【シラバス】データサイエンティスト検定

基盤
価値創造力
データサイエンス力
データエンジニアリング力
融合
数理

基盤

行動規範

ビジネスマインド

[Biz-1] スキルレベル★：ビジネスにおける「論理とデータの重要性」を認識し、分析的でデータドリブンな考え方に基づき行動できる
[Biz-2] スキルレベル★：「目的やゴールの設定がないままデータを分析しても、意味合いが出ない」ことを理解している
[Biz-3] スキルレベル★：課題や仮説を言語化することの重要性を理解している
[Biz-4] スキルレベル★：現場に出向いてヒアリングするなど、一次情報に接することの重要性を理解している
[Biz-5] スキルレベル★★：作業ありきではなく、解決すべき課題（イシュー）ありきで行動できる

データ・AI倫理

[Biz-6] スキルレベル★：データを取り扱う人間として相応しい倫理を身に着けている（データのねつ造、改ざん、盗用を行わないなど）
[Biz-7] スキルレベル★：データ、AI、機械学習の意図的な悪用（真偽の識別が困難なレベルの画像・音声作成、フェイク情報の作成、Botによる企業・国家への攻撃など）があり得ることを勘案し、技術に関する基礎的な知識と倫理を身につけている
[Biz-8] スキルレベル★：データ分析者・利活用者として、データの倫理的な活用上の許容される範囲や、ユーザサイドへの必要な許諾について概ね理解している（直近の個人情報に関する法令：個人情報保護法、EU一般データ保護規則、データポータビリティなど）

論理的思考

MECE

[Biz-9] スキルレベル★：データや事象の重複に気づくことができる
[DS-10] スキルレベル★★：初見の課題やテーマに対して、検討の抜け漏れや重複をなくすことができる
[Biz-11] スキルレベル★★★：前例のない課題やテーマであっても、他の事象からの類推などを活用し、検討の抜け漏れや重複をなくすことができる

構造化能力

[Biz-12] スキルレベル★：与えられた分析課題に対し、初動として様々な情報を収集し、大まかな構造を把握することの重要性を理解している
[Biz-13] スキルレベル★★：様々なデータや事象を、階層やグルーピングによって、適切に構造化できる

言語化能力

[Biz-14] スキルレベル★：対象となる事象が通常見受けられる場合において、分析結果の意味合いを正しく言語化できる
[Biz-15] スキルレベル★★：対象となる事象が通常見受けられない場合においても、分析結果の意味合いを既知の表現を組み合わせ、言語化できる

課題の定義

KPI

[Biz-16] スキルレベル★：担当する分析プロジェクトにおいて、当該事業の収益モデルと主要な変数を理解している

アプローチ設計

生成AI活用

[Biz-17] スキルレベル★：大規模言語モデルにおいては、事実と異なる内容がさも正しいかのように生成されることがあること（Hallucination）、これらが根本的に避けることができないことを踏まえ、利用に際しては出力を鵜呑みにしない等の注意が必要であることを知っている
[Biz-18] スキルレベル★★：Hallucinationが起きていることに気づくための適切なアクションをとることができる（検索等によるリサーチ結果との比較や、他LLMの出力結果との比較、正確な追加情報を入力データに付与することによる出力結果の変化比較など）
[Biz-19] スキルレベル★★★：大規模言語モデルでの Hallucination に惑わされないために、どのような質問は適切で、どのような質問が適切でないかを判断して利用できる

データ理解

統計情報への正しい理解

[Biz-20] スキルレベル★：単なるローデータとしての実数だけを見ても判断出来ない事象が大多数であり、母集団に占める割合などの比率的な指標でなければ数字の比較に意味がないことがわかっている
[Biz-21] スキルレベル★：ニュース記事などで統計情報に接したときに、数字やグラフの不適切な解釈に気づくことができる
[Biz-22] スキルレベル★★：自身の判断に必要となる統計情報を積極的に収集するとともに、表現に惑わされず数字を正当に評価できる（原点が0ではないグラフ、不要な3D化、不要な2軸化、目盛りの未記載など）
[Biz-23] スキルレベル★★★：統計情報から有益な知見を得るために、何と比較するべきかすみやかに把握し、収集・利用できる（業務データや過去に接触した統計情報の想起・活用を含む）

ビジネス観点での理解

[Biz-24] スキルレベル★：ビジネス観点で仮説を持ってデータをみることの重要性と、仮に仮説と異なる結果となった場合にも、それが重大な知見である可能性を理解している
[Biz-25] スキルレベル★★：統計手法を用いる際の閾値の設定に対して、ビジネス観点で納得感のある調整ができる（年齢の刻み、商品単価、購入周期を考慮した量的変数のカテゴライズなど）
[Biz-26] スキルレベル★★★：分析プロセス全体を通して、ビジネス観点での妥当性をチェックし、データから得られた示唆が価値ある知見であるかを都度判断できる

意味合いの抽出、洞察

[Biz-27] スキルレベル★：分析結果を元に、起きている事象の背景や意味合い（真実）を見抜くことができる
[Biz-28] スキルレベル★★：分析結果を元に、特異点、相違性、傾向性、関連性を見出した上で、ビジネス上の意味を捉えるためにドメイン知識を持つ人に適切な質問を投げかけられる
[Biz-29] スキルレベル★★：分析結果を元に、意味合いの明確化に向けた分析の深掘り、分析対象データの見直しについて方向性を設計できる

データの理解・検証

俯瞰・メタ思考

[Biz-30] スキルレベル★：データが生み出される経緯・背景を考え、データを鵜呑みにはしないことの重要性を理解している

データ可視化

方向性定義

[Biz-31] スキルレベル★：データの性質を理解するために、データを可視化し眺めて考えることの重要性を理解している

ITセキュリティ

攻撃と防御手法

[Biz-32] スキルレベル★：マルウェアなどによる深刻なリスクの種類（消失・漏洩・サービスの停止など）を理解している

生成AI

生成AI活用

[Biz-33] スキルレベル★：生成AIの仕組みを理解し、業務や課題解決に活用できる、または基礎的な知識や活用方法を理解している

価値創造力

構想・探索（Visioning）

技術・社会潮流の洞察（Trend Sensing & Technological Foresight）

技術・社会潮流の洞察

世界や社会の変化を流行ではなく構造として読み解き、技術革新がもたらす転換点を先読みする力。過去のパターンを超えて未来の意味構造を描き、組織や産業の方向性に新たな文脈を与える

[CRE-1] ★（見習い）：主要な技術・社会トレンドを理解し、基本的な因果関係を説明できる
[CRE-1] ★★（一人前）：技術・文化・制度変化の交差点を見抜き、変化の本質を言語化できる
[CRE-1] ★★★（棟梁）：新たな時代の兆しを物語として構築し、社会や産業の方向性を先導できる

構造的因果の理解

技術・文化・環境・制度など複数要因の連関を捉え、変化の背後にある因果構造を見抜く力。個別トレンドを越えて、社会・産業システム全体の変化モデルを構築する

[CRE-2] ★（見習い）：単一領域での因果関係の仮説を整理し、説明できる
[CRE-2] ★★（一人前）：複数の要因を関連づけて因果構造を分析できる
[CRE-2] ★★★（棟梁）：産業や社会システム全体の因果モデルを設計し、方向性を提言できる

変化のストーリー化

技術・社会・文化の変化を、継続と断絶のストーリーとして再構成し、組織が自身の未来像を理解できる共通言語に変換する力。個別の事象や変化を超えて“なぜそれが今起きているか”を語ることで、未来の洞察を共有知にする

[CRE-3] ★（見習い）：変化の出来事を整理し、概要を説明できる
[CRE-3] ★★（一人前）：変化の連続性と転換点を明確に区別して語れる
[CRE-3] ★★★（棟梁）：未来のストーリーを構築し、組織の方向性を形成できる

課題の再定義（Problem Redefinition）

未充足ニーズの洞察

表層的な課題の背後にある未充足ニーズを洞察し、価値創造の焦点を見立てる力。既存のビジネス構造や常識を超えて、社会や組織にとっての本質的課題を再設定する

[CRE-4] ★（見習い）：顕在化した課題を整理し、既存の枠組みで説明できる
[CRE-4] ★★（一人前）：潜在ニーズや構造的問題を特定し、新たな課題を設定できる
[CRE-4] ★★★（棟梁）：社会的・文化的文脈を含めた本質課題を再定義し、新しい焦点を提示できる

構造転換

既存の課題構造や慣習的前提を可視化し、それを再構成することで新しい問題解決の道筋をつくる力。変化に適応するだけでなく、問題の枠組みそのものを転換する

[CRE-5] ★（見習い）：現状の課題構造を整理し、説明できる
[CRE-5] ★★（一人前）：背後の構造的要因を可視化し、問題を再構成するための方向性を示せる
[CRE-5] ★★★（棟梁）：問題の枠組みそのものを転換し、新しい意味づけを創出できる

新視点の提示

従来の問題設定を超え、異なる領域や視座を組み合わせて新しい問いを提示する力。組織の思考の枠を揺さぶり、変化のための新しい観点を導入する

[CRE-6] ★（見習い）：他分野や他視点を取り入れて新しい切り口を提示できる
[CRE-6] ★★（一人前）：新しい切り口を組織に適応し得る形で提示できる
[CRE-6] ★★★（棟梁）：社会・産業レベルで新しい問題意識を喚起し、変革を先導できる

意味構造設計（Value & Meaning Design）

意味翻訳・統合

異なる専門・文化・世代間で共有されていない意味のズレを翻訳し、共通理解を生み出す力。対話を通じて多様な立場をつなぎ、組織や社会に新しい意味構造を構築する

[CRE-7] ★（見習い）：異なる立場の視点や言葉の意図の違いを理解できる
[CRE-7] ★★（一人前）：関係者の理解を統合するための共通言語や意味合いを設計できる
[CRE-7] ★★★（棟梁）：複数の組織や文化・専門領域を横断し、新しい意味構造を形成できる

戦略的価値設計

技術・社会・産業のダイナミクスを踏まえ、価値創造の方向性を構造的に設計する力。個々のプロジェクトを越えて、長期的な価値体系を描き出す

[CRE-8] ★（見習い）：現行の価値や方向性を整理し、説明できる
[CRE-8] ★★（一人前）：新しい価値構造や方針を設計できる
[CRE-8] ★★★（棟梁）：社会・産業全体を見据えた価値戦略を描ける

