00:03
松子DXのDXは、デジタルトランスフォーメーションのDXである。今回はデジタルトランスフォーメーションの最後の鍵を握る、数理最適化のお話をしていきたいと思います。
半分合ってて半分間違ってますね。
最後?最後間違えてる?
いや、間違ってないんですけど、松子の方ですね、どっちかっていうと。
じゃあ、今回はたっちゃんのお母さんのDXが完了したっていう話をしていくとともに、北海道のママはみんなDX済み、デジタルトランスフォーメーションが完了してるってそういう話をしていきながら、
たっちゃん大好き、数理最適化、数理最適ニストによる数理最適ニストのための数理最適ニスト回となってます。
大丈夫かな?みんな居なくなんないから、これで聞いて。興味ないって言って。
そんな興味ない人に向けても、DXって実は数理最適化が大事になってきてるって話を誰でも分かるレベルで話したつもりなんで。
いや、あのね、泥棒問題面白かったよ。
ああ、良かったっす。
そもそも俺が数理最適化を全く知らない状態で聞いてるから、その上でたっちゃんの説明力の問われる、そんな回になっております。
ハードル上がってるけど、聞いてください。
はい。まあ、撮った後に言ってるから大丈夫ってことでしょう。
それでは最後までお聞きください。どうぞ。
隣のデータ分析屋さん。
この番組は、隣の席に知らないことを気軽に聞けるデータ分析屋さんがいたらいいなぁ、を叶えるポッドキャストチャンネルです。
データアナリストのりょっちです。
データサイエンティストのたっちゃんです。
今回はたっちゃん、テーマお願いします。
今回はですね、数理最適化についてちょっと語っていきたいなと思って用意してきました。
知ってます?
むじいワード並べてくるじゃん。
ご自熟語。
数理最適化。
絶対これで聞くのやめてる人いるじゃん。
離脱すぐしますよ、きっと。
いやこれ何かって話なんですけど、なんでこの話したいかなっていうところなんですけど、
今自分データサイエンティストとして働いてて、
データサイエンティストの人ってAI使って機械学習とかをゴリゴリ回したりしてるイメージが多分、世間一般的にはあるんですけど、
実はこの数理最適化っていう一つの技術なんですけど、これを使っても仕事があるよっていうところが。
数理最適化をするためだけの人がいるみたいなこと?
03:02
そう、数理最適化を使って仕事をしている人がいるっていう。
数理最適ニストがいるってこと?
そういうことです。
だっちゃ今数理最適ニストなの?
今数理最適ニストになりかけてますね。
今自分の仕事が、プロジェクトが変わって、使う技術とかも変わってきたんで、その中で数理最適ニストになりかけたので、ちょっと勉強していて、その話を少ししようかなと。
もうあれだね、インプットの時間をそっちに寄せていくようになったのね。
そうなんですよ。
最近は勉強勉強でめちゃめちゃ大変なんですけど、ただ細かい技術の話をしても仕方ないんで、もうちょっと何だろう、俯瞰的に数理最適化って何なんだっけみたいなところ。
で、よくDXしていきましょうって最近バズワード的にあるじゃないですか。
はいはいはいはい。
デジタル庁立ち上げて、河野大臣がDXDXっつって。
アレルさんくさいよね、DXしましょうってワード。
あれ何してんのっていう。DXって何イメージします?
AI導入。
まあね、ペーパーレスとか?
そうだね。そのぐらいじゃない?
保険証を辞めて、勉強書一つにしますとか、マイナーカードにしますとか、あれDXではないと思う。自分は思ってんすよ、別に。
全然思ってなかった、そもそも。
そうっすか、なんか全部データで統一しましょうみたいな話あると思うんですけど。
あれDXなの?
あれもDXの一環じゃないですか。
DXDXって言っちゃってるけど、DXがデジタルトランスフォーメーションの略だって知らない人結構いると思うよ、俺。
確かにそうかもしんないですね。うちの母ちゃんは多分知らないっすね。
知らないでしょ。DXが知らないよ、うちの母ちゃんも。
そうっすよね。でもまぁ会社でもDX本部とか、DX部みたいな名前のついてる部署があるぐらい会社でもDX推進って言って、
なんかいろんな事業立ち上げたりしてるっていうのもあるんですけど、
多分世間一般、少しエンジニアの人たち的にDXって聞くとAI導入していきましょうが、大多数なんじゃないかなと思っているんですが、
まぁそうだよね。
僕からするとDXでAI導入では満足できないんですよ。
それは私意識高い系男子、だっちゃんはそんなDXでは満足できないっていうそういう話?
