統計家

米国。統計局は、統計家の雇用が2025年から2035年に11%、31,300人から34,700人へ増えると予測し、その理由として、企業、医療、政策の意思決定に役立てるための統計分析の利用の広がりと、デジタルで保存されるデータの量の増加を挙げている。このページは人工知能、機械学習、自動化には触れていない。

立場のある名指しの人物が、ある日付に、帰属のつく言明として何かを公けに予測した。誰がいつ何を言ったのかが確かめられるまま残るように記録するのであり、そして業務の判断を決して動かさない。予測は観測ではないからである。その価値は後から来る——この記録は、その職業についての証拠と同じページの上に載るので、予測を読む人は、そのあと何が起きたかの記録を隣で読むことになる。それが決算である。この site は、ある予測が当たったかどうかについて何の判定も公表しない。

英国。規制機関は、統計局の Survey Assist のようなツールが、繰り返しの処理に費やす時間を減らし、統計家が品質保証と利用者のニーズに応えることにより力を注げるようにする助けになりうるとする一方、規制の経験からは、公的統計での AI の利用はいまも主に研究開発、試験、管理面の支援に向けられており、日常的な統計の作成には至っていないことがうかがえると述べている。一つの国についての規制機関の評価であり、件数は示していない。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

米国。国勢調査局の職員は、アメリカン・コミュニティ・サーベイの産業・職業の回答のための言語モデルによる自動コーダーが、産業と職業をともにコード化できた割合を28%から52%に上げ、事務のコーディングに回される件数を毎月32%、年にして50万件減らしたと報告している。確率のしきい値は、誤り率が約6%、つまり事務職のコーダーが満たさなければならない上限になるように選ばれた。スライドには見解は著者のものであって国勢調査局のものではないと書かれており、モデルを作った請負業者も著者に含まれている。コーディングは事務の仕事であり、しきい値を定めたのは統計家である。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

グレートブリテン。透明性記録は、段階を導入前としたうえで、このツールが回答者の入力に基づいて追加の質問をし、仕事と産業を明確にしたうえで SIC と SOC のコードを決めると述べている。研究開発の間は人が綿密に分析するが、モデルが尋ねる質問やモデルが出す結果に人が直接介入することはなく、研究段階では事務職員が正確さを確認する。試験運用であり、結果は報告されていない。

実際の場での小規模な試行。導入の条件が試されていることを教えてくれるのであって、それが成り立つことを教えてくれるのではない——だから一件の試行は単独では決して足りず、独立した二件で足りる。

欧州連合。このリフレクションペーパーは、臨床試験の中でデータの変換、解析、解釈に AI や機械学習のモデルが使われる場合、それは統計解析の一部であり、統計の原則に関する該当する指針に従うべきだとしている。ピボタル試験では、データの処理の流れとモデルを事前に規定し、固定し、統計解析計画に記録すべきであり、逐次学習の手法は認められず、試験中の変更には計画を改訂するための規制当局とのやりとりが必要になる。法的拘束力のないリフレクションペーパーであり、それが拘束するのは治験依頼者であって、名指しされた個人ではない。

失敗、撤回、規制、あるいは費用が導入を抑えている。判断を下げる、あるいはその不確かさを広げることがある。

教科書、オンライン学習教材、学術論文から集めたデータシート付きの411問からなる学術的なベンチマークで、統計的・因果的推論を試すもの。最も強いモデルである GPT-4 の正答率は58%だった。モデルはデータ分析と因果推論に苦労し、因果の知識と与えられたデータを一緒に使うことに苦戦した。2024年時点のモデルを教科書的な問いで試したものであり、統計家の仕事を試したものではない。

実演、ベンチマーク、あるいは論文が、その業務をやれることを示している。技術に何ができるかを更新するのであって、雇用主が何をするかを更新するのではない。

カナダ。同機関の職員は、産業、職業、従業上の地位の機械学習によるコーディングが、2021年10月に労働力調査の作成工程に首尾よく導入されたと報告している。それを使った場合と使わない場合で作成した13,665件の公表推計値を比べたところ断絶は見られず、機械学習が手作業のコーディングの仕事の性質を変えると見込んでいる。同機関自身のシンポジウム論文である。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

これから始めるなら、定型的なコーディングとデータのクリーニングはモデルが行い、あなたはそれを確認する側になると考えておくこと。モデルがしないことを身につけること——研究の設計、データが何を支えられるかの判断、そして自動化された工程の品質保証である。

仕事のより多くがしきい値の設定と機械の出力の確認になり、手作業の処理は減ると考えておくこと。設計、方法論、助言はあなたに残る。

職の形を組み替える

自動化された工程の品質保証を引き受ける

コーディングを自動化した統計機関では、統計家が誤差のしきい値を定め、公表推計値に断絶がないかを確かめた。

留まって強くする

設計と方法論にとどまる

本番で AI が標本や試験を設計していることを示す記録はなく、臨床試験の規則は AI による解析を前もって解析計画の中で固定することを求めている。

隣へ移る

臨床試験の統計へ移る

医薬品の規制機関は試験の解析における AI を統計解析の一部として扱っており、その両方がわかる統計家が必要になる。

現在の証拠からはそうではない。統計機関は調査の回答のコーディングの多くを自動化したが、しきい値を定めて結果を確かめるのは統計家であり、規制機関は AI がまだ公的統計の日常的な作成には入っていないとしている。そして米国は統計家の職が2025年から2035年に11%増えると予測している。

その問いに年数では答えない。統計機関が AI をコーディングから推定や解析へ広げるかどうか、そして臨床試験の規制機関が何を認めるかを見ること。そのほうが、どんな日付よりも多くを教えてくれる。

できる。一部の統計機関では本番で使われている。米国国勢調査局の言語モデルによる自動コーダーは、職業・産業の回答のうち自動でコード化される割合を28%から52%に上げ、しきい値は事務職のコーダーに課される6%の誤り率の上限に合わせて定められた。

欧州の医薬品規制機関によれば、AI モデルを試験データの解析に使う場合、それは統計解析の一部であり、統計の原則に従わなければならず、ピボタル試験では解析計画の中で固定しなければならない。試験中に学習し続けるモデルは認められない。