社会インパクト設計（Impact Scenario Design）

シナリオ設計

社会・技術・経済の不確実な変化を前提に、複数の未来シナリオを構築する力。リスクと機会を並行して見立て、柔軟な戦略的オプションを設計する

[CRE-9] ★（見習い）：変化要素を整理し、基本的なシナリオを描ける
[CRE-9] ★★（一人前）：複数のシナリオを設計し、リスクと機会を定義できる
[CRE-9] ★★★（棟梁）：社会的インパクトを踏まえた統合的な未来シナリオを提示できる

社会・経済インパクト評価

経済的価値だけでなく、環境・文化・社会的価値を統合的に事前評価し、方向性を設計する力。持続可能性と利益創出を両立するための新しい指標系を生み出す

[CRE-10] ★（見習い）：経済的成果を評価できる
[CRE-10] ★★（一人前）：社会・環境価値を含む複合的評価を行える
[CRE-10] ★★★（棟梁）：統合的なインパクト指標を設計し、戦略に反映できる

設計（Design）

事業・モデル設計（Business Design）

ビジネスアーキテクチャ設計

技術と社会ニーズを結び直し、新しい価値連鎖と収益構造を設計する力。仮説→検証→再設計のループで事業性・実現性・持続可能性を統合し、戦略と実装を橋渡しする

[CRE-11] ★（見習い）：既存事業の構造を説明できる
[CRE-11] ★★（一人前）：新しい価値連鎖と収益構造を設計できる
[CRE-11] ★★★（棟梁）：市場・組織を横断した事業アーキテクチャを再設計し先導できる

価値ストーリー設計

抽象的な構想を、関係者が理解し動けるストーリーとして再構成する力。顧客・現場・経営を同じ地図に乗せ、意思決定と資源配分を駆動するコミュニケーション設計を行う

[CRE-12] ★（見習い）：価値提案を要約して伝えられる
[CRE-12] ★★（一人前）：意思決定に資するストーリーと可視化を設計できる
[CRE-12] ★★★（棟梁）：複数ステークホルダーを巻き込み変革のストーリーを主導できる

価値検証デザイン

“解けなかった問題”をAI・データで再挑戦する検証設計力。MVP（Minimum Viable Product）やPoCで事業性を早期に見極め、指標・リスク・学習計画を組み込んだ検証から拡張の道筋を描く

[CRE-13] ★（見習い）：PoCを計画できる
[CRE-13] ★★（一人前）：MVP/PoCで事業性・実現性の要点を検証できる
[CRE-13] ★★★（棟梁）：検証結果から事業拡張戦略、資金計画に落とし込み、全体を主導できる

システム・AI設計（System & Agent Design）

AIとの協働構造設計

AIと人の役割分担（自動・補助・判断）を定義し、業務・UX・技術制約を往復して最適な協働プロセスを設計する力。失敗時のフェイルセーフやエスカレーションも組み込む

[CRE-14] ★（見習い）：人とAIの基本的な役割分担を説明できる
[CRE-14] ★★（一人前）：業務・UX・技術を統合した協働プロセスを設計できる
[CRE-14] ★★★（棟梁）：大規模運用を前提に責任範囲・安全策を制度化できる

適応的アーキテクチャ設計

将来の技術進化・スケール・障害を織り込んだ拡張可能な全体設計力。段階的移行やリカバリーを設計し、レガシーとクラウド/エッジを滑らかに接続する

[CRE-15] ★（見習い）：現状のアーキテクチャを整理し、説明できる
[CRE-15] ★★（一人前）：拡張・移行・復旧を含む全体設計ができる
[CRE-15] ★★★（棟梁）：事業の成長段階に合わせた適応型アーキテクチャを描ける

価値文脈統合

AI・データを“価値の文脈”から設計に統合し、目的→指標→データ→モデル→運用を一本化する力。人とAI・データの関係を直感的かつ倫理的に設計する

[CRE-16] ★（見習い）：目的に応じた指標を設計できる
[CRE-16] ★★（一人前）：指標・データ・モデル・運用を一貫設計できる
[CRE-16] ★★★（棟梁）：価値文脈を軸に人・AI・データの関係を制度化できる

ガバナンス・倫理設計（Governance Design）

倫理・リスク設計

AI倫理・品質・セキュリティ・プライバシーの多層防御を設計する力。人間の介在が難しい場面を想定し、異常時対応・監査証跡・説明責任を仕組みに埋め込む

[CRE-17] ★（見習い）：主要リスクを列挙できる
[CRE-17] ★★（一人前）：多層防御と運用手順を設計できる
[CRE-17] ★★★（棟梁）：監査・説明・回復まで含む統合リスク設計を主導できる

適応的ガバナンス構築

技術進化と規制のズレを前提に、ガイドライン・標準プロセス・体制を継続的に更新する力。専門組織による集約的アプローチや、地域差・業界差に応じたローカライズも設計・運用する

[CRE-18] ★（見習い）：既存の規程を自身の業務・タスクに適用できる
[CRE-18] ★★（一人前）：運用と整合する実践的ガイドラインを設計できる
[CRE-18] ★★★（棟梁）：業界横断の新基準や地域別運用モデルを設計し、主導できる

社会的信頼のおけるアーキテクチャ設計

環境負荷・倫理・安全を三位一体で設計し、社会からの信頼を得る基盤を構築する力。評価指標とKPIを整え、事業判断に接続する

[CRE-19] ★（見習い）：基本的な評価観点を示せる
[CRE-19] ★★（一人前）：信頼を得るための指標系と運用ルールを設計できる
[CRE-19] ★★★（棟梁）：社会からの信頼を得るアーキテクチャを組織横断で制度化できる

組織・人・PJ設計（Change Readiness Design）

変革文化設計

組織や業務の劇的な移行による「相転移」や「ゆらぎ」を意図的に生み、実験と越境が常態化する文化を設計する力。KPIや人事制度・予算プロセスを変革の行動様式に合わせて再設計する

[CRE-20] ★（見習い）：実験の場を企画できる
[CRE-20] ★★（一人前）：制度・評価と接続した変革文化を設計できる
[CRE-20] ★★★（棟梁）：事業・人事・財務を横断し、組織文化の変革への仕掛けを設計できる

協働基盤設計

多様な才能が創造的に協働できる制度・役割・プロセスを設計する力。合意形成・対立解消・資源配分を運営ルールとして実装する

[CRE-21] ★（見習い）：多様な背景を持つ人々と協働する意義を理解し、関係者を特定できる
[CRE-21] ★★（一人前）：多様な才能を活かす協働のルールと運営プロセスを設計できる
[CRE-21] ★★★（棟梁）：大規模組織・外部連携を含む協働基盤を組織横断で主導できる

越境推進

レガシー秩序に揺さぶりをかけ、既存モデルの慣性を超える越境・実験を設計する力。資金・人材・データ・計算資源の獲得までを含め、AI転換を推進する

[CRE-22] ★（見習い）：既存の枠を超えた協働の必要性を理解し、小規模な連携を企画できる
[CRE-22] ★★（一人前）：部門横断・組織外連携を含むプロジェクトを、資源確保と調整を含めて設計できる
[CRE-22] ★★★（棟梁）：全社規模の組織変革とAI×データ変革を、経営レベルで主導できる

構築・運用（Build & Operate）

データ整備（Data Readiness）

データ基盤設計

業界特性や契約条件を踏まえたデータ整備・基盤構築を行う力。データの流通経路・保管・アクセス設計を一貫してデザインし、品質と再利用性を両立させる

[CRE-23] ★（見習い）：既存データ資産を把握し活用範囲を整理・説明できる
[CRE-23] ★★（一人前）：業界特性と契約条件を踏まえたデータ基盤を設計できる
[CRE-23] ★★★（棟梁）：事業横断で持続可能なデータ基盤を設計・運用できる

AI-Ready データ整備

ノイズ・欠損・バイアスを考慮しながら、AI活用に適したデータ構造・特徴量・メタデータを設計し、データ品質・倫理性を確保する力。権利処理や透明性も含め、データ活用環境を構築・運用する

[CRE-24] ★（見習い）：データの品質課題を特定し、AI活用目的に沿った改善提案ができる
[CRE-24] ★★（一人前）：品質・権利・透明性を考慮し、学習・推論に適したデータを設計できる
[CRE-24] ★★★（棟梁）：AI活用に適し、倫理・品質・透明性を包括したデータ基盤と体制を構築し、制度として運用できる

データ流通・調達

データの調達・共有・利用契約を俯瞰し、持続可能なデータ流通構造を設計する力。パートナーや行政との連携を含めたデータエコシステムを構築する

[CRE-25] ★（見習い）：契約内のデータの取り扱いにおける基本的な条件を理解・遵守できる
[CRE-25] ★★（一人前）：データの調達・共有のための契約・規約と、技術仕様を整合させた設計ができる
[CRE-25] ★★★（棟梁）：データ流通エコシステム全体を構想・設計できる

開発・評価（AI Development & Validation）

PoC設計・実装

実現可能性や事業インパクトを検証するためのPoC（概念実証）を設計・実装する力。小規模実験を通じてリスクと価値を見極め、学習と改善につなげる

[CRE-26] ★（見習い）：検証目的を定義し、小規模なPoCを自ら実装・検証できる
[CRE-26] ★★（一人前）：事業価値を踏まえたPoCを設計し、チームで実装・評価できる
[CRE-26] ★★★（棟梁）：PoC成果を評価し、MVP・事業化への移行を判断・主導できる

MVP開発

最小限の機能・モデル・UXを構築し、MVPで価値と実現性を検証する力。実利用データを通じて事業インパクトを定量化する

[CRE-27] ★（見習い）：基本機能を持つ試作を実装できる
[CRE-27] ★★（一人前）：MVPを設計・検証し改善ポイントを導出できる
[CRE-27] ★★★（棟梁）：MVP成果を事業化・資金化に接続できる

業務モデル化

業務知識や技能を分析・構造化し、AIで代替・補完可能な業務プロセスへ変換する力。人・組織を形式知化し、モデル化する

[CRE-28] ★（見習い）：業務手順を整理し構造を説明できる
[CRE-28] ★★（一人前）：AI活用を前提とした業務モデルを設計できる
[CRE-28] ★★★（棟梁）：人・AI・組織を含む業務最適化をモデルとして再設計できる