いやそれもそうなんですけど、お客さん自体もそれで満足できない問題があって。
06:02
え、一時期はそんなAIをちょっと入れただけでワクワクしてたあの子たちは今やちょっとAIを入れたぐらいじゃ満足できない体になっちゃったの?
そういう体になっちゃってるんですよ。
これねー。
そうなんですよ。会社でも課題にぶち当たってる話で、AIやっぱ使えないんじゃないみたいな問題結構あるんですよ。
あーなるほど。
なんでかって言うと、AIの得意なことって将来予測したりとかっていうところがすごく得意で、
基本的には過去のデータを使って未来どうなるかっていうアウトプットが出てくるんですけど、
これをお客さんに渡してあげてもお客さんは特に何もできない問題っていうのがあって。
具体例で考えるとですね、よくAIが使われている分野だったら天気のデータとか身近にあると思うんですけど、
過去のこういう天気データを使って明日晴れとか明日は雨どんだけ降るとかっていうのが今普通に使われている分野なんですね。
これって過去のデータから未来の予測をするっていう一般的な話なんですけど、
天気データで予測された明日は大雨降るよっていう情報を元に、その情報からじゃあ明日どういう風に出勤しようかなって考えるじゃないですか。
そのAIの予測した結果を使って、明日は雨だから大雨降るから傘持ってかんといかないなとか、
いや出社だったけど在宅勤務に切り替えようかなとか。
もういつもそう俺。雨降ったら絶対に出ない。
いやそうっすよね。
そういうアクションを考えるんですけど、
これを、このアクションって我々人間は普通に頭の中でできちゃってるんですけど、
もう少し機械学習を使った、AIを使ったサービスに落とし込むと、
例えば明日ある飲食店で明日のお客さん何人来るよとかっていうAIを導入しました。
明日お客さん100人来ますっていう結果は出てくるんだけど、
じゃあお店の従業員の人ってその100人来るってお客さんをどうさばいていいかって、
その先は考えなきゃいけないじゃないですか。
確かに。
どうやってバイトのシフト組もうかなとか、在庫発注しようかなとか。
そこはまだまだ自動化されてないんですよ。
確かに。
明日ちょっと暇そうだから大丈夫って言ってくるあの店長ね。
そうですそうです。まさに経験と勘ですよねあれは。
ふざけんなよ。
やっぱバイト来なくていいよとか、明日暇だからってあるじゃないですか。
あるよ。なんなら行ってからダメな時あるからね。
09:01
いやありますよね。
いやちょっとあれなんだよねみたいな、思ったより暇だからさ。
7時入りに買いといてくれないみたいな。
いや来たしな。
こっちはあと1時間稼ぐかどうかで、給料変わってくるぐらいの義力で生きてるのに。
ビール出してくれるんですか?
そうなんですよそこですね。
何人お客さん来るかっていうところに対してどうアクションするかはまだまだ人間の経験と勘で業務をしているっていうのが実態で。
さっきから出てきてる数理最適化って技術ここに当てはめられるんですよ。
今まで簡単な例出してたけど、あれを数理最適化と呼ぶの?
そうです。そこのシフトどう作るかとか、在庫どう発注するかっていうところに数理最適化っていう技術を使うことで、できるだけコストを抑えた在庫発注。
できるだけバイトの希望に沿ったシフトの作成ができるようになるよっていうのが、この数理最適化っていう技術なんですよ。
店長だ。
まさに店長。
店長やってます。
そういうこと?
なんか一気にDXっていう言葉うさんくさいとか言ってたけど、DXぐらいうさんくさい言葉に聞こえてきたけど今。数理最適化っていう言葉が。
だって今まで別に人間がやってたものを、もうちょっと定量的にやるみたいな、そういうこと?
