人工知能の中心技術の一つにニューラルネットワークと呼ばれるものがあります。ニューラルネットワークは学習できることが特徴なのですが、学習はニューラルネットワークが推論に失敗した時に行われます。つまり、ニューラルネットワークは失敗をしないと何も学習しないのです。人間も同じで失敗しないと成長できないので、たくさん失敗することを勧めます。ただ、どうしても失敗が嫌ということもあるでしょう。そのような場合には、シミュレーションの中で失敗してみてはいかがでしょうか？囲碁や将棋のAIはシミュレーションの中で失敗を積み重ねています。実際の失敗にしろ、シミュレーションにしろ、失敗を重ねることが成長には必要だと思います。

先人の追体験をすることが目的であれば、先人が切り開いた効率的な方法を模倣するのが良いでしょう。しかし、新しい道を切り開く・新たなモノを創造するということであれば、失敗を恐れていては成し遂げられません。研究開発は失敗の時間・費用を想定して計画しますし、失敗は成功の過程です。華やかな成功は、これまでの成功とそれ以上の失敗の上に成り立っていますので、失敗を活かす能力を磨くことが成功への近道であることも多いです。失敗とタイパが良くないは必ずしもイコールではありません。大学の先生を含む研究者や技術者と話をする機会があれば、成功体験を聞くのも良いですが、成功までに経験した失敗談を聞いてみると非常に面白いと思いますよ。

ある時間を費やして、一定の効果が得られたことと、失敗をして効果が得られなかった場合、タイパ（費やした時間に対する効果）の観点からは、前者の方が優れていることになります。しかしながら、それは、その失敗の仕方によって判断が変わるかもしれません。失敗をして効果が0であることは、費やした時間が、とてつもなく長いことと同等です。失敗をしたとしても（長い時間を費やしても）、次につながる糸口が見つかるような本気の失敗だった場合、効果を０とすべきでしょうか。これらの効果に将来的な価値が付加されていれば、選択の結果は大きく変わります。タイパの時代、効果を評価する術、評価する側の能力が問われるのではないでしょうか。

「タイパ」という言葉を知らなかったので、調べてみました。「タイパ」は、三省堂の辞書を編む人たちが選ぶ「今年の新語2022」の大賞に選ばれた言葉です。新明解国語辞典によると、「かけた時間に対する効果（満足度）」という意味らしいです。これを調べるのに費やした時間は5分でしたが、新しい言葉の意味を知ることができて満足したので、タイパは良かったと思います。長い時間を費やして得られる結果については、成功でも失敗でも、個人にとって大きな差はないように思います。成功したなら喜べば良いし、失敗したならその悔しさをバネにして前を向けば良いのです。結局は、その人の考え方次第だと思います。（業績や利益を考える場合は、また別の話かもしれません。）

ニューラルネットワークではノード（あるいはユニット）と呼ばれる単位で計算が行われます。各ノードでの計算の内容は、足し算、掛け算と、0以上か0以下の判定のみであることが主流です。つまり、人間の能力を超えるような囲碁や将棋のAIも、画像生成や質問応答の最先端のAIも、ノードで行っていることは、単純な足し算と掛け算だけなのです。一人の人間ができることは限られています。しかしその人間が集団になることによって、一人ではとてもできないようなことができるようになります。時には意見がぶつかることもあると思いますが、大きなことを成し遂げるには必要なことだと思います。意見がぶつかったときの対処方法は「プロジェクト実験」等を通して本学科で学んでください。

一人で黙々と没頭して手を動かしながら仲間と協働するアイデアを考えてみてはいかがでしょう。相反すると思われている常識を疑ってみることが重要ですね。コンピュータ科学の技術は、できなかったことを実現したり、やりたくないことをコンピュータ任せにしたりすることが可能です。近くに行けないけど顔を見て話したい、家にいながら会社の仕事をする、会計したいけど財布を持ちたくない、外に出ているのに調べものがしたい、などは既に相反することではなくなり、ひと昔前であれば魔法と思われるような技術で実現しています。貴方の悩みも次の魔法のきっかけとなって、近い将来、一人で没頭しながら協働するスタイルが当たり前になっているかもしれません。

ある問いに対して、必ず一つの答えがあれば、一人で没頭して考えることはあるかもしれません。その一方、社会にある問題や課題には答えが複数あることや、答えがないこともよくあります。一人で考えて、複数の答えにたどり着くことは容易ではありません。そこで、他の人と考えることで自分が知らなかった考えや方法を知り、他の複数の答えに至るかもしれません。これは一人で考えるより大きなメリットです。しかし、他の人と考えることは、考えをまとめるという点では、一人で考えるよりも難しいこともあります。そのため、自分の考えを丁寧に説明するとともに、他の人の意見を尊重し、どのように答えをまとめていくかという術が必要となります。

データ科学には、データそのものの知識、データを蓄積・管理する技術、解析のために整える技術、データを解析する能力、そして結果を分かりやすく報告する力など、幅広い知識と技術が必要です。これらの領域はそれぞれ専門性が高く、黙々と作業に集中することが好きな人は、特定の領域でスペシャリストを目指せるでしょう。一方で、人と協力して作業することが得意な人は、複数の領域を横断し、全体を調整するジェネラリストとして活躍できます。このように、データ科学の分野には多様な役割があり、個々の性格や特性に応じて、自分に合った形で貢献できるフィールドが用意されています。データ科学は、知識や技術を学ぶだけでなく、自分の強みを活かせる魅力的な分野です。