 | 精度に加え、応答時間、費用、障害時の動き、再現性 |
| 選考で見られること | 問題設定、統計、分析の筋の良さ | 上記に加え、コーディング、設計、本番運用の理解 |
そのまま活きる経験
- 問題の設定:「何を予測すれば業務が良くなるか」を考えられることは、機械学習エンジニアにとっても大きな強みです。目的と合わない指標でモデルを磨き続ける失敗を防げます。
- 評価の設計:データの分け方、指標の選び方、過学習の見抜き方は、データサイエンティストが最も鍛えてきた部分です。
- 統計と実験:A/B テストで本当に効果があったかを判断する力は、本番に出したモデルの効果を測るときにそのまま使います(A/B テストの設計)。
- ビジネス側との会話:モデルの限界や不確かさを、技術者でない人に説明した経験です。
足りない経験と、埋め方
1. 本番で動くコードを書く力
ノートブックのコードと本番のコードの違いは、主に次の点です。
- 処理が関数やクラスに分かれ、テストが書かれている
- 設定(ファイルのパス、ハイパーパラメータ)がコードの外に出ている
- 型ヒントがあり、静的解析やフォーマッタが通る
- 失敗したときにログが残り、どこで止まったかが分かる
- 依存するライブラリのバージョンが固定され、他の人の環境でも同じように動く
自分のノートブックを1つ選び、この形に作り直してリポジトリにまとめるのが最初の練習としておすすめです。GitHub で公開する場合の書き方はGitHub の書き方を参照してください。
2. 推論の形を選ぶ力
本番での使われ方によって、推論の形が変わります。
- バッチ推論:毎晩、全顧客の解約確率を計算してテーブルに書く。応答時間の制約はゆるい。
- オンライン推論:画面を開いたときに推薦を返す。数十〜数百ミリ秒で返す必要があり、特徴量もその場で用意する。
- ストリーミング:決済のたびに不正の可能性を判定する。
どの形にするかで、モデルの大きさ、特徴量の作り方、費用が変わります。面接でも「このモデルをどう本番に載せますか」という形でよく聞かれます。
3. 学習時と推論時のずれへの意識
データサイエンティストが SQL やノートブックで作った特徴量を、エンジニアが推論のコードで作り直すとき、細かい違いが生まれて精度が落ちる問題がよく起きます。機械学習エンジニアになると、この問題を防ぐ側に回ります。特徴量の計算を1か所にまとめる、学習時と推論時の入力を比べて確かめる、といった対策を説明できるようにしておきます(学習時と推論時のずれ)。
4. コーディング試験
機械学習エンジニアの選考では、多くの会社でコーディング試験があります。データサイエンティストは pandas の操作には慣れていても、配列や辞書を使ったアルゴリズムの問題に慣れていないことが多いです。基本的なデータ構造と計算量の考え方を、1〜2か月かけて練習しておくと安心です(コーディング面接の準備)。
職務経歴書の書き換え例
職務要約
書き換える前 事業会社のデータサイエンティストとして5年間、需要予測や顧客分析に従事。Python、SQL、機械学習モデルの構築を担当。
書き換えた後 小売の会社でデータサイエンティストとして5年間、需要予測と顧客分析を担当しました。店舗別の需要予測モデルでは、評価を時間で分けた検証に改めたうえで LightGBM のモデルを作り、予測誤差を従来の手法から約20%減らしました。このモデルを本番に載せる際、ノートブックの処理を Python のパッケージに作り直し、テストと日次のバッチ推論の仕組みをエンジニアと一緒に整えました。モデルを作るだけでなく、本番で動かし続けるところまで担う仕事に移りたいと考えています。
ポイントは、分析やモデルの精度だけでなく、本番に関わった経験を必ず入れることです。小さな関わりでも書く価値があります。
プロジェクトの書き方
書き換える前 解約予測モデルを構築し、AUC 0.82 を達成。経営会議で報告。
書き換えた後 解約予測モデルを作り、AUC 0.82 を確認しました。モデルを施策に使ってもらうために、毎週の予測結果を CRM に書き込むバッチを自分で作り、営業担当が解約の可能性の高い顧客に先に連絡できるようにしました。施策を入れた店舗と入れない店舗を比べ、3か月で解約率が1.2ポイント下がったことを確かめました。
「モデルを作った」で終わらせず、誰がどう使える形にしたかと、効果をどう測ったかまで書くと、機械学習エンジニアの仕事への理解が伝わります。
応募先の選び方
データサイエンティストの経験を活かすなら、モデルの企画から本番までを少人数で担う会社が合いやすいです。分業が進んだ大きな組織では、機械学習エンジニアにソフトウェアエンジニアとしての経験を強く求めることがあります。求人票の「必須」に、本番運用やソフトウェア開発の年数が書かれているかを確かめてください。
まとめ
- データサイエンティストはモデルを作って伝える仕事、機械学習エンジニアはモデルを本番に組み込み、動かし続ける仕事
- 問題の設定、評価の設計、統計と実験、ビジネス側との会話は、そのまま強みになる
- 足りないのは、本番で動くコード、推論の形を選ぶ力、学習時と推論時のずれへの意識、コーディング試験の準備
- 職務経歴書では、精度だけでなく、本番に関わった経験と、効果をどう測ったかを書く
ノートブック中心の経験でも、書き方しだいで機械学習エンジニアとして評価される部分は多くあります。職務経歴書を見ながら、応募できる求人を一緒に整理することもできます。