人間の希望だったり、こんな風にしたいみたいな、シフトはこういう風に組みたいとか、いろんな要件あるじゃないですか。
バイトの人は言うじゃないですか、あの子とは被りたくないとか、あいつと一緒にしてくれとか。
やめればいいのにね、ああいうやつね。
そうなんですよ。ちょっと今日は早く上がりたいから、この日は10時上がりでとか。
はいはいはい。
いろんな条件言ってくるんだけど、そのバイトの子が言ってきた条件をもとに、そのバイト全員が満足できるようなシフトを自動で作ってくれるっていうところが、この数理最適化の話です。
なるほど。幸福を最大化させるわけですね。
いやまさにそういうことなんですよ。
思想化じゃん思想化。
いやいやいや、ちゃんとデータをもとに作っているので。
それさ、やるかな?やってんのか。数理最適化の仕事ですって言われてない限りは、あんまりやらない?実は。
多分あんまりピンときてないのは理由があって、後半の方でも少し喋ろうかなと思ってたんですけど、実際にそのいろんな条件をもとに、アウトプットだとこんなシフトを作りますってそのなんだろう、中のアルゴリズムみたいな部分があるんですけど、
12:05
ここってもう実は決まったアルゴリズムというか自動で解いてくれるようなものがあって。
めっちゃすげえじゃん。
人間がやるのはそのバイトが言ってくれるその条件、数理最適化の言葉で言うと制約条件って言われるんですけど。
むずい。
その条件を考えるとこだけですね。そこさえ作っちゃえば後は最終的な答えというか、出力は自動で出してくれるのがあるので。
すごいすごいそれ。
そう、あんまりエンジニアがここなんだろうな、ゴリゴリ頑張ってるっていう、そんな仕事をしてるってイメージじゃないのかなと思うんですけど。
なるほどね。
いたことあんのかな、そんな仕事やってた人周りに。
データサイエンティストの仕事の一部になるの?それは。
ちょっと昔とかはソフトウェアエンジニアとか、そういういわゆるSEとかっていう人がやっている領域で、わざわざデータサイエンティストがここの領域に出張っていく必要はなかったんですけど、
最近さっき話した機械学習との相性がめちゃめちゃいいっていう技術なんで、その機械学習、AIが出した予測結果をお客さんに使ってもらえるようにどういう風に予測結果を変えていくかっていうところで、
数理最適化も使うとなお価値が上がるよねっていう、そういう理由でデータサイエンティストが出張っていってるのかなっていう風には思っているんですよね。
なるほどね。
割とあれだね、そのDXDX言ってた話がAI導入だった時代からどう使うかっていう時代になって、そうしたらその使い方もデータサイエンティストが教えなきゃいけなくなって、それをその手法が数理最適化と呼ぶみたいな。
いやまさにそうですね。
DX、DXXじゃん。
DXX。
いやだってデジタルトランスフォーメーション、トランスフォームしたわけじゃん世の中が一旦AI導入で。
でも飽きたらずもう一トランスフォームしようとしたわけでしょ。
ああそういうことか、だからデジタルトランスフォームトランスフォームじゃんって話ですか。
そうDXXでしょ。
いや多分最初のDXで全然Xできてなかったなと思うんですよここ。
なんでかっていうと、そういうこと。
お客さんに予測結果AI使って出したよって言っても、ありがとうって言って、今まではこうお金払ってAI使って導入してくれてありがとう代払ってましたけど、
15:05
実際現場で使ってみると、いやなんかこれだけじゃ足りないんだよなっていう。
予測値出てるけど使えないなっていうのが実際起こっていて。
あるあるだよね実際は。
だからAI導入のサービスが、ポックって言われる現場での実地検証で終わってしまう問題めちゃめちゃあるんですけど。
プルーフオブコンセプトね。
そうですそうです。ポックですね。POC。
その原因はやはり現場では予測結果使えないよっていうところが大きくて。
そこを解決させるためにこの数理最適化って技術を組み合わせればお客さんも満足できるんじゃないっていう。我々も満足できるんじゃないっていう。
そういうこと。
そうなんですよね。
今までDXを支援してた人たちは、じゃあ逆に言うと次それをやんないとお金がもらえないってことだ。
そうですね。そこまでお客さんに寄り添ってあげないと受注できない。契約取れない。
だからって別にそんなに単価上がるわけじゃないのにねきっとね。
まあそうですね。ただまあ今最近はAIサービスめちゃめちゃいろんな会社が出してくるから、
一個この数理最適化を使ってよりお客さんに寄り添った結果出せますよっていうところで、
付加価値つけたサービスができるんじゃないかなとは思うんですけど。
そういうことか。確かにな。まゆつばみたいなAIの多かったもんな。
いや多いっすよ。
それこそ勉強し始めの頃の話をしたじゃん。
あの頃はまだ多分そのAIを渡せばそれがDX支援になるみたいなフェーズだったんだよね。ビジネス的にも。
引っ越しがあって炊飯器買うってなった時に炊飯器にAI入ってるって書いてあって。意味がわかんなくてマジで。
なんなんだみたいな。そのAIの入った炊飯器で炊いたらうまくなるの。意味がわかんなくて。
いやだって別にそもそも今までも数々の職人技術の人たちがさ、この温度でやったらだいたい米はこのぐらいうまく炊けるっていうので、もうわかってるわけじゃん。
それをさ、炊飯器にAIが導入されましたみたいな。だから何みたいな。
18:02
しかもそれで多分商品の値段とかも上がってんだよね。
AIありで1万円プラスとか、AIなしで1万円マイナスみたいな。そういうこと?