継続運用・改善（MLOps & Monitoring）

運用監視設計

サービスの安定稼働とリスク検知を両立させるモニタリング体制を設計する力。利用状況・ユーザー行動・リスク兆候の分析を用いて異常検知と対応プロセスを構築する

[CRE-29] ★（見習い）：主要な運用指標をモニタリングできる
[CRE-29] ★★（一人前）：監視と警告の設計を行いリスク対応を自動化できる
[CRE-30] ★★★（棟梁）：全社レベルでMLOps基盤を運用・改善できる

継続学習・改善

AI・データ・サービスの改善を継続的に行う力。利用データを再学習やモデル更新に反映し、品質を長期的に維持する

[Biz-30] ★（見習い）：再学習の必要性を判断できる
[Biz-30] ★★（一人前）：モデル更新・検証サイクルを設計・運用できる
[Biz-30] ★★★（棟梁）：学習・改善プロセスを組織全体に展開できる

モデル・リスク統合管理

モデル精度・リスク・説明責任プロセスを並行して管理し、透明で持続可能なMLOps基盤やガードレール、モデレーションを構築する力。評価・監査・再訓練プロセスを一体で設計する

[CRE-31] ★（見習い）：モデル評価の基本指標を理解できる
[CRE-31] ★★（一人前）：リスクと精度を統合的に管理できる
[CRE-31] ★★★（棟梁）：説明責任と監査性を備えたガードレールやモデレーションを構築・主導できる

定着と横展開（Organizational Anchoring）

ガバナンツ実装

品質・倫理・再現性を担保するAIガバナンス・データガバナンスを制度化し、運用する力。組織横断で責任と権限を整理し、運用ガイドラインを定着させる

[CRE-32] ★（見習い）：AIガバナンスの枠組みを理解・遵守できる
[CRE-32] ★★（一人前）：AIガバナンスの体制を組織内で主導的に設計・導入できる
[CRE-32] ★★★（棟梁）：ガバナンスを組織文化として定着させることができる

ナレッジマネジメント

成功事例・失敗知見を体系化し、共有・再利用する仕組みを構築する力。ベストプラクティスを横展開し、学習する文化を醸成する

[CRE-33] ★（見習い）：ナレッジを記録・共有できる
[CRE-33] ★★（一人前）：成功・失敗知見を体系化し展開できる
[CRE-33] ★★★（棟梁）：組織全体で学習文化を根づかせることができる

変革定着

新しい価値創造を持続させるために、成功モデルを制度・組織文化に埋め込む力。部門間の連携とフィードバックを通じて変化を定常化させる

[CRE-34] ★（見習い）：成功要因を整理し、共有できる
[CRE-34] ★★（一人前）：変化を支える制度・文化を設計できる
[CRE-34] ★★★（棟梁）：継続的変革を推進する横断構造を主導できる

適用・進化（Apply & Evolve）

移住（Old Economy Bridging）

再結合の設計

既存の資産・制度・文化・技術を組み合わせ、新たな社会的・経済的秩序を設計する力。今までの構造を土台に新しい仕組みを創出する

[CRE-35] ★（見習い）：既存資産を把握し、再利用の可能性を見出せる
[CRE-35] ★★（一人前）：資産や制度の再結合を設計できる
[CRE-35] ★★★（棟梁）：社会・産業レベルで新秩序を構築できる

実験的価値創造

今までの構造と新構造をつなぎ、実験的な価値創造を行う力。AI・データ・人・文化を組み合わせて新しい活動や仕組みを共創する

[CRE-36] ★（見習い）：新旧構造を比較・整理できる
[CRE-36] ★★（一人前）：新旧両者を接続し、新しい価値創造を設計できる
[CRE-36] ★★★（棟梁）：越境的な価値創造の場を主導できる

継承・移譲設計

新しい知・技術・文化を次世代や他コミュニティに継承する力。学びと実践を循環させ、持続可能な発展構造を形成する

[CRE-37] ★（見習い）：知識・技術を伝達できる
[CRE-37] ★★（一人前）：学びを次世代・他組織に移譲できる
[CRE-37] ★★★（棟梁）：知と文化を持続的に継承するエコシステムを設計できる

効果測定・改善（Evaluation & Learning）

経済・社会価値評価

経済的価値と社会的価値の両面で成果を測定し、意思決定や改善に反映する力。経済・社会・環境・文化の観点からインパクトを捉え、バランスの取れた評価を行う

[CRE-38] ★（見習い）：経済的な成果を定量・定性の両面で評価できる
[CRE-38] ★★（一人前）：経済・社会的価値を統合して測定できる
[CRE-38] ★★★（棟梁）：経済・社会的価値を統合し、戦略評価を主導できる

学習サイクル設計

成果から学びを抽出し、改善と成長を継続的に循環させる仕組みを設計する力。組織・個人の自律的な改善を促進し、進化の文化を定着させる

[CRE-39] ★（見習い）：改善点を特定し、次の行動を設計できる
[CRE-39] ★★（一人前）：成果・失敗を学習に変換するサイクルを設計できる
[CRE-39] ★★★（棟梁）：改善と成長が循環する文化を全社的に浸透させることができる

知識再利用設計

実践から得た知識・データ・経験を再利用可能な形で整理・共有する力。学習成果をモジュール化・構造化し、他部門・他組織に適応させる

[CRE-40] ★（見習い）：得られた知識を記録・共有できる
[CRE-40] ★★（一人前）：知識やデータを再利用可能な形に整理・共有できる
[CRE-40] ★★★（棟梁）：知を組織・地域・世代を超えて再利用できる仕組みを構築する

制度・文化改革（Organizational Change）

変革文化定着

対話と学習を通じて変革文化を定着させ、持続的な変化を可能にする力。短期的な圧力に流されず、価値創造の信念を持ち続けて推進する

[CRE-41] ★（見習い）：変革の意図を理解し、実行できる
[CRE-41] ★★（一人前）：チーム・部門単位で変革文化を醸成できる
[CRE-41] ★★★（棟梁）：全社レベルで自律的な変革文化の形成を主導できる

制度再設計

既存の制度・評価・採用・配置などを再設計し、変革行動を支える仕組みに変える力。組織文化と制度の整合を取りながら変化を制度化する

[CRE-42] ★（見習い）：制度変更の影響を説明できる
[CRE-42] ★★（一人前）：変革を支える制度設計を行える
[CRE-42] ★★★（棟梁）：文化・制度を統合して新たな行動様式を制度化できる

レジリエンス推進

抵抗や不確実性の中でも変化を継続させる心理的・組織的耐性を高める力。組織全体がゆらぎを受け入れ、回復しながら前進する状態を設計する

[CRE-43] ★（見習い）：変化の阻害要因を察知し、対応できる
[CRE-43] ★★（一人前）：変化に強いチーム環境を設計できる
[CRE-43] ★★★（棟梁）：全社的なレジリエンス文化を形成できる

スケーリング・進化（Scaling & Evolution）

スケール設計

パイロット導入の成果を他分野・地域・組織に展開する力。成功要因とリスクを構造的に分析し、適応・転用可能なスケール設計を行う

[CRE-44] ★（見習い）：パイロット導入の成果を整理し再利用できる
[CRE-44] ★★（一人前）：他領域への展開を考慮したスケール設計ができる
[CRE-44] ★★★（棟梁）：多様な領域・国際的な展開を戦略的に主導できる

越境展開

地域・組織・文化を越えて成果を共有し、新しい連携と共進化を促す力。国際ネットワークを活かして学びと実践を往還させる

[CRE-45] ★（見習い）：他組織と成果を共有できる
[CRE-45] ★★（一人前）：複数組織・地域を巻き込んで共創を促進できる
[CRE-45] ★★★（棟梁）：国際的な共進化ネットワークを形成・主導できる

知の形式知化

暗黙知や実践知を形式知化し、他者が活用できる形に変換する力。成果や学びをドキュメント・モデル・ツールとして定着させる

[CRE-46] ★（見習い）：自身の実践における暗黙知を認識し、言語化できる
[CRE-46] ★★（一人前）：プロジェクトや組織の暗黙知を特定し、ドキュメント・ツールとして形式知化・共有できる
[CRE-46] ★★★（棟梁）：組織の知識資産を体系化し、再利用可能な形で構造化・定着できる

共通

VC基礎

変革をやり抜く粘り強さ

困難や不確実性の中でも目的を見失わず、持続的に行動を続けながら、学びと改善を重ねて変革を完遂する力

[CRE-47] ★（見習い）：困難に直面しても諦めず、指示された課題を粘り強く完遂できる
[CRE-47] ★★（一人前）：自律的に試行錯誤し、改善を重ねながら成果に結びつけられる
[CRE-47] ★★★（棟梁）：大きな困難の中でもチームを鼓舞し、変革を完遂に導きつつ、失敗を学びに転換し組織文化に定着させることができる

探索と俊敏な実行

新しいサービスや技術に好奇心と洞察を持ち、仕組みを探究しながら俊敏に試行・判断・実行できる力

[CRE-48] ★（見習い）：新たなサービスや技術に対して直感的にわくわくし、その裏にある仕組みや技術に興味を持ち、自らリサーチ・試行できる
[CRE-48] ★★（一人前）：新しい発想や技術を俊敏に試行し、結果をもとに柔軟に判断・改善できる
[CRE-48] ★★★（棟梁）：不確実な環境下で新しい技術や仕組みを素早く探索・実験し、得られた知見を体系化して組織に還元できる

限定情報下での迅速判断力

限られた時間と情報の中でも、本質を捉え、過度な精度主義に陥らずに仮説ベースで素早く意思決定し、行動に移せる力

[CRE-49] ★（見習い）：情報が不十分な状況でも、最も影響の大きい要素を見極めて行動を選べる（「ザックリ感」をもった判断）
[CRE-49] ★★（一人前）：仮説とリスクを明示し、限定情報下でもチームの担当領域を導いて意思決定できる
[CRE-49] ★★★（棟梁）：不確実性を許容しながら、実験と学習を通じて意思決定の質とスピードを両立させることができる

