AIエージェント能力アトラス › 仕事ごとの一覧 › ソフトウェア開発 › データ工学・DB・ML/AI開発

学習パイプライン構築・実験実行

Build ML training pipelines and run experiments

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

定型的なパイプライン構築・ハイパーパラメータ探索はミドルMLエンジニア相当

できること

データローダ・訓練ループ・評価指標込みのパイプラインを自律構築し、複数の実験を並列実行

まだできないこと

新規性のあるモデルアーキテクチャの発明、負の実験結果から次の仮説を独創的に立てること

なぜそうなのか

既存手法の組み合わせ最適化は強いが、パラダイムシフト的な発想は訓練データの延長線上にとどまりやすい

これからの予測の根拠

自動実験実行の効率化は続くが、独創的な仮説生成は2028年でも研究者主導が続くと予測

いま使える主な道具

Claude Code、AI Scientist、Agent Laboratory

根拠

• AI Research Agents for Machine Learning: Search, Exploration, and Generalization in MLE-bench 2025-07
  MLE-benchで研究エージェントの探索・汎化能力を評価する枠組みが整備

同じ分野のほかの仕事（データ工学・DB・ML/AI開発）

• DBスキーマ移行・ETLパイプライン構築
• 論文の再現実装
• データ品質監視・異常検知

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。