そのレベルだったら俺も作れるよみたいな。
っていうレベルの話からは確かに数理最適化が入った方がDX感はある。
そうですね。あんまり数理最適化入ってますよっていう炊飯器とか。
いやキモいキモいキモい。
数理最適化って何?みんな数理最適化っていう?英語で言わない?
オペレーションズリサーチかなっていう。
そんな感じなんだ。
そう、業界というか。OR学会とかあるんですよ。
OR学会。
1つの分野っすね。研究分野かもしれない。
意思決定に関わる科学的なアプローチ。オペレーションズリサーチ。
そうですね。
かっこいいじゃん。響きだけは。
そうなんですよ。
数学とか統計学使うっていう意味だと機械学習とかとも似たり寄ったりで、
よく数理最適化と機械学習の違い何とかっていう話も出てくるくらいなんですけど。
確かに今適当なページ開いたけど、説明文に書いてあるやつそのまま機械学習のページに書いてあってもあんまり違和感ないかも。
そうっすよね。
データサイエンスとはっていうところの下にこのオペレーションズリサーチの説明文がそのまま書いてあってもそんなに違和感ない気がするな。
そうなんですよ。だから本当に似たり寄ったりなんだけど、どう分けるかっていうと、自分の理解だと機械学習はさっきも言ったけど、
過去のデータからパターンを予測して、パターンを見つけて将来予測するっていうのが機械学習で、
数理最適化はその出てきた予測結果とかをどう使うかっていう意思決定をするっていう。
なんかちょっとようやく見えてきたわ。
そう、そんな違いがあるよって話っすね。
数理最適化か。数理最適化できるようになると給料上がるんですか?
なんか数理最適化できる人で給料上がるっていうのはあんまりない。
うわ、損じゃん。
そう。
そうって書いて。
損なんかな。一応年収調べたんですけど、数理最適化エンジニアっていう人がいて、そういう職種があって。
21:02
海外の求人だけど、年収だったら8万2千ドル。ざっくり計算、1千万とか。
1千万ぐらいか。
1千万弱ぐらい。
データサイエンティストのほうがいいんじゃない?
多分1千、100万、200万ぐらいが平均なんで、データサイエンティストは。
へー、なるほどね。
ただ、どちらも使えるっていうのは多くない。
出た、希少人材の法則ですね。
掛け合わせですからね。
掛け合わせの時代だもんね。
そう。だから、パイ型人間、データサイエンティストと機械学習と数理最適化でパイ型になるっていうのも一つじゃないですか。
出た出た出た。俺それさ、一回ちゃんと説明してもらったことあるんだけどさ、よく分かってないんだけど。パイ型って何?
T型から説明すると、Tの形。
Tって英字のTね。アルファベットのT。
TTね。
TTのTです。
横に一本で縦に一本だから、ある領域に対して一本深く精通してる。知識のある人だよっていうのがT型の人間。
で、パイ型は3.14のパイっすね。
思春期にニヤニヤしちゃうやつね。
それは、それね、あれだよ。一部の中学校だけだよきっと。
2本線が出てるから、2つの領域に精通してる人間だよっていう意味でのパイ型。
えー、あ、そういうこと。ちょっとさ、ちょっとクッてなってるのは見ないの?
細けー。
見ない?
そこは、ご愛嬌というか。
なるほどね。どっちかはやっぱちょっと欠けてるよねみたいな秘密を入れたパイという言葉の使い方ではないのね。
そういうのではないっすね。
じゃあ2個だったらパイだ。
あ、そうですね。
3。
3だとなんかね、最近T型パイ型じゃダメだよって話もあるんですよ。
なにそれなにそれ。そっちの方が気になるけどな。
パイとTのさ、横棒は何の意味があるの?
ま、ある?横棒意味。
i型でもいいってことっすか?
そう。1、2で良くない?
3。
ま、確かに確かに。1型、2型?