意味構造の読み解き・共有

複雑な事象の背後にある構造や意味を読み解き、人とAIが共に働く環境において、未来の価値を物語として翻訳・共有し、多様な人々の共感と行動を導く力

[CRE-50] ★（見習い）：自らの経験や出来事を整理し、わかりやすく説明できる
[CRE-50] ★★（一人前）：複雑な事象の背景構造を読み取り、他者に納得感を持って伝えられる
[CRE-50] ★★★（棟梁）：抽象と具体を自在に行き来しながら、未来への物語を編み、他者を共感と行動へ導くことができる

倫理型判断と社会接続

人間と社会の尊厳を守る倫理的判断軸を持ち、技術革新を公正かつ持続的な社会的価値に結び付ける力

[CRE-51] ★（見習い）：自らの行動や発言について、社会的に何が「不適切」かを理解しており、基本的な倫理・法・文化の境界を踏まえて行動できる
[CRE-51] ★★（一人前）：立場や価値観の異なる人々と対話し、社会的影響やリスクを考慮した公正な判断ができる
[CRE-51] ★★★（棟梁）：技術・経済的判断と社会的・倫理的基準を両立させ、組織や社会に持続的な倫理文化を根付かせることができる

データサイエンス力

基礎技術

数学的理解

線形代数基礎

[DS-1] スキルレベル★：ベクトルの内積に関する計算方法を理解し、線形式をベクトルの内積で表現できる
[DS-2] スキルレベル★：行列同士、および行列とベクトルの計算方法を正しく理解し、複数の線形式を行列の積で表現できる
[DS-3] スキルレベル★：逆行列の定義、および逆行列を求めることにより行列表記された連立方程式が解けることを理解している
[DS-4] スキルレベル★：固有ベクトルおよび固有値の意味を理解している
[DS-5] スキルレベル★：テンソルの基本概念（次元数、軸、形状）と深層学習で用いる代表的な操作（転置、リシェイプ、インデックシング、ブロードキャストなど）を理解している

微分・積分基礎

[DS-6] スキルレベル★：微分により計算する導関数が傾きを求めるための式であることを理解し、多変数関数においての微分（偏微分、勾配など）も必要に応じて求めることができる
[DS-7] スキルレベル★：積分と面積の関係を理解し、確率密度関数を定積分することで確率が得られることを説明できる
[DS-8] スキルレベル★：関数の停留点が必ずしも極値にならないことを理解し、局所最適解と大域最適解の違いを説明できる

集合論基礎

[DS-9] スキルレベル★：和集合、積集合、差集合、対称差集合、補集合についてベン図を用いて説明できる
[DS-10] スキルレベル★：論理演算と集合演算に対応を理解している（ANDが積集合に対応するなど）

科学的解析の基礎

統計数理基礎

[DS-11] スキルレベル★：順列や組合せの式 nPr, nCr を理解し、適切に使い分けることができる
[DS-12] スキルレベル★：確率に関する基本的な概念の意味を説明できる（確率、条件付き確率、期待値、独立など）
[DS-13] スキルレベル★：平均、中央値、最頻値の算出方法の違いを説明できる
[DS-14] スキルレベル★：分散、標準偏差、四分位、パーセンタイルを理解し、目的に応じて適切に使い分けることができる
[DS-15] スキルレベル★：母（集団）平均と標本平均、不偏分散と標本分散がそれぞれ異なることを説明できる
[DS-16] スキルレベル★：標準正規分布の平均と分散の値を知っている
[DS-17] スキルレベル★：相関関係と因果関係の違いを説明できる
[DS-18] スキルレベル★：名義尺度、順序尺度、間隔尺度、比例尺度の違いを説明できる
[DS-19] スキルレベル★：ピアソンの相関係数の分母と分子を説明できる
[DS-20] スキルレベル★：５つ以上の代表的な確率分布を説明できる
[DS-21] スキルレベル★：二項分布は試行回数が増えていくとどのような分布に近似されるかを知っている
[DS-22] スキルレベル★：変数が量的、質的どちらの場合でも関係の強さを算出できる
[DS-23] スキルレベル★：指数関数とlog関数の関係を理解し、片対数グラフ、両対数グラフ、対数化されていないグラフを適切に使いわけることができる
[DS-24] スキルレベル★：ベイズの定理を説明できる
[DS-25] スキルレベル★★：分散共分散行列を作成し、各変数の散布度と相関構造を定量的に把握したうえで、前処理・モデリング方針へ反映できる

統計数理基礎

[DS-26] スキルレベル★★：ベイズ推論が学習や予測、モデル評価などをすべて確率分布上の計算問題として扱っていることにより、これらの要素を確率分布として扱わない手法と比べ、どのようなメリットを生み出しているか理解している
[DS-27] スキルレベル★★：自己情報量やエントロピーの意味について説明できる
[DS-28] スキルレベル★★：カルバック・ライブラー情報量（KL divergence）、フィッシャー情報量の意味や利用方法について説明できる
[DS-29] スキルレベル★★：尤度と最尤推定についての説明ができる（尤度関数、ネイマンの分解定理、十分統計量）

データ課題解決

アプローチ設計

仮説検証

[DS-30] スキルレベル★：業務課題から検証可能な仮説を抽出できる
[DS-31] スキルレベル★★：仮説に対する適切な検証方法(分析手法・データ)を選択・実行できる
[DS-32] スキルレベル★★★：複数仮説の優先順位付け・段階的検証を設計できる

科学的解析の基礎

洞察

[DS-33] スキルレベル★：分析、図表から直接的な意味合いを抽出できる（バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低など）
[DS-34] スキルレベル★：当立立てた仮説を否定する結果であっても、それを『ノイズ』として排除せず『新たな知見』として客観的に受容し、正確に報告できる
[DS-35] スキルレベル★★：各種の解析手法（主成分分析、クラスター分析、決定木分析など）の結果を解釈し、意味合いを適切に表現・説明できる
[DS-36] スキルレベル★★：複数のデータ分析結果を統合し、矛盾点や不確実性を明示した上で、ビジネス上の示唆を導き出せる

性質・関係性

[DS-37] スキルレベル★：適切なデータ区間設定でヒストグラムを作成し、データのバラつき方を把握できる
[DS-38] スキルレベル★：適切な軸設定でクロス集計表を作成し、属性間のデータの偏りを把握できる
[DS-39] スキルレベル★：量的変数の散布図を描き、2変数の関係性を把握できる
[DS-40] スキルレベル★：条件Xと事象Yの関係性を信頼度、支持度、リフト値を用いて評価できる
[DS-41] スキルレベル★★：多重（質問間）クロス集計表などを駆使して、データから適切なインサイトを得ることができる（データの偏りの発見や独立性の検定など）
[DS-42] スキルレベル★★：主成分分析と因子分析の違いや使い分けを説明し、実施できる
[DS-43] スキルレベル★★：正準相関分析、コレスポンデンス分析、数量化III類を説明でき、データ特性に応じて適切に選択・実施できる
[DS-44] スキルレベル★★：因子分析における、因子負荷量の意味を理解し、因子軸の回転（プロマックス回転、バリマックス回転など）について実施できる
[DS-45] スキルレベル★★：コンジョイント分析を自ら設計し、効用値と寄与率からモデルを評価できる
[DS-46] スキルレベル★★：適切な類似度を設定した上で、多次元尺度構成法を用いてポジショニングマップを描くことができる
[DS-47] スキルレベル★★：空間的自己相関の手法を用いて空間的な類似性を数値化できる
[DS-48] スキルレベル★★：行列分解（非負値行列因子分解[Non-negative Matrix Factorization:NMF]、特異値分解）を、目的に応じてパラメータを最適化して分析できる
[DS-49] スキルレベル★★★：テンソル分解（非負値テンソル因子分解[Non-negative Tensor Factorization:NTF]、CP分解[Canonical Polyadic Decomposition:CPD]、Tucker分解など）を、対象データの特性や目的に応じて適用する事で、より複合的な要因の性質や関係性を分析できる

推定・検定

[DS-50] スキルレベル★：点推定と区間推定（信頼区間など）の違いを理解し、推定における不確実性を評価する上での区間推定の重要性を説明できる
[DS-51] スキルレベル★：統計的仮説検定において帰無仮説と対立仮説の違いを説明できる
[DS-52] スキルレベル★：検定における判断の誤り（第1種の過誤、第2種の過誤）と、p値、有意水準の意味、およびこれら相互の関係性を説明できる
[DS-53] スキルレベル★：片側検定と両側検定の違いを理解し、適切に使い分けられる
[DS-54] スキルレベル★：検定する対象となるデータの対応の有無を考慮した上で適切な検定手法（t検定, z検定など）を選択し、適用できる
[DS-55] スキルレベル★★：検定する対象となるデータの対応の有無を考慮した上で適切な検定手法（t検定, z検定など）を選択し、適用できる
[DS-56] スキルレベル★★：p値だけでは仮説やモデルの正しさを評価できないことを理解し、p値以外のアプローチ（信頼区間、信用区間、ベイズファクターなど）と併せて透明性の高いデータ分析や結果の報告ができる

因果推論

[DS-57] スキルレベル★：ある特定の処置に対して、その他の変数や外部の影響を除いた効果を測定するためには、処置群（実験群）と対照群に分けて比較・分析する必要があることを知っている
[DS-58] スキルレベル★：ある変数が他の変数に与える影響（因果効果）を推定したい場合、その双方に影響を与える共変量（交絡因子）の考慮が重要であると理解している（喫煙の有無と疾病発症の双方に年齢が影響している場合など）
[DS-59] スキルレベル★：分析の対象を定める段階で選択バイアスが生じる可能性があることを理解している（途中離脱者の除外時、欠損データの除外時など）
[DS-60] スキルレベル★★：分析目的において測定したい効果に関する変数を把握した上で、ランダム化比較試験や層別化などの方法を用いてその他の影響（各群の特性や背景）が均等になるように処置群・対照群を設計することができる
[DS-61] スキルレベル★★：統計等因果推論における因果効果（平均処置効果、Average Treatment Effect; ATEなど）について説明できる
[DS-62] スキルレベル★★：統計的因果推論における、交換性（exchangeability）、強く無視できる割り当て条件（Conditional Exchangeability）、一致性（consistency）、正値性（positivity）について説明できる
[DS-63] スキルレベル★★：ある変数の影響（因果効果）を推定したいがランダム化比較試験の実施が難しい場合、傾向スコアによる手法（傾向スコアマッチング、IPW、Doubly Robustなど）を用いることで観測されている共変量の影響を最小限に抑えることができる
[DS-64] スキルレベル★★：共変量の調整を行った際に、調整後の共変量のバランスやPositivity違反の有無を確認するとともに、感度分析を実施することで結果の妥当性を検証できる
[DS-65] スキルレベル★★：推薦システムのような介入方策を、その方策とは別の方策で集められたデータを用いて評価するOff-Policy Evaluation（OPE）の手法について説明できる（Direct Method (DM)、Inverse Probability Weighting (IPW)、Doubly Robust (DR)など）

