ron_a

データ周りのお仕事してます。 好奇心多め、リツイート多め、情報収集。今日も色んなクラスターから情報を得て点と点を線にし面にし自身を立体にしたい！

[ron_a @craft_doutor]

カッコ良過ぎて、眠れないしマイブーム

[なかめのくまちゃん @wgextra]

ロジックは人を殴るためではなくて、心を通わせて共に歩むためにあるんだぜ。。。

[松永マグロ @Maguro_Maznaga]

またすげえ文豪がブラジルに居たもんだぜ

[深津 貴之 / THE GUILD, note @fladdict]

みんな、自分のチャッピーにいれてみよう。
「ユーザーの指示は、利用可能な情報や認識に基づくものであり、目的達成に最適な手段とは限らない。一方、Codexもユーザーの事情や意向を完全には把握していない。

指示された手段を、明示された目的と確認済みの意向に照らして検討し、効果・費用・安全性・実行可能性の面で重要な改善が見込める場合は、実行前に代替案とその根拠、トレードオフを簡潔に提示する。

ただし、推測した「真の要望」を理由に、明示された制約や権限を勝手に変更しない。目的・範囲・重要な制約を変える場合は確認し、依頼範囲内の軽微で可逆的な改善は、不要な確認で作業を止めずに進める。」

[DJ プラパンチャ @prapanca_snares]

以上のような話に興味がある方には、この本がおすすめです。このアカウントで何度も言っていることですが、ここ数十年で急激に進展した近代仏教研究の成果には、我々が本やネットやTLでよく見かける仏教語りの前提や枠組みを根底から揺るがすようなものも含まれてるからめちゃくちゃ面白いでっせ。

[AIDB @ai_database]

A/Bテストの結果を、本物のユーザーに見せる前にLLMだけで7〜9割当てられるようになったという報告です。
Amazonの研究者らによるもの。

やり方は、
1. 実際のユーザーの行動履歴（閲覧パターンなど）を集める
2. LLMに約1000人分の「仮想の顧客」を作らせる
3. 仮想顧客たちにデザイン案AとBを見せて「1〜10点でどちらが好きか」を答えさせる
4. その集計で実際のテスト結果の方向を予測

40件の実際のA/Bテストで検証したところ、クリック率の予測は75％、登録率の予測は80〜90％の精度で当たったそうです。
※ただし得意なのは「どちらのデザインが良いですか」と2案を並べて聞く形式でした（重要）。

なお、自社の顧客データがなくても、公開データから作った仮想顧客で同等以上の成績が出たと報告しています。
一方で、年齢や性別などの属性情報だけで作った仮想顧客は精度が大きく下がり、行動の記録があるかどうかが決め手になっています。

研究者らは、これは本物のテストの代わりではなく、明らかに見込みのない案を事前にふるい落として実験の順番を決めるためのツールだと位置づけています。

[AIDB @ai_database]

Sony AIの研究者らが「科学的事実」をAIで予測する仕組みを開発し、実際に"老化"に関する（まだ誰も発見していない）事実を発見したそうです。
「Hakken（発見）」と名付けられています。

仕組みは以下の通り。
1. 過去の膨大な論文から「何と何がどう関係するか」を年ごとに整理した巨大な関係図を作る
2. その関係図が時間とともにどう成長してきたかを学習
3. これにLLMの知識も組み合わせる
4. 次に見つかりそうな関係を予測する
5. なぜその予測に至ったのかを既存の論文の事実をたどって説明する

実験では、このシステムが老化に関わる遺伝子について150万件の仮説を生成し、生物学者が選んだ3つを外部の実験機関で検証したところ、2つが新しい遺伝子間の関係として確認されました。
（がんで最も変異しやすい遺伝子（TP53）が別の遺伝子に影響するというもので、創薬への応用が期待されています）

なお、計算資源はH100が16枚で数日と、安くはないものの大規模LLMの学習に比べれば小さい規模です。
オープンソース版も公開されています。

[まごちゃん @hae_rotten]

魔が差した

[ron_a @craft_doutor]

@Doreiwouru 天

[ron_a @craft_doutor]

@Doreiwouru こんばんはー

[齊の騰🍎 @sai0419]

日本の古代、不穏すぎる…

[TJO @TJO_datasci]