うん。
あ、でも、領域。横棒は領域の意味じゃないですか。業界、領域。
24:02
あーそういうこと。
どこにしようかな、ここ。っていう。
なるほどね。
うん。
じゃあめっちゃ横棒長い?
いや、めっちゃ横棒長くて、めっちゃ縦にピピピピって入ってるなんかムカデみたいな人間でもいいと思いますよ。
超すごくない?そいつ。
超すごい。
超すごいよね。
そっちの方が価値高そうっすね。
ムカデ人間になろう。
宇宙でしょ?
はいはいはい。
白志望取っちゃったからちょっと1本、異常に長いけど。
ニョイーンって1本伸びてて。
突然変異的な?
そう。で、そこからなんか、そこからなんか生えてるみたいになっちゃう。
キモいな。
それが長すぎてなんか全部伸びてないみたいに見えちゃうじゃん。データアナリストみたいな。プロダクトマネージャー。
はいはいはい。
えーじゃん、ダメじゃん。もう1個白志望取んないと。
いや、いいっすよ。もういいっすよ。十分っす。十分っす。
ニョイーンってやって、横ちょっとみたいな。
ちょっとしんどいっす。そんなに。
そんな色々知りすぎてる人、ちょっとしんどいんで。
多分好感度下がりますね。
白志望、あー2個持ってる、2個持ってる。
いないし、そんなやつ。
たまにいるじゃん。医者と弁護士。医者と薬剤師とか。
弁護士やったけど合わなかったから、医者やるわーとか。そういう人いますね。
たまになんかいるじゃん、そのスペックバグってる人。
マジでヤバい人いますよね。
その人もすごいよね。2個。パイが。ニョイーンって。
確かに。そういう人は何でもできるんですよね、きっと。
確かにね。
さて、どこまで話しましたっけ。
多分、推理最適化って名前でどんなものかって話はしたんですけど、とはいえ何やってんのっていう。
で、推理最適化語る時によくある例として、泥棒問題っていうのがあって。
いいじゃない。引きの強そうな名前ですね。
別名ナップザック問題っていう話なんですけど。
訳したやつ英語できないの?違う違う。どういうこと?
泥棒とナップザックがイコールだと思ってる?
お前ちょっと話聞いてくださいよ。
辛草模様の風呂敷のナップザック?
ああ、いい線してますね。そういうことです。
え、何どういうこと?ちょっと待って、俺が一番戸惑ってるわ。
なんか泥棒がいて、あるお城に侵入したと。
で、その時にそのお城にはたくさんのダイヤだったり宝石がいっぱいありましたと。
27:05
で、その宝石一個一個にはそれぞれの価値があって、大きさも違うから重さも違うと。
で、その泥棒は自分の持ってきたその風呂敷模様のナップ、鞄ですね。
鞄に詰めていきたいんだけど、そのいっぱいある宝石の中から重さの違う、価値も違う宝石どれ選べばいいんだろうって悩むわけ。
まあ確かに。
で、その泥棒の風呂敷、鞄には重さの上限があると。
その上限いっぱいに詰め込みたいんだけど、どの宝石選べばいいんだっけっていうのを解くときに、その最適な組み合わせを考える、これが数理最適化です。
解凍キットみたいに一個の宝石を狙うわけじゃないのね。
そういうことじゃないです。
三条を生み出す。
ありったけの宝石です。
ありったけのワンピースね、ワンピース。
ワンピースも解凍キットも狙うのは一個なんだよな。
でもルパンも一個だな。
大量の宝石狙う奴、しょぼい説あるな、それは。
違うな、大量の宝石持ってるお城すごい説ですね、きっと。
なるほどね、なるほど。ベルツリー財閥にはないの?
鈴木財閥にはたくさんの宝石はないの?
ないです。めちゃめちゃコナン好きじゃないですか。
いやもう全部見てるからね。最新話まで追ってるから。
これで俺マンガ760とずっとコナンの話してるから。
幸せなポッドキャストだな。
だからダイヤをイメージ的にあれでしょ?
ダイヤを下向きにして上向きのダイヤと横にずらしておいて
そうすると斜めのとこがいい感じにくっつくから
それをペペペペって並べていくと隙間もなく
詰めれるみたいな。いっぱい詰めれる。
でも今の話だったら重さが問題だから
綺麗に詰めれなくてもその風呂敷が破れない程度の重さまで
詰められればオッケーっていう話なんで。
あーそういうことね、なるほどなるほど。
分子結合は意外と素であるみたいな。
くっついて。
パイ結合とかそういうこと?