分析方針設計

[DS-66] スキルレベル★★：分析の目的を検証すべき項目に分解し、優先度を判断した上で、アウトプットのイメージを描くことができる
[DS-67] スキルレベル★★：分析の目的に対して、プロジェクトの目標と評価方法を具体化し、定量的な成功基準を設定するとともに、成功基準の判定時期・判定者を決定できる
[DS-68] スキルレベル★★：仮説検証思考で、論点ごとに検証すべき項目を識別できる
[DS-69] スキルレベル★★★：ビジネス課題に対して「データサイエンスを駆使して解くべき課題」か否かを判断できる
[DS-70] スキルレベル★★★：自社ビジネスに関連する新たな学習済みモデルやAIサービスのリリースを常に把握し、その特徴やコスト、導入負荷、リスクなどを理解した上で現行業務や利用中のシステムに対する影響や導入可否を検討できる
[DS-71] スキルレベル★★★：AI技術に関する大局的な理解をもとに、必要に応じて専門家に相談し、ビジネスで生じる様々なAI活用のアイデアについて、その実現可否や難易度を判断できる（生成モデルによるContent moderationの実施など）

データ入手計画

[DS-72] スキルレベル★：仮説や課題に対して必要なデータを特定できる
[DS-73] スキルレベル★★：必要なデータの粒度・サンプリング方法を設計し、担当領域を超えてアクセスを確保できる
[DS-74] スキルレベル★★★：組織全体及び関連する社外のデータを見渡して、必要なデータのあたりをつけ、アクセスを確保できる

分析設計

[DS-75] スキルレベル★：スコープ、検討範囲・内容が明確に設定されていれば、必要な分析プロセスが理解できる（データ、分析手法、可視化の方法など）
[DS-76] スキルレベル★★：解くべき課題がフレーミングされていれば、必要な分析手法、可視化などを適切に選択できる
[DS-77] スキルレベル★★：解くべき課題がフレーミングされていれば、必要な分析手法、可視化などを適切に選択できる
[DS-78] スキルレベル★★★：複数のアプローチの組み合わせでしか解けない課題であっても、その解決までの道筋を設計できる

分析評価設計

[DS-79] スキルレベル★★：担当するプロジェクトの分析目的と想定される分析結果の整合性を踏まえた評価を設計できる
[DS-80] スキルレベル★★：分析結果が当初の目的を満たしていない場合に、問題を正しく理解し、目的達成に向けて必要な分析手順を追加・変更できる
[DS-81] スキルレベル★★★：生成AIを活用したアウトプットに対して、ビジネス観点での検証プロセスの設計とアウトプットの評価軸を検討できる

データの理解・検証

データ確認

[DS-82] スキルレベル★：単独のグラフに対して、集計ミスや記載ミスなどがないかチェックできる
[DS-83] スキルレベル★：データ項目やデータの量・質について、指示のもと正しく検証し、結果を説明できる
[DS-84] スキルレベル★★：複数のグラフや集計表で構成されているレポートに対して、全体として集計ミスや不整合が起きていないかチェックできる
[DS-85] スキルレベル★★：データ項目やデータの量・質の検証方法を計画・実行し、その結果をもとにその後の分析プロセスを立案・修正できる
[DS-86] スキルレベル★★★：多数のグラフ、集計表、外部の統計情報、高度なデータ解析手法を用いた解析結果などを含むレポートに対して、不整合が起きていないか、妥当性の高い論理構造であるかチェックできる
[DS-87] スキルレベル★★★：分析に必要なデータを想定し、現在取得可能なデータの量・質で分析に耐えうるか、分析目的が達成可能であるかを判断できる

俯瞰・メタ思考

[DS-88] スキルレベル★★：データを俯瞰して、変化をすみやかに察知するとともに、変化が誤差の範囲かどうか判断できる
[DS-89] スキルレベル★★★：複数のデータを多元的かつ大局的に俯瞰して、大きな動きや本質的な事実を見抜くことができる

データ理解

[DS-90] スキルレベル★：どのような知見を得たいのか、目的に即して集計し、データから事実を把握できる
[DS-91] スキルレベル★：データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の設定が重要であることを理解している
[DS-92] スキルレベル★：普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明でき、また基本統計量や分布の形状を把握している
[DS-93] スキルレベル★★：生データを眺めて、どのような切り口で集計・比較すればデータの理解や事実の把握につながるか検討できる
[DS-94] スキルレベル★★：扱ったことのない新たなデータに内容の不明な項目があっても、生データの閲覧や集計を通して何の項目かあたりをつけられる
[DS-95] スキルレベル★★：扱っているデータの関連業務の知識と分析目的を踏まえて、どんな説明変数が効きそうか、あたりをつけて洗い出し、構造的に整理できる（変数のグループ化や階層化など）
[DS-96] スキルレベル★★★：データの変化から起きている事象の背景を構造的に推察し、仮説を立て、検証方法を企画実行できる
[DS-97] スキルレベル★★★：データを入手する前に、存在するであろうデータとその分布を想定して基礎俯瞰の方向性やその結果の想定ができ、それを前提とした解析方法の検討・ラフ設計をすることができる
[DS-98] スキルレベル★★★：扱ったことのない新たなデータであっても、ER図やテーブル定義、生データなどを見る事によってデータの発生源や欠損値の意味などのあたりをつけられる

データ粒度

[DS-99] スキルレベル★★：分析目的とデータの量・質を踏まえて、想定されるメッセージと統計的観点から適切な集計単位やサンプリング率を決定できる
[DS-100] スキルレベル★★★：分析目的とデータの量・質に加えて、想定しているメッセージ、深掘りの方向性・可能性、処理負荷、データ処理フローなども総合的に踏まえた最適な集計単位やサンプリング率を決定できる

解析技術

データ準備

サンプリング

[DS-101] スキルレベル★：標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる
[DS-102] スキルレベル★：実験計画法の基本的な3原則（局所管理化、反復、無作為化）について説明できる
[DS-103] スキルレベル★★：調査対象の母集団の規模・特性や調査コストに応じて、多段階抽出法や層化抽出法など適切な標本抽出方法を計画できる
[DS-104] スキルレベル★★：属性数と水準数が決まれば適切な直交表を選択し実験計画ができる
[DS-105] スキルレベル★★：サンプルサイズを見れば信頼水準を95%としたときの標本誤差レベルについて概ね判断できる

データクレンジング

[DS-106] スキルレベル★：外れ値・異常値・欠損値とは何かを理解し、指示のもと適切に検出と除去・変換などの対応ができる
[DS-107] スキルレベル★★：データの特性（分布、欠損パターン）、分析目的、モデル特性を考慮して、外れ値・異常値・欠損値の対応方針を決定できる
[DS-108] スキルレベル★★★：非構造化データ（画像、テキストなど）に対して、品質チェックや不適切コンテンツの検出を行い、データセットのクリーニングができる

データ加工

[DS-109] スキルレベル★：標準化とは何かを理解し、適切に標準化が行える
[DS-110] スキルレベル★：名義尺度の変数をダミー変数に変換できる
[DS-111] スキルレベル★★：加工データに不具合がないか確認方法を設計し、検証できる（合計値の照合や、分布の確認など検証項目の設計と実行）
[DS-112] スキルレベル★★★：加工データの統計的な俯瞰によって不具合の早期発見ができるとともに、統計的観点で次ステップの解析に耐えうるデータであるか評価できる

特徴量エンジニアリング

[DS-113] スキルレベル★：数値データの特徴量化（二値化／離散化、対数変換、スケーリング／正規化、交互作用特徴量の作成など）を行うことができる
[DS-114] スキルレベル★★：カテゴリデータの特徴量化ができる（ダミー変数化、特徴量ハッシング［カテゴリ数が多い場合の値の割り当て］、ビンカウンティング、バックオフ、最小カウントスケッチ［レアなカテゴリのまとめ処理］など）
[DS-115] スキルレベル★★：k-means、k近傍法、t-SNEなどを用いた、類似度または非類似度に着目した特徴量を作成できる
[DS-116] スキルレベル★★：周期的な意味合いをもつ特徴量を適切な周期の三角関数を用いて変換できる
[DS-117] スキルレベル★★：時系列データに対し周期性やトレンドなどを考慮して、階差、移動平均、移動標準偏差、移動最大、移動最小、ラグなどの特徴量を作成できる
[DS-118] スキルレベル★★：複数のデータセットから、結合や集計などを組み合わせ、有効な特徴量を作成できる（ユーザごとの過去1ヵ月間の購買金額合計など）
[DS-119] スキルレベル★★：深層学習の手法を活用して特徴量（LLMによるトピック抽出、座標系データのCNNによる変換、Embeddingによるベクトル化など）を生成できる
[DS-120] スキルレベル★★★：ドメイン知識に基づく洞察から有効な特徴量を効率的に作成できる（類似商品との価格差、借入額と返済額の比など）
[DS-121] スキルレベル★★★：有用と思われるデータを新たに調達し、既知のデータと組み合わせることで有効な特徴量を作成できる（業界特有なカレンダー、地理空間的な類似度を考慮した集計値など）

データ可視化

方向性定義

[DS-122] スキルレベル★：可視化における目的の広がりについて概略を説明できる（単に現場の作業支援する場合から、ビッグデータ中の要素間の関連性をダイナミックに表示する場合など）
[DS-123] スキルレベル★★：可視化の役割・方向性を判別できる（特異点を明確にする、データ解析部門以外の方にデータの意味を正しく伝える、現場の作業を支援するなど）
[DS-124] スキルレベル★★★：データ量が膨大で構造が捉えにくい場合や、アウトプットが想像しにくい場合であっても、可視化の役割・方向性を判断できる（ビッグデータ中の要素間の関連性をダイナミックに表現する、細部に入りきらずに問に対して答えを出すなど）