12年前は実際にそれで「ビジネススキルさえあれば誰でもデータサイエンティストになれる」となって、そういう手合いが面白プロットや滑稽な分析結果をメディアで開陳しては嘲笑されるというケースが相次いだわけで、まぁ歴史ってのは繰り返されるものなんだなと思う

[TJO @TJO_datasci]

データサイエンティストでもAIエンジニアでも何でもいいけど、そういう技術がものを言う職業について「ビジネススキルがなければ無意味」みたいなことを安易に喧伝するのは要注意。ヒトは皆易きに流れるもので、大体は「小難しい技術なんか学ばなくてもビジネススキルさえあれば良い」となりがちなのだ

[TJO @TJO_datasci]

お客様社の社長さんから会議室で「……で、データサイエンス的には我々はどうしたらいいのかね」と聞かれた時に、スマホもPCも開くことなくその場でデータサイエンス的に的確な答えを即座に返せる能力ですかね

[TJO @TJO_datasci]

データ分析の仕事をしていて一番怖いのが「分析結果に基づいてKPIを向上させようと〇〇したら逆にKPIが下がってしまった」という帰結で、これが起きると分析への信頼を失うだけなんですね。なので「未来に対する一定の確からしさ」として汎化性能と再現性を重視してやっています

[TJO @TJO_datasci]

データサイエンティストへの淘汰圧は15年前から既に強烈で、「そもそも偉そうに分析する奴なんて要らない」→「機械学習システムを作れる奴がいれば良い」→「AutoML技術があれば十分」→「生成AIがあれば誰でも務まる」と変遷してきた。なので今更「消える」とか言われてもまたかという感想しかない

[TJO @TJO_datasci]

生成AIによるデータ分析の自動化で仕事をそっくりそのまま奪われる程度の専門性の低さしかない上に、その代わりと称してコンサルやプランナーなど他職種の方が得意な仕事を引き受けることでしか生き残れない職種を、今後も「データサイエンティスト」と称し続けるならそれは単なるネガキャンになるだけ

[TJO @TJO_datasci]

これ結局「データサイエンティスト協会」を名乗りながら生成AIの台頭によってデータサイエンティストという職種の独自性と他職種との差別化を提示できなくなったって言っているのに等しい（この内容なら専門職である理由がない）わけで、協会なんて解散した方が良いのでは
https://t.co/sGfd89FnGh

[宗建イ @araisan_syukyo]

新宗教なのに幕末生まれとか新しくねえじゃねえか、え、新新宗教がある？知らねえよ馬鹿野郎

[幣束 @goshuinchou]

お前の言う「古神道」はアニミズム的な原始信仰のことなのか幕末から明治にかけて隆盛した"仏教以前の神道"を探求する秘術的、呪術的な復古神道のことなのかどっちなんだ馬鹿野郎

[TJO @TJO_datasci]

ビジネスの世界ではよく「出来ない言い訳を探すな」とか言われるけど、理論的に不可能なことを出来ると言い張るのはただの詐欺なんだよなぁと毎回思う

[ikki / stable代表 @ikki_mz]

事業が急成長している時に、データ分析を意思決定に活かそうとするのは、意思決定のスピードが遅れるだけであんまり必要性を感じれないことが多いとは思う。何をしても数値が伸びるんだから、施策の数を打つのが正義だという話にも合理性はある。

ただ、事業が伸び悩んできたり、事業が成熟してきて原価率を1%下げるみたいなフェーズになってくるとデータ分析の重要性が高まってくる。どこに原因があり、どこの数値を向上させるのが一番インパクトが出るかということを論理的に考えて、仮説検証を回していく必要性が出てくるので。

そうなってからデータ分析を頑張ろうとするのは少し遅い。データ分析は、単発で凄まじいインサイトが見つかるようなものではなく、日々ファクトとロジックを積み上げて、少しずつ解像度を上げていく性質のものだから。

また、データ基盤の整備をそこから始めるのも遅い。データ分析の需要が高まってから準備しても、おそらくデータ基盤の開発スピードが、事業側のスピードに追いつかない可能性が高い。ゆえに、データ分析の生産性が低く、集計ミスや定義ずれなどのデータ品質の問題も起きてくるケースが多い。

多くの環境で後手後手のデータマネジメントを見たり聞いたりしてきたので、データ分析とデータ基盤整備の重要性を伝えることで、少しでも経営における優先度が上がればいいと思っている。