さっきのパイってここに繋がってくるの?
違う違う、急に分子の話するじゃないですか。
いやなんかさ、隙間に入るみたいなのあるじゃん。
温度とか結合状態が変わると。
宝石のサイズがあるから大丈夫。
そこまで細かくミクロに見なくても大丈夫ですよ。
30:01
まあでもね、こういう話なんですよ。
自分は北海道出身だからもっとピンとくる例あるんですけど
さっき言われちゃったので。
カラーギ。
ザンギザンギ。
なんか野菜詰め放題めっちゃあるんですよ、北海道のスーパーって。
あーあったあった、道の駅によくあるよね。
ありますあります。
で、だいたい詰め放題で複数野菜が詰めれるんですけど
ジャガイモと人参と玉ねぎなんですけど基本的にあるのは。
あった!家の近くのスーパーにあったな。
俺も1年だけエゾ留学してたから。
北海道でまたエゾって言ってます。
あったな、なんか家の近くにあった赤いスーパーやってたわそれ。
絶対カレーかシチューしかできないじゃんって思うんですけど。
そうそうそうそう。
だからその野菜の詰め合わせ問題もこの同じようなロジックで解けるよっていう話ですね。
じゃあお母さんスーリサイティニストじゃん。
だからちゃんと最適化できていればビチビチに詰めれるし
まだまだスーリサイティ化できていなかったら隙間だらけ。
でもなんかあれだね、AIっぽいね。
お母さんの経験が物多いわけでしょ。
そうですそうです。
お母さんが今まで散々思考を重ね
この角度だったらこれだけ入るみたいなのをやって
学んだアウトプットが最適に袋の中に詰めるパターンを導き出すわけだから。
そうなんですよ。
お母さんじゃあもうDX完了してんじゃん。
DX母ちゃん。
DX知らないけどね。
DX母ちゃんだ。
それがスーリサイティ化の話ですね。
これ実は中学生でも似たような問題解いてて
連立方程式ってあったじゃないですか。
2つの式が並んでてそれからYとX何かあって計算する話。
あれがこの組み合わせ問題にも適応できて。
とは。全然見えてこない。
本当ですか。さっきの宝石の話で言うと
ルビーは重いけど価値も高い。
でサファイアは軽いんだけど価値は低い。
はいはいはいはい。
っていうのがあった時に
じゃあそのルビーとサファイア何個ずつカバーに入れればいいんだっけっていう時に
連立方程式を作れば解けるんですよ。
それぞれの重さと価値っていうところが数字がもしあったとしたら。
ああなるほどね。
であと何個入れるか。
ああそうです。何個入れるかっていうパラメータを求めればいいっていう話なんで。
33:05
なるほど。
このPodcastで聞いてる文系で理系挫折しましたっていう人はたぶんね
連立方程式でつまずいてるからここで切ってる。
分かんない。
中学生の時の話。
理系とかの苦手意識ってそこからじゃん結局。
いやそうですね。
連立方程式か謎に動く天秤でしょ。
謎に動く天秤。
一定のスピードで動き続ける摩訶不思議物体。
いきなりそういう話になっちゃうから挫折するけど
もう少し具体的な話で数学も入っていければたぶん楽しく学べたんだと思うんですけどね。
まあそれはそうだね。
みんな北海道の人はみんないけるってことね。
袋という上限の中に。
じゃがいもと玉ねぎと人参詰め込んでたんでたぶんピンときてますね。
変数3つになっちゃったかな。変数は2つか。
式が3つになったりするんですかね。
解けない人いるじゃん。
どんどん複雑化してくるんですよ式が。
でもそんなさ現実の問題なんかさ、人参玉ねぎお肉だっけ?
カレー作るじゃん。
だからそれは3つでいいけど、現実問題さ、例えば店とかになったら
在庫管理、人、来客数はAIが予想してくれるのか。
だから営業時間みたいな。
営業時間とかそうですね。
いっぱい変数を持ってて、その変数分だけ式を立てて調べるみたいな。
いろんな条件が入ってくるから、複雑化しかしていかないんですよ。
連立方程式なんで勉強するんですか?の答えはこれね。
答えはこれだね。
数理最適ニストになりたくないのか?