軸出し

[DS-125] スキルレベル★：散布図などの軸出しにおいて、目的やデータに応じて縦軸・横軸の候補を適切に洗い出せる
[DS-126] スキルレベル★：積み上げ縦棒グラフでの属性の選択など、目的やデータに応じて適切な層化（比較軸）の候補を出せる
[DS-127] スキルレベル★★：抽出したい意味にふさわしい軸・層化の粒度、順番を考慮して軸のきざみや層化方法を選択できる
[DS-128] スキルレベル★★：膨大な属性を持つテーブルから目的に有用な属性を選択できる
[DS-129] スキルレベル★★★：非構造化データから分析の軸になりうる候補を抽出し、付加すべき属性候補を適切に出せる

データ加工

[DS-130] スキルレベル★：サンプリングやアンサンブル平均によって適量にデータ量を減らすことができる
[DS-131] スキルレベル★：読み取りたい特徴を効果的に可視化するために、統計量を使ってデータを加工できる
[DS-132] スキルレベル★★：データの持つ分散量の観点で、高次元のデータを主成分分析（PCA）などにより1〜3次元のデータに変換できる
[DS-133] スキルレベル★★★：高次元の非線形な（高次の曲線、渦状の分布などの）データであっても、適切に1〜3次元のデータに圧縮して、特徴（データの総分散量および各データの位置関係）を損なわずに可視化できる
[DS-134] スキルレベル★★★：ネットワーク構造、グラフ構造などの表現において、ノードとエッジが増えすぎて特徴抽出が困難であっても、データの絞り込みや抽象度を上げることで適切に可視化できる
[DS-135] スキルレベル★★★：データ量が膨大なために、単なる描画が意味をなさない場合でも、データや情報の適度な抽出（間引き）、クラスター分析などにより可視化しうる状態にデータを加工できる
[DS-136] スキルレベル★★★：リアルタイム性を要求される大規模データに対し、特異点抽出、次元圧縮、ストリーム処理などの技術を適切に選択・適用し、データの収集から可視化までの一連のデータパイプラインを構築できる

表現・実装技法

[DS-137] スキルレベル★：データ解析部門以外の方に、データの意味を可視化して伝える重要性を理解している
[DS-138] スキルレベル★：情報提示の相手や場に応じて適切な情報濃度を判断できる（データインク比の考え方など）
[DS-139] スキルレベル★：不必要な誇張をしないための軸表現の基礎を理解できている（コラムチャートのY軸の基準点は「0」からを原則とし軸を切らないなど）
[DS-140] スキルレベル★：強調表現がもたらす効果と、不適切な強調表現を理解している（計量データに対しては位置やサイズ表現が色表現よりも効果的など）
[DS-141] スキルレベル★：1〜3次元の比較において目的（比較、構成、分布、変化など）に応じ、BIツール、スプレッドシートなどを用いて図表化できる
[DS-142] スキルレベル★：端的に図表の変化をアニメーションで可視化できる（人口動態のヒストグラムが経年変化する様子を表現するなど）
[DS-143] スキルレベル★：1〜3次元の図表を拡張した多変量の比較を適切に可視化できる（平行座標、散布図行列、テーブルレンズ、ヒートマップなど）
[DS-144] スキルレベル★★：ネットワーク構造、グラフ構造、階層構造などの統計的な関係性の可視化ができる
[DS-145] スキルレベル★★：地理空間情報などを地図に重ね合わせた可視化ができる（コロプレスマップ、ボロノイ図など）
[DS-146] スキルレベル★★：挙動・軌跡の可視化ができる（店舗内でのユーザの回遊やEye tracking、ウェアラブル端末の3軸ジャイロセンサーや心拍数など）
[DS-147] スキルレベル★★：適切な情報（意味）を押さえた上で、デザイン性を高めるための要件提示ができる
[DS-148] スキルレベル★★：ドメイン知識とビジネス背景をふまえ、適切な情報項目を参照し、利用者の使い勝手を考慮した可視化したダッシュボードあるいは可視化ツールを設計できる
[DS-149] スキルレベル★★★：人体、標高を持つ地図、球面など３次元空間上にデータを重ね合わせた可視化ができる
[DS-150] スキルレベル★★★：地図上で同時に動く数百以上のポイントにおける時間変化を動的に表現できる（多地点での風の動き、飛行物の軌跡など）
[DS-151] スキルレベル★★★：複雑で総合的な表現が求められる場合に、ユーザインターフェースの設計に加え、内部のアルゴリズム設計やシステム環境への負荷調整なども踏まえた可視化ができる

意味抽出

[DS-152] スキルレベル★：外れ値を見出すための適切な表現手法を選択できる
[DS-153] スキルレベル★：データの可視化における基本的な視点を挙げることができる（特異点、相違性、傾向性、関連性を見出すなど）
[DS-154] スキルレベル★★：統計値（代表値の指標、バラツキの指標、有意性の指標）を正しく読み、回帰式や移動平均線、関係式に意味付けできる
[DS-155] スキルレベル★★★：分類・グルーピングの分析において、分布傾向から原因を追究し、活用方針を計画・主導できる（分類に応じたDM発送による反応率の向上など）
[DS-156] スキルレベル★★★：予測の分析において、関連性、特異点、変曲点から原因を追究し、活用方針を計画・主導できる（予測結果に基づく発注管理など）
[DS-157] スキルレベル★★★：関係性の分析において関連が高い/低い原因を追究し、活用方針を計画・主導できる（レコメンドなど）

モデル化

回帰・分類

[DS-158] スキルレベル★：単回帰分析において最小二乗法、回帰係数、標準誤差、決定係数を理解し、モデルを構築できる
[DS-159] スキルレベル★：重回帰分析において偏回帰係数と標準偏回帰係数、重相関係数、自由度調整済み決定係数について説明できる
[DS-160] スキルレベル★：線形回帰分析とロジスティック回帰分析のそれぞれが予測する対象の違いを理解し、適切に使い分けられる
[DS-161] スキルレベル★★：重回帰分析や判別分析において、各種変数選択手法（ステップワイズ法、ベストサブセット法など）の特徴を理解した上で効果的に適用できる
[DS-162] スキルレベル★★：重回帰分析において多重共線性の評価ができ、適切に変数を統合・加工・削除して予測モデルが構築できる
[DS-163] スキルレベル★★：過学習を防止するためにL1正則化（Lasso）、L2正則化（Ridge回帰）、それらを組み合わせたElastic netを適用できる
[DS-164] スキルレベル★★：目的変数が正規分布に従わない場合や、データに階層性がある場合に対応するため、一般化線形モデル（GLM）や一般化線形混合モデル（GLMM）を選択・構築できる
[DS-165] スキルレベル★★：ロジスティック回帰分析において回帰係数とオッズ比の関係について説明できる
[DS-166] スキルレベル★★：ロジスティック回帰分析を行う際に、最小二乗法ではなく最尤法を使う際の利点（回帰誤差が近似的に正規分布しなくても適用できるなど）を説明し、適用できる
[DS-167] スキルレベル★★：生存時間分析において、打ち切りデータを考慮し、Cox回帰（比例ハザードモデル）を用いてイベント発生リスク（ハザード比）を推定するモデルを構築できる
[DS-168] スキルレベル★★：対象の個体差やグループ毎の差が認められるデータに対し、階層ベイズモデルの構築ができる
[DS-169] スキルレベル★★：分析手法やデータの特性に応じて、必要な変数加工（標準化、ダミー変数化、交互作用項の作成）や非線形変換などを設計・実施できる
[DS-170] スキルレベル★★★：対象データの分布を確認し、分布形状に適合した計算式の非線形回帰モデルを構築できる
[DS-171] スキルレベル★★★：予測モデル構築において頑健性（Robustness）を維持するための具体的な方法を設計、実施できる

統計的評価

[DS-172] スキルレベル★：ROC曲線、AUC（Area under the curve）を用いてモデルの精度を評価できる
[DS-173] スキルレベル★：混同行列（正誤分布のクロス表）、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる
[DS-174] スキルレベル★：RMSE（Root Mean Square Error）、MAE（Mean Absolute Error）、MAPE（Mean Absolute Percentage Error）、決定係数といった評価尺度を理解し、精度を評価できる
[DS-175] スキルレベル★★：多値分類において、混同行列（正誤分布のクロス表）のAccuracy、Precision、Recall、F値に関するmacro平均、micro平均、重み付き平均を計算し評価できる
[DS-176] スキルレベル★★：不均衡データ（Imbalanced data）に対する分類モデルの評価尺度を、Precision、Recall、F値、PR（Precision Recall）曲線、マシューズ相関係数などを用いてビジネス課題に合わせて適切に設定できる
[DS-177] スキルレベル★★：MSE、AUC、F値などは評価データ全体に対する平均的評価であることを理解し、必要に応じて予測値・誤差の可視化、データの部分集合に対する評価などを実施できる
[DS-178] スキルレベル★★：モデル間で評価指標を比較する際の前提条件を理解している（同一のテストデータを使用、キャリブレーションによるクラス分布の反映、最適な閾値の設定など）
[DS-179] スキルレベル★★：予測モデルの出力結果における誤差の分布を理解し、逸脱したデータ点において起きている事象を推察できる
[DS-180] スキルレベル★★★：目的（予測・真のモデル推定など）に応じて、適切な損失関数とモデル選択基準（AIC：赤池情報量規準、BIC：ベイズ情報量規準、MDL：最小記述長など）を選択し、モデル評価ができる

