人工知能プロジェクトマネージャー試験で実際にどのような問題が出題されるか、分野毎に学習のポイントとサンプル問題をご用意しました。本試験の雰囲気を掴むため、実際にどのような問題が出題されるか体験してください。
一部のサンプル問題については、以下にWEB上で確認できるよう準備していますが、本試験受験者は、「学習のポイントとサンプル問題」の資料をダウンロードの上、確認されることを推奨いたします。
人工知能プロジェクトマネージャー試験問題サンプル:分野A:目標設定能力
人工知能プロジェクトマネージャー試験問題サンプル:分野B:統計的理解
人工知能プロジェクトマネージャー試験問題サンプル:分野C:統計理解の実装力
人工知能プロジェクトマネージャー試験問題サンプル:分野D:モデルの評価/向上能力
人工知能プロジェクトマネージャー試験問題サンプル:分野E:システム構築能力
人工知能プロジェクトマネージャー試験問題サンプル:分野F:プロジェクト遂行能力
人工知能プロジェクトマネージャー試験問題サンプル:分野G:法令理解
形式や出題の考え方を確認の上、学習を進めていただければと思います。
人工知能プロジェクトマネージャー試験の合格に向けて、各領域で参考となる書籍をご紹介します。本ページはこれから学習を始める皆様向けの基本となる書籍の紹介です。参考書籍の内容をかさねがさね理解し、加えて実務での経験を持てば合格に近いポジションとなるでしょう。
本試験では、特に分野A~Dまでを重要視しています。この4つの分野が人工知能プロジェクトマネージャーにとっては根幹となる知見であり、価値を出すために最も有用な知識だからです。すでに実務での経験を持つ方は、本分野に関しては発展編の書籍から入ることもご推奨いたします。分野E~Gについては、受験者様のご経験に応じ、必要と感じる部分については改めて学習・復習されることを薦めます。
受験にあたって、下記の参考書籍をすべて読破する必要があるわけではありません。各人のご経験に応じ、不足する部分を補うためのものとしてご活用ください。また、人工知能分野は日進月歩に変化しており、良書と考えられる書籍が販売された場合、本ページで推薦する図書も更新していきます。
問題を解くにあたり、「そもそも何を問題とすべきなのか」を考えることは非常に重要です。ツールありき、手法ありきでスタートしてしまうとプロジェクトの途中で「もともと何がしたかったんだっけ?」となって空中分解してしまうこともあります。
最後までやりきったとしても、強い意義やビジネスインパクトがあると考え抜かれたわけではない問題は、苦労に対して果実の少ない結果になることも少なくありません。それどころか「現場では意味がないことをわかりながらカタチにするためだけに行っている」ということもあるでしょう。 まず意義ある問題を定義し、この問題に対して人工知能が何を解決してくれるのかというステップを踏むことがプロジェクト成功には不可欠なのです。 ※本分野は発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
本書は外資系コンサルティングファーム入社時の推薦図書となることも多く、著者の齋藤氏含め非常に有名な書籍です。初版は2001年とやや古いものの基本的な考え方は現在に至るまで変化なく、基本的な視点・考え方を学ぶうえで有用な示唆を提供してくれるでしょう。
著者の後正武氏はマッキンゼーで活躍し、その後ベインの日本支社長を務めた人物であり、本書では分析の定義や目的から入って、分析というものの基本的な視点を提供しています。 前項の「問題発見プロフェッショナル」と同様、本書も初版は1998年とやや古いものの、その内容は本質的であり、ビジネス環境が変化した現在においても、おさえるべき基礎として重要な良書です。
統計的・数学的理解はデータサイエンティストにとって本丸とも呼べる知識体系です。幅広くどのような手法論があるか知り、それぞれの特徴や用い方をよく理解しておくことが求められます。
とりわけマネージャーであれば、まずベースとなるモデルを提案し、現場が詰まった時には新たな改善策を提示できなくてはなりません。自身のスペシャリティとしてある手法論に詳しいのはもちろんですが、専門でない手法論についても概略を理解し、「使える」ことが求められます。 ※本分野は発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
代表的なアルゴリズムについて、概略でもある程度網羅的に解説した本は案外少ないものです。本書は教師あり学習・教師なし学習で用いる代表的なアルゴリズムを解説し、またそれぞれの評価方法まで言及している良書になります。 知識の整理や抜け漏れの確認に活用してください。