なりたくないで終わっちゃいますよ。
サインコサインって何で使うんですか?みたいな。
ああいうやつね。
できなくても困りません。できない人が仕事に入ってくるとこっちが困りますってやつでしょ。
我々はそうですね。困りますね。
そのぐらいも理解できない人に頼む仕事はありません。
36:02
論破されてたわ。
ネットでサインコサインを勉強する意味がないから、
中学校教育なんちゃらみたいな指針を変えましょうみたいなのを提言した国会議員みたいなやつがいて確かちょっと前に。
でなんかサインコサインはいらないみたいな。
って言ってなんかめちゃめちゃ炎上してて。
だからその中学生とか高校生にサインコサインなんかできてもできなくても生きていけるからみたいな。
はいはい。
って言った回答にそれがあった。
サインコサインを勉強しなきゃ云々じゃなくてそれが理解できない奴に与える仕事はない。
厳しい。
かわいそう。それぐらい理解できなきゃ困るんだよねっていう。
厳しいな。
意味とかじゃないからみたいな。
いやまあ確かにね。ここはね。そこは分かってほしいですね。
まあでもほらAIなんだっけデータ教育みたいな話したけどさ。
うん。
別にまあなんかいらないっちゃいらないような気もするけどね。
でもAI勉強するんだったらサインコサインいるんだよね。
いりますね。使えますからね。
ここで絶望した人がいるわきっと。
いますかね。
いや意外と使うんですよ。
時間っていう変数入れるときってサイン変換とかした方がいいとかありますからね。
あとなんかね。強化するときにコサイン類似度みたいなの出てくる。
確かにありますね。
いやあるんだよな意外と。便利なんだよ。
便利ですよ。便利だからあるんですよ。
すげえよな。あれサインコサインってさ。サインさんとコサインさんとタンジェントさんが作ったの。
絶対違うと思う。
あ、違うんだ。
たぶんサインさんが3つ考えた方が正しくないですか。
あー、そういうことね。
好きな人の頭文字がCだったんだろうね。
でライバルがTだったんですよ。
あ、そうそうそう。
だから三角関係って話?
うまい。
お後が響こうだね。
ちょっとだけ数理最適化の歴史の話しますね。
さっき話したんですけど、数理最適化って意外と歴史が長いって話で、
もともとこれ生まれた、この分野生まれたのって1947年とか。
もう50年くらい前だったりするんですよ。
で、AIっていうのが定義されたのが、
そっから10年くらい経った後、1950年代半ばに。
え、そんな古いの?
そう、AIを定義したっていう人がいて。
外国人。
ジョン・マッカーシっていう人なんですけど。
なんかあれだね。
あれみたいだね。
39:01
ひとりビートルズみたいだね。
名前。
確かにね、くっついちゃってますけどね。
でもこれ、G検定とかやった時に勉強する内容なんですよ。
え、G検定とかってそういう歴史の勉強するの?
AIを定義した人誰でしょうって言って、
ダレダレさんはこう言ったとか。
で、ジョン・マッカーシさんが、
人間の脳に近い機能を持ったコンピュータープログラムをAIと呼ぶって言った。
じゃあこれだっていう。
えー、そうなんだ。
ジョン・レノン、イマジンとか書いてあるわけだ。
なんで名前だけ寄せて、全然違う言葉を。
めちゃめちゃセンスないじゃないですか、そいつの選択問題。
ポール・マッカーシ、ヘルプって書いてある。
っていう、なんか歴史の変遷があって。
で、それくらい昔からそれより最適化あるんだけど、
またなんでこのタイミングで流行ってきたかっていう話が、
さっきもちょっと話したんですけど、
なかなかそれより最適化って導入してくるのが難しかったっていう背景があって、
これまでのシステム開発って、
ウォーターホール型みたいなところで最初に要件定義して、
じゃあこんな風に設計とか仕様を作って、開発して、テストして、
で、ローンチしようみたいなそういう流れが決まってたんですけど、
それより最適化って技術使うときって、
お客さんに実際のオペレーションどうなってますかとか、
ヒアリングしていろんな条件を吸い上げていく必要があるんですね。
で、その時に最初に要件決めてしまうと、
そこの要件に沿って作っていくから、
最終的に出来上がったものを使った時に、
やっぱ現場のオペレーションと全然違いましたみたいな。
あるあるだね。
そう、シフトを出すプログラム作ってあげても、
実は営業時間変わったりするんで、
そこにも合わせたシステムじゃなきゃダメだったりするんですよとか、
新しい条件が追加されるっていうことがまあまああって。
だからこれまでのシステム開発の流れをそのまま適応させて、
推理最適化のサービス作る難しいよねってのがあったり。
もう一個めちゃめちゃ大きな問題としては、
いろんな条件を基に最適な答えを出すんだけど、
そこの最適な答えを出す、
ソルバーと呼ばれるアルゴリズム。
また難しい言葉が。
勝手に答えを出してくれるようなものがあるんですけど、
42:01
そこって昔は人任せ、めちゃめちゃ研究者任せというか、
そこの職人みたいな人がいて、
この条件とこの条件あるならこれが答えですみたいな、
スーパー人間職人さんが答えを出してたんですけど、
まあその人任せだったら全然スケールしていかないよねっていうか。
ソルバーさんがね。
そう、ソルバーさんが何人もいないと回らんって話があって。
ただ最近は、いろんな問題に適応できる汎用的な
ソルバーさんが出来上がったっていうところでの流行りっていうのもあって。
それはAIの発展と関係あるの?