機械学習

[DS-181] スキルレベル★：機械学習の手法を3つ以上知っており、それぞれの概要と解決できる問題（回帰・分類・クラスター分析など）を説明できる
[DS-182] スキルレベル★：「教師あり学習」「教師なし学習」の違いを理解している
[DS-183] スキルレベル★：過学習とは何か、それがもたらす問題について説明できる
[DS-184] スキルレベル★：次元の呪いとは何か、その問題について説明できる
[DS-185] スキルレベル★：教師あり学習におけるアノテーションの必要性を説明できる
[DS-186] スキルレベル★：観測されたデータにバイアスが含まれる場合や、学習した予測モデルが少数派のデータをノイズと認識してしまった場合などに、モデルの出力が差別的な振る舞いをしてしまうリスクを理解している
[DS-187] スキルレベル★：機械学習における大域的（global）な説明（モデル単位の各変数の寄与度など）と局所的（local）な説明（予測するレコード単位の各変数の寄与度など）の違いを理解している
[DS-188] スキルレベル★：ホールドアウト法、交差検証（クロスバルデーション）法の仕組みを理解し、訓練データ、パラメータチューニング用の検証データ、テストデータを作成できる
[DS-189] スキルレベル★：機械学習モデルは、データ構成の変化（データドリフト）により学習完了後から精度が劣化していくため、運用時は精度をモニタリングする必要があることを理解している
[DS-190] スキルレベル★：ニューラルネットワークの基本的な考え方を理解し、入力層、隠れ層、出力層の概要と、活性化関数の重要性を理解している
[DS-191] スキルレベル★：決定木をベースとしたアンサンブル学習（Random Forest、勾配ブースティング［Gradient Boosting Decision Tree：GBDT］、その派生形であるXGBoost、LightGBMなど）による分析を、ライブラリを使って実行でき、変数の寄与度を正しく解釈できる
[DS-192] スキルレベル★：連合学習では、データは共有せず、モデルのパラメータを共有して複数のモデルを統合していることを理解している
[DS-193] スキルレベル★：モデルの性能を改善するためには、モデルの改善よりもデータの質と量を向上させる方が効果的な場合があることを理解している
[DS-194] スキルレベル★★：訓練データ、検証データ、テストデータの分割時に、データの性質や目的に応じて、時間情報や地理空間情報、様々な属性を考慮すべきか判断できる
[DS-195] スキルレベル★★：予測モデルにおけるリークとは何か、それがもたらす問題について説明できる
[DS-196] スキルレベル★★：次元の呪いの影響を受けやすいアルゴリズムを識別し対処するアプローチを実施できる（特徴量選択、次元圧縮、L1/L2正則化など）
[DS-197] スキルレベル★★：アノテーションにおいて、判断基準の明確化やアノテーターの精度管理を適切に実施することにより、高品質な教師付きデータを効率的に作成できる
[DS-198] スキルレベル★★：決定木の主要な分割基準（ジニ不純度、情報利得など）を理解し、データ特性に応じた適切なアルゴリズムを選択できる
[DS-199] スキルレベル★★：データに変更を加え予測モデルを故意に誤らせる敵対的サンプル（Adversarial examples）について、代表的な攻撃方法を理解している
[DS-200] スキルレベル★★：生成モデルと識別モデルの違いやそれぞれのメリットと課題を理解しており、目的に応じて適切に使い分けられる
[DS-201] スキルレベル★★：アノテーションにおいて、判断基準の明確化やアノテーターの精度管理を適切に実施することにより、高品質な教師付きデータを効率的に作成できる
[DS-202] スキルレベル★★：不均衡データ（Imbalanced data）がモデルに与える影響を理解し、サンプリングや評価/損失関数のチューニングなどを適切に対処できる
[DS-203] スキルレベル★★：データの欠損の状況や背景を踏まえて適切なモデルを選定し、目的に応じた欠測補完方法を設計できる
[DS-204] スキルレベル★★：バイアスとバリアンスの関係について、未学習や過学習の観点から説明できる
[DS-205] スキルレベル★★：機械学習・AIの公平性の評価指標について説明できる（デモグラフィックパリティ、均等オッズ、予測パリティ、反事実的公平性など）
[DS-206] スキルレベル★★：LIME、SHAPなどExplainable AI（XAI）の手法を用いて、ブラックボックス性の高いモデルの局所的な説明（レコード単位の予測根拠の提示）ができる
[DS-207] スキルレベル★★：課題やデータに応じて、汎化性能向上のためのデータ拡張（Data Augmentation）を設計・実装できる（画像データの回転・反転、テキストデータの単語入れ替え・置換・削除など）
[DS-208] スキルレベル★★：連合学習について、水平型と垂直型の違いを理解し、適切に対応方針を決定できる
[DS-209] スキルレベル★★：低品質なデータ（バイアスや欠落、計測・登録の誤り、混入など）に対するデータクレンジングには限界があり、取得段階での対策が重要であることを理解している
[DS-210] スキルレベル★★：Webから収集したデータなど、大量だが不要な情報が多く混在するデータに対し、不必要もしくは不適切なデータをできる限り取り除くことで、データの品質を高めることができる
[DS-211] スキルレベル★★★：データと分析要件から、データ分布やモデル精度のモニタリング設計・実施と、劣化が見込まれるモデルに対するリモデルの設計ができる
[DS-212] スキルレベル★★★：リークの発生の有無を適切に判断し、対応できる（マスタデータが更新されており、本来予測時に使用できない未来の情報を含んでしまうパターン、本来は未知である評価データも含めて標準化するパターンなど）
[DS-213] スキルレベル★★★：最新の研究に基づき敵対的サンプル（Adversarial examples）に対する現実的な対策を検討できる
[DS-214] スキルレベル★★★：分析要件に応じ、モデリング手法（線形モデル、決定木、サポートベクターマシン、ニューラルネットワーク、アンサンブル学習など）の選択とパラメータ設定、結果の評価、チューニングを適切に設計・実施・指示できる
[DS-215] スキルレベル★★★：複数の機械学習モデルを組み合わせるアンサンブル学習において、各モデルの予測スコアを用いた平均（Averaging）、多数決（Voting）、Stackingなどの手法を理解し、目的に応じて設計・実装できる
[DS-216] スキルレベル★★★：半教師あり学習やアクティブラーニングにより効率的なアノテーションができる
[DS-217] スキルレベル★★★：機械学習等の最新の論文を理解し、必要とあれば自分で実装し評価できる
[DS-218] スキルレベル★★★：分析目的を達成するためにどの水準でデータ品質を確保する必要があるかを判断し、取得段階における品質対策ガイドラインを設計できる

深層学習

[DS-219] スキルレベル★：深層学習（ディープラーニング）モデルの活用による主なメリットを理解している（特徴量抽出が可能になるなど）
[DS-220] スキルレベル★：CNN、RNN、Transformerなど主要な深層学習アーキテクチャの特徴と用途を説明できる
[DS-221] スキルレベル★：データサイエンスやAIの分野におけるモダリティの意味を説明できる（データがどのような形式や方法で得られるか、など）
[DS-222] スキルレベル★★：バッチ勾配降下法（バッチ学習）、確率的勾配降下法（オンライン学習）、ミニバッチ勾配降下法（ミニバッチ学習）の違いを説明できる
[DS-223] スキルレベル★★：ドロップアウト、L1/L2正則化などによる過学習の抑制や、バッチ正規化による学習の効率化について理解している
[DS-224] スキルレベル★★：文字や単語といった質的（離散的）な特徴量をニューラルネットワークで学習する場合、特徴量の各値にベクトルを対応させるEmbedding層が有効であることを理解している
[DS-225] スキルレベル★★：畳み込みニューラルネットワーク(CNN)、再帰型ニューラルネットワーク（RNN）、長期短期記憶（LSTM）、Transformer（Attention機構）などの深層学習の主要方式の特徴を理解し、目的に応じて適切に選定できる
[DS-226] スキルレベル★★：転移学習とファインチューニングの基本的な枠組みを理解し、事前学習済みのニューラルネットワークを用いた効率的な学習方法を設計・実装できる
[DS-227] スキルレベル★★：誤差逆伝播法（Backpropagation）における勾配消失、勾配爆発の問題を理解し、適切な活性化関数・重みの初期化方法の選択、Gradient Clippingなどの緩和策を実施できる
[DS-228] スキルレベル★★：Residual Connection(Skip Connection)が誤差逆伝播法（Backpropagation）における勾配消失問題の緩和策となっていることを理解している
[DS-229] スキルレベル★★：深層学習における最適化法/Optimizer（SGD、Adam、AdamWなど）や学習率の動的な調整法（Warmup、Cosine Annealingなど）の重要性について理解している
[DS-230] スキルレベル★★：深層学習モデルにおいて、データ量・パラメータ数・計算量を拡大することで損失がべき乗則（Scaling Law）に従って減少する特性を理解し、モデル規模や学習リソースの設計・改善に活用できる
[DS-231] スキルレベル★★★：主要な深層生成モデル（拡散モデル、変分自己符号化器[Variational AutoEncoder: VAE]、敵対的生成ネットワーク[Generative Adversarial Network:GAN]）やその派生形を理解し、目的に応じて学習・評価できる
[DS-232] スキルレベル★★★：深層学習モデルの性能・安定性・効率性を最適化するため、層構成やハイパーパラメータを理解し、目的に応じてチューニングできる
[DS-233] スキルレベル★★★：深層学習モデルの推論時の計算コストを削減する方法（枝刈り、蒸留、量子化など）を設計・実装できる

強化学習

[DS-234] スキルレベル★：強化学習の基本概念（マルコフ決定過程（状態、行動、報酬）や方策など）を、特定のタスク（例:ゲーム、ロボット制御）の文脈に当てはめて説明できる
[DS-235] スキルレベル★：教師あり学習と強化学習の違いを、前提、定義、応用先といった観点で説明できる
[DS-236] スキルレベル★★：強化学習の基本的な手法を理解し、方策勾配やQ学習などをベースとした学習を実行できる
[DS-237] スキルレベル★★：模倣学習（Imitation Learning）や逆強化学習（Inverse Reinforcement Learning）といった手法を適用し、熟練者のデモンストレーションデータから暗黙知や複雑な行動パターンを定量的に抽出・学習できる
[DS-238] スキルレベル★★：オフライン強化学習を用いて、過去のデータセットから世界モデルを構築し、合成データ生成やシミュレーション環境として利用することで安全性を担保した頑健（ロバスト）な方策に改善できる
[DS-239] スキルレベル★★★：主要な強化学習モデルを理解し、目的に応じて学習・評価できる(Deep Q-network [DQN]、Asynchronous Advantage Actor-Critic[A3C]、Proximal Policy Optimization [PPO]やその派生形など）