統計的な理解は最も重要ですが、現場ではこれを実装して「試しながら」検討を深めていきます。そのため、ある程度実装力を持たなければプロジェクトの検討を高速にまわしていくことができません。 Pythonに代表されるモデルの実装プログラム理解や、各種ライブラリの活用方法の理解はマネージャーとしても必須の知識になります。そのうえで、近年登場するGUI型解析ツールの使い方等も問うことになります。 ※本分野は発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
一般的にデータ解析で用いるライブラリの解説から始まり、Jupyter Notebookを使ったPythonの基礎的な実装までステップ・バイ・ステップで解説をしています。本書に登場するライブラリは実務でデータサイエンスを担ったことのある方にとっては馴染み深いものです。知識の整理として、またあまり実装の経験がないままになっているマネージャーの方にとっては、いま一度の学習として本書を活用してください。
機械学習から画像処理、自然言語処理、深層学習と基本的な解析からより複雑な手法を使ったモデルの作成について、具体的なケースを基に解説しています。GitHubからサンプルプログラムもダウンロードすることができるので、手を動かしながら知識を体系化していくことができます。
正しい統計理解を基に、正しく実装ができたとしても、AIエンジニアはそこから最適化への長い道のりを歩んでいくことになります。最適化の経験とノウハウこそ、AIエンジニアにとっては非常に重要なものですが、これを解説した書籍は希少です。まずは汎化性能向上を目指したノウハウの蓄積を推奨します。
※本分野は発展編発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
本書はデータサイエンティストにとって主たる作業の1つであるモデルの改善方法についてまとめています。題目の通り、分析コンペティションで勝つ、すなわち「未知のデータセットに対する汎化性能を上げる」ために特化していますが、こうした改善のワークフローをある程度体系的にまとめた書籍は少ないなか、良い示唆を提供してくれると思います。
人工知能エンジニアであっても、モデル周りのことだけを知っていればいいというわけではありません。2020年現在では人工知能モデル作成に標準的に用いられるのはPythonですが、Pythonの書き方だけでなく、これが動く環境やセキュリティなど、ITに関する基本的な理解もまた不可欠です。
ITエンジニアが知っておきたい基礎知識を、20個のテーマに分けて解説しています。それぞれのテーマの必須知識として七つのポイントを取り上げ、図解とともにわかりやすく説明しています。
人工知能プロジェクトであっても、ごく常識的なプロジェクト遂行の知識は必要です。また実際に問題を解決に導くには、日々様々な困難を乗り越えねばなりません。特に「誰にどの仕事を任せるか」「どう品質を担保するか」はプロジェクト全体の成否を分ける重要な課題といえるでしょう。
ITプロジェクトで一般的に発生する労務管理やクライアントマネジメントといった諸課題を理解するとともに、成功事例・失敗事例をふまえたうえで、プロジェクト進行のポイントを知っておくことが必要です。
日々のプロジェクト運営の中で実際に遭遇する諸課題について、富士通のITプロマネ達が導き出した原則論・経験論が書かれています。特に日々発生する諸課題にどんな種類があるかを理解するとともに、判断の責任が集中して孤独になりがちなマネージャーにとって自身の判断の正しさを事例から確認するうえでもよい示唆を与えてくれると思います。
我が国におけるデータ分析サービスの老舗といっていい、ブレインパッド社のデータサイエンティスト達が実際の現場で発生したリスクや失敗事例を中心に紹介した良書です。例えば社内・クライアント調整など、データ分析で成功するために必要な泥臭い作業まで記載してあり、実際の業務を意識したときに役立つ内容になっています。
データサイエンティストとして経験のある方は体験の整理として、まだ経験量の少ない方はその補完として活用頂きたいと思います。
ビジネスとエンジニアリングに分けて、AIプロジェクトを円滑に回すための基礎知識をまとめています。従来のITプロジェクトとの開発体制の違い、契約に関わる問題、法律やライセンスに関連した問題、見積りに必要となる知識など、事業者側も開発者側も、プロジェクトに関わる全員が知っておくべき情報をまとめています。
人工知能プロジェクトに関する法務系のトピックが網羅されています。しかし本分野は変化の大きい分野であり、最新の情報を扱うものに推薦図書を随時変更します。
経済産業省のまとめたデータ利用に関するガイドラインは最新の法令にそってアップデートされています。最新の情報に触れるにはこちらに目を通しておくとよいでしょう。
人工知能プロジェクトマネージャー試験の合格に向けて、各領域で参考となる書籍(発展編)をご紹介します。基本編の書籍は、をある程度経験を積んだ方にとってはベーシカルすぎると感じられると思います。特に、分野B~Dのより技術的な理解が求められる分野に関して、文系バックグラウンドから合格を目指す方には基本編の書籍だけでは深い理解が難しい点も多くあります。