いや、AIの発展とはまた別軸で動いてる話でこれは。
っていうその汎用的なソルバーが生まれたよっていう話と、
AIは別軸で、最近はデータがどんどんいっぱい溜まるようになってきて、
AIの精度、質が上がってきたよっていうところでの、
いいタイミングでどちらも表舞台に出てきたから、
じゃあAIの出した結果を数理最適化に入れることで、
いろんな問題解けるようになってきたっていう。
いいタイミングだったっていうことですね。
じゃあそのソルバーを使える人が、
今の数理最適ニストさん?
今の数理最適ニストさんだと思います。
ソルバーを使う人だから。
ソルバーバーだね。
ソルバーバー。
ソルバーニスト。
その方がしっくりきますね。
ソルバニアン。
めっちゃソルバー好きな人みたいになっちゃってますけど。
言いたかったのは、DXしてくにAIだけじゃ足りないよって話ですね。
AIの力を最大限に引き出すには、
数理最適化っていう新しい技術も組み合わせることで、
みんながビンビンなサービス出来上がるっていう話ですね。
なんか複雑になってくんですね。
この街も変わったな。
きっとAIのわけわかんないじゅうちんぶってる奴は言うんだろうね。
変わったよ。
俺の時代は、炊飯器にAI乗っけて5万稼げたんだ。
いつの時代もそうじゃないですか。
今チャットGPTを使えるアナリストだったり、
エンジニアめちゃめちゃ高級鳥になってますからね。
でもそうだよね。
時代だよね。
45:01
一時期はAIエンジニアと一緒だ。
そうそう。
流行りってでかいっすよね。
面白かった。
きっとどこからデータサイエンティストに刺さってることでしょう。
今回の話は。
こんなのあるんだっていう感じで。
面白かった。
ありがとうございます。レベルが上がりました。
次回何話しましょうか。
次回はこの隣のデータ分析屋さんの第3回かな。
俺が大学の授業でデータサイエンスを教えてるっていう話をしたと思うんだけど、
それがもうかれこれ3ヶ月ぐらい経つわけですよ。
後半に差し掛かってきて、どんなところを教えて、実際どんな感じだったのかみたいな話とか。
最後こういうのを勉強してもらった上で、最終的にこういうところにたどり着いてもらいますみたいなのを、
結構後半が見えてきたから解像度高くなってるんで、
そんな話をしながら、大学の授業で教えるデータサイエンスどんなものなのかっていうのを、
さらに深掘りしていこうかなっていう。そんな感じですね。
いいっすね。もうじゃあ教えてるんですね。絶賛教え中なんですね。
それがねまだなのよ。
まだなんですね。
進行していって課題がどういうのが出てるかとか見てるんだけど、
俺大取りで構えてるから。大ボス。
学生の様子というか、どんな人たちが聞いてるのかとか。
俺より前で教えてる人のほうが偉い人なんだけどね、全然。
超偉い人が教えた後に、最後サッと。
美味しいところだけ。
全然前回のエピソード聞いてなくても、いけるなっていう角度で全然別の話をしていこうかなと思ってるんで、
そんな感じでやっていきたいと思います。
楽しみです。
隣のデータ分析屋さん、今回も面白いなと思ったらフォロー、レビューよろしくお願いします。
番組の感想や質問は、ハッシュタグ、隣の分析屋。
隣のがひらがなで、分析屋は漢字でお願いします。
また概要欄に貼ってあるお便りフォームからコメントをジャンジャン寄せください。
結構たくさんお便りいただいてて、本当に嬉しく思ってます。
たまにお便り紹介とかもしていければと思ってるんで、楽しみにしておいてください。
ではまた。
バイバイ。
