最終更新日：2026年8月27日
gk mlops cheatsheet
G検定トップ
＞ 機械学習プロジェクトの役割とは？ビジネス・データ・開発運用【G検定対策】
まず結論
機械学習プロジェクトでは、主に次の視点が必要です。
- ビジネス側：何を解決するか、何を成果とするかを整理する
- データサイエンス側：データを分析し、モデルを構築・評価する
- エンジニアリング側：モデルをシステムへ組み込み、安定運用する
G検定では、役割の中心を切り分けつつ、実際には連携・重なりがあることも押さえます。
直感的な説明
「何を作るか」「どう予測するか」「どう使い続けるか」を、それぞれ別の視点で支えるイメージです。
ただし、必ず3人・3職種に分かれるわけではありません。小規模な組織では1人が複数の役割を担うこともあります。
定義・仕組み
ビジネス側
- 業務課題の整理
- 目的・KPIの設定
- モデル結果の業務上の評価
データサイエンス側
- データ分析
- 特徴量設計
- モデル構築・評価
- 実験と改善
エンジニアリング側
- システム実装
- デプロイ
- パイプライン・自動化
- 運用・監視
MLOpsでは、これらの担当がデータ・モデル・コード・業務要件を共有しながら連携することが重要です。
いつ使う？（得意・不得意）
役割分担を考えるときは、職種名だけでなく何を判断する仕事なのかを見ると分かりやすいです。
- 業務目的・KPI → ビジネス側
- 分析・モデル性能 → データサイエンス側
- 実装・デプロイ・運用 → エンジニアリング側
G検定ひっかけポイント
役割は完全に固定？
❌ データサイエンティストは運用に関わらない
⭕ 組織によって役割は重なり、連携が前提
業務KPIとモデル指標
❌ モデル精度が高ければビジネス上も成功
⭕ 業務KPIとモデル指標は別なので両方を見る
職種名だけで切る？
❌ 「営業だから関係ない」と職種名だけで判断する
⭕ その人が担う役割・責任で判断する
まとめ（試験直前用）
- 業務目的・KPI → ビジネス側
- 分析・モデル → データサイエンス側
- 実装・運用 → エンジニアリング側
- 役割は固定的ではなく重なることがある
- MLOpsでは部門横断の連携が重要