試験シラバスにあるように、本試験の配点は特に分野A~Dまでが重要視されています。この4つの分野の学びを進めるために、すでにある程度の素地をお持ちの方向けに、参考書籍(発展編)として、より専門的な書籍のご紹介をいたします。
※配点に関しての詳細は試験シラバスもご参照ください。
基本編同様、受験にあたって下記の参考書籍をすべて読破する必要があるわけではありません。各人のご経験に応じ、不足する部分を補うためのものとしてご活用ください。また、人工知能分野は日進月歩に変化しており、良書と考えられる書籍が販売された場合、本ページで推薦する図書も更新していきます。
基本編の書籍を通して、「意義ある問題を定義し、目的を考える」ことの理解は進めることができます。しかし一般論だけで議論していても、なかなか人工知能のプロジェクトに応用した時にどうなるか理解しがたいものです。 ここではビジネス問題とデータサイエンス、意思決定について実例も交えながら解説している書籍を紹介します。
本書は”データをビジネスに活かすために身に付けておくべき基本的な考え方と、データマイニングやモデリングの根底に存在するコンセプトについて、体系的に解説”した一冊になっています。また、ビジネス応用を具体例を用いて解説するだけでなく、基本的なモデルの内容の解説にまで踏み込んでおり、エンジニアとビジネスマンをブリッジしてくれるのに最適な一冊となっています。専門的な内容の書籍が多いオライリーの中でも、入門書としてデータサイエンスの全体像を掴む意味でも有名な良書であると考えます。
統計的・数学的理解はデータサイエンティストにとって本丸とも呼べる知識体系です。幅広くどのような手法論があるか知り、それぞれの特徴や用い方をよく理解しておくことが求められます。
とりわけマネージャーであれば、まずベースとなるモデルを提案し、現場が詰まった時には新たな改善策を提示できなくてはなりません。自身のスペシャリティとしてある手法論に詳しいのはもちろんですが、専門ではない手法論についても概略をりかいし、「使える」ことが求められます。
※本分野は発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
代表的なアルゴリズムについて、概略でもある程度網羅的に解説した本は案外少ないものです。本書は教師あり学習・教師なし学習で用いる代表的なアルゴリズムを解説し、またそれぞれの評価方法まで言及している良書になります。
知識の整理や抜け漏れの確認に活用してください。
統計的な理解は最も重要ですが、現場ではこれを実装して「試しながら」検討を深めていきます。そのため、ある程度実装力を持たなければプロジェクトの検討を高速にまわしていくことができません。
Pythonに代表されるモデルの実装プログラム理解や、各種ライブラリの活用方法の理解はマネージャーとしても必須の知識になります。そのうえで、近年登場するGUI型解析ツールの使い方等も問うことになります。
※本分野は発展編の書籍も参照されることを推奨します。実務経験を持つ方は発展編の書籍からお読みいただく方がより効率的に学習を進められると思います。
本書はscikit-learnを用いてよく利用するモデルについて、豊富なサンプルプログラムを用いて紹介・解説しています。多くの入門書では、例えば線形回帰というとシンプルな多項式回帰を紹介して終わり、ということがあるのですが、本書は線形回帰にしてもLasso、Ridge、確率的勾配回帰などの違いがきちんと記載されており、手で触りながら理解するのに役立つことと思います。
現代のAIエンジニア・データサイエンティストにとって、最も重要な業務の1つにパラメータや前処理などをフィッティングし、精度を上げていく過程があげられます。具体的な課題別のフィッティングノウハウは、書籍としてもインターネット上にも情報が少なく、良質な業務経験がものをいう世界ではあります。その中で基本編・発展編で紹介する各書は、Kaggleコンペティションをターゲットとした汎化性能向上のフィッティングノウハウを記しており、学習者にとって貴重な書籍であると思います。 ※さらに知識を深めたい方はKaggleで公開されている先人たちのコードを参照し、アイデアを吸収するのも貴方の学習を助けると思います。
2021年現在、汎化性能を求めるならば、まず勾配ブースティング木を試し、フィッティングを行っていくのは定石の一つです。しかしこうした定石の存在を示し、そしてxgboostやLightGBMといった勾配ブースティング木系のライブラリで具体的にフィッティングノウハウを解説した書籍はとても貴重です。また、コンペティションのタイプ別に解説を行い、TensorFlowを用いた解説もあり、基本編で紹介した「Kaggleで勝つデータ分析の技術」よりもやや発展した内容となっています。