つまり、特徴量エンジニアリングで特徴シグナルを抽出し、モデルを訓練し、オンライン/オフラインの推薦シグナルを提供する一連の内容です。
従来の業務系CRUDのフロントエンドとバックエンドは間違いなく完全に終わっていると感じます。この検索・広告・推薦の話を人にしたら、相手は「これはインスピレーションがないと適切なシグナルは得られない」と言いましたが、本当にそうなのでしょうか?それともAIが力技で何とかするのでしょうか?
つまり、特徴量エンジニアリングで特徴シグナルを抽出し、モデルを訓練し、オンライン/オフラインの推薦シグナルを提供する一連の内容です。
従来の業務系CRUDのフロントエンドとバックエンドは間違いなく完全に終わっていると感じます。この検索・広告・推薦の話を人にしたら、相手は「これはインスピレーションがないと適切なシグナルは得られない」と言いましたが、本当にそうなのでしょうか?それともAIが力技で何とかするのでしょうか?
特徴量エンジニアリングの部分は確かに圧縮されましたが、オンラインとオフラインの一貫性、レイテンシ予算、コールドスタートといったエンジニアリング上の制約は依然として残っており、モデルがどれだけ強力でも誰かが支える必要があります。いわゆる「ひらめきに頼る」というのは、限られたシグナルの中で取捨選択を行う経験的な判断に近く、力技で奇跡を起こすことと矛盾するものではなく、別物です。
おっしゃる従来の検索・広告・レコメンドは、具体的にどのようなシーンを指していますか?ECとコンテンツ配信ではシグナルの来源が大きく異なるため、もう少し補足いただいてから判断したほうがよいと思います。
短期的なコストは必ずしも下がるとは限らず、モデルの調整や再トレーニングにかかる計算コストのほうが高くなる可能性がある。
実際に置き換えられるのは反復的なパラメータ調整や手作業の特徴量設計であり、ビジネス理解や目標定義は依然として希少である。ただし、データ品質が悪くフィードバックが乏しい場面では、AI も安定した成果を上げるのは難しい。
国内の大手企業と海外の中小チームでは、この職種に対する需要のペースが大きく異なる可能性があり、一概には論じられません。
リリース時の特徴量バックフィルと履歴データの整合性は最も問題が起きやすい部分なので、この作業量を過小評価しないでください。
まず「影響」が人員削減を指すのか業務内容の変化を指すのかを明確にしないと、結論はまったく異なります。