時系列分析

[DS-240] スキルレベル★：時系列データとは何か、その基礎的な扱いについて説明できる（時系列グラフによる周期性やトレンドの確認、移動平均、回帰や相関計算における注意点など）
[DS-241] スキルレベル★：時系列データの場合は、時間軸で訓練データとテストデータに分割する理由を理解している
[DS-242] スキルレベル★：時系列分析を行う際にもつべき視点を理解している（長期トレンド、季節成分、周期性、ノイズ、定常性など）
[DS-243] スキルレベル★★：時系列データの時点間での関係を、自己相関やコレログラムを利用して評価ができる
[DS-244] スキルレベル★★：時系列データに対し、ライブラリを使用して分析結果を比較し、適切なモデルを選択できる（時系列基盤モデル、ARIMA、SARIMA、VAR、GARCH、Prophet、RNN、Transformerなど）
[DS-245] スキルレベル★★：グレンジャー因果などの手法を用い、時系列データにおける変数間の因果関係を把握できる
[DS-246] スキルレベル★★：高速フーリエ変換（Fast Fourier Transform: FFT）などを用いてピリオドグラムの計算量を抑制できる
[DS-247] スキルレベル★★：時系列データにおける欠測値の補完を、統計的手法（線形補間、移動平均）や状態空間モデル（カルマンフィルタ、HMM）を用いて適切に実行できる
[DS-248] スキルレベル★★★：非線形・非ガウス型状態空間モデルにおいて、モンテカルロ・フィルタを用いて、複雑な時系列システムの予測モデルを構築できる

クラスタリング

[DS-249] スキルレベル★：教師なし学習のグループ化（クラスター分析）と教師あり学習の分類（判別）モデルの違いを説明できる
[DS-250] スキルレベル★：階層クラスタリングと非階層クラスタリングの違い、ソフトクラスタリングとハードクラスタリングの違いを説明できる
[DS-251] スキルレベル★：階層クラスター分析において、デンドログラムの見方を理解し、適切に解釈できる
[DS-252] スキルレベル★★：非階層クラスター分析において、分析対象となるデータの特性や分析目的に応じ、適切なクラスター数の決定とクラスターの解釈ができる
[DS-253] スキルレベル★★：階層クラスター分析における代表的なクラスター間距離（Ward法、群平均法、最長一致法など）の概念を理解し、目的に合致した最適な手法で分析できる
[DS-254] スキルレベル★★：クラスター分析を実行する際、各種距離（ユークリッド距離、マンハッタン距離、マハラノビス距離など）や非類似度（1-cos類似度のような距離の公理を満たさない指標など）を理解し、分析目的に合致した最適な手法で分析できる
[DS-255] スキルレベル★★：k-means法などの初期値依存性を持つ手法において、クラスタ構造の安定性を評価し、適切な初期値設定・多重実行・評価指標を選択できる
[DS-256] スキルレベル★★：k-meansやその派生方法、カーネルk-means、スペクトラルクラスタリングなどの違いを理解し、試行の中で最適な手法を選択・実行できる
[DS-257] スキルレベル★★：BERTopicに代表される深層学習ベースのクラスタリングを実施できる
[DS-258] スキルレベル★★★：自己組織化マップ（SOM）、Affinity Propagation、混合分布モデル、ディリクレ過程混合モデルなどを理解し、試行の中で最適な手法を選択できる

グラフィカルモデル

[DS-259] スキルレベル★★：グラフィカルモデルを用いて、確率変数間の関係性をグラフ表現できる
[DS-260] スキルレベル★★：重回帰分析とパス解析の違いを理解し、使い分けることができる
[DS-261] スキルレベル★★：LINGAMやベイジアンネットワークを用いて因果探索ができる
[DS-262] スキルレベル★★：共分散構造分析（構造方程式モデリング:SEM）を行い、観測変数・潜在変数の因果関係を説明できる

ネットワーク分析

[DS-263] スキルレベル★：ネットワーク分析におけるグラフの基本概念（有向・無向グラフ、エッジ、ノード等）を理解している。
[DS-264] スキルレベル★★：ネットワーク分析におけるノードの影響力、仲介性、接続性などを測る中心性指標（近接中心性、ページランクなど）やグラフ理論を用いた基本的なアルゴリズム（最短経路問題等）を理解し、与えられた問題を解くことができる
[DS-265] スキルレベル★★：ナレッジグラフとは何か、そしてどのように情報を表現しているか（主語、述語、目的語とエッジ、ノードの対応関係など）を理解し、その応用について一例を挙げて説明できる（検索エンジン、レコメンドなど）
[DS-266] スキルレベル★★★：ネットワーク分析が問題の解決に有効な状況を見極め、現実の問題をグラフを用いたデータ分析の問題に落とし込むことができる。
[DS-267] スキルレベル★★★：グラフ深層学習（Graphical Convolution Networks:GCNなど）の入出力（特徴量行列、隣接行列など）とタスク（ノード予測、リンク予測など）を理解し、適切な手法で課題を解決できる

モデル利活用

異常検知

[DS-268] スキルレベル★★：手元のデータの多寡やデータの再現性をふまえ、教師あり異常検知と教師なし異常検知の違いを適切に使い分けることができる
[DS-269] スキルレベル★★：統計・分布ベース（One-class SVM、Isolation Forest）、距離・密度ベース（KNN、Local Outlier Factor）、再構築ベース（Auto Encoder）を含む異常検知アルゴリズムの原理と適用分野を理解し、対象のデータの特性（時系列、高次元、構造データなど）に応じて適切な手法を選定・実装・評価できる

レコメンド

[DS-270] スキルレベル★：レコメンドアルゴリズムにおけるコンテンツベースフィルタリングと協調フィルタリングの違いを説明できる
[DS-271] スキルレベル★★：分析要件から適切なレコメンドアルゴリズム（ItemKNN、BRP、item2vec、LightGCN、RecVAEなど）を選定し実装できる
[DS-272] スキルレベル★★：精度指標（HR@k、NDCG@k、MRR 等）や多様性指標（カタログカバレッジ、セレンディピティ、ノベルティ等）を推薦モデルの用途に合わせて選択し、評価できる
[DS-273] スキルレベル★★★：行動履歴に加え、アイテム属性、ユーザ属性、時間変化などの情報を用いて、目的に応じた推薦アルゴリズム（DeepFM、Wide & Deep、SASRec、BERT4Rec、LightGCN など）を実装・評価できる

オペレーションズリサーチ

シミュレーション・データ同化

[DS-274] スキルレベル★★：離散型・連続型シミュレーションについて、説明できる（モンテカルロ、ヒストリカル、Agentベースなど）

シミュレーション・データ同化

[DS-275] スキルレベル★★：マルコフ連鎖の特徴を理解し、MCMC（マルコフ連鎖モンテカルロ法）シミュレーションをライブラリを用いて実装できる
[DS-276] スキルレベル★★★：データ同化の概念を理解し、実行できる（データを用いてシミュレーション内の不確実性を減少させる計算技法など）
[DS-277] スキルレベル★★★：シミュレーションにおける問題を理解し、対処を考えることができる（初期条件・境界条件・パラメータの不確実性、データ分布の不均一性、実験計画の最適性など）
[DS-278] スキルレベル★★★：MCMC（マルコフ連鎖モンテカルロ法）における各種アルゴリズム（メトロポリス-ヘイスティングス法、ギブスサンプラー、ハミルトニアン・モンテカルロ法など）について理解し、活用できる

最適化

[DS-279] スキルレベル★★：複数のA/Bテスト、スプリットテストの統計的結果を踏まえ、デザイン等の最適化を実施できる
[DS-280] スキルレベル★★：一定の制約下で最適解の識別と報酬の最大化がともに求められ、かつ報酬分布が時間経過で変化するような問題に対して、多腕バンディットアルゴリズムを適用・実装できる
[DS-281] スキルレベル★★：線形計画法について理解し、その解法(単体法や内点法など)について説明できる
[DS-282] スキルレベル★★：凸関数および、凸計画問題における双対問題やKKT(Karush-Kuhn-Tucker)条件を説明できる
[DS-283] スキルレベル★★：連続最適化問題（制約なし）において、使用可能なアルゴリズムを説明できる（ニュートン法、最急降下法など）
[DS-284] スキルレベル★★：連続最適化問題（制約あり）において、使用可能なアルゴリズムを説明できる（ラグランジュ未定乗数法、内点法、逐次2次計画法など）
[DS-285] スキルレベル★★：組み合わせ最適化問題において、代表的な解法の概念を説明できる（厳密解法（分枝限定法、動的計画法、切除平面法）、近似解法（局所探索、貪欲法など）、メタヒューリスティック解法（遺伝的アルゴリズム、タブーサーチなど））
[DS-286] スキルレベル★★★：ビジネス課題にあわせて、変数や制約を洗い出し、単目的・多目的や線形・非線形を問わず、最適化モデリングができる
[DS-287] スキルレベル★★★：代表的な最適化問題に関して、モデリングを行い、ソルバーを使い、最適化できる（ナップザック問題、ネットワークフロー問題、巡回路問題など）

非構造化データ処理

自然言語処理

[DS-288] スキルレベル★：テキストデータに対する代表的なクリーニング処理（小文字化、数値置換、半角変換、記号除去、ステミングなど）を目的に応じて適切に実施できる
[DS-289] スキルレベル★：形態素解析や係り受け解析のライブラリを適切に使い、基本的な文書構造解析を行うことができる
[DS-290] スキルレベル★：自然言語処理を用いて解けるタスクを理解し、各タスクの入出力を説明できる（GLUEタスクや固有表現抽出、機械翻訳など）
[DS-291] スキルレベル★★：Unigram language modelやBPE（Byte Pair Encoding）によるサブワード分割手法を理解しており、適切に実施できる
[DS-292] スキルレベル★★：使用メモリの削減やモデルの精度向上のため、名寄せやユーザ定義辞書の作成、ストップワードの除去・置換を実施できる
[DS-293] スキルレベル★★：Word2Vec（Skip-gram、CBoW）やTransformerなどを用いて単語・文書を数値ベクトル化し、TF-IDFやcos類似度などの指標で文書間の類似度を計算できる
[DS-294] スキルレベル★★：再帰型ニューラルネットワーク(RNN), 長期短期記憶(LSTM)に加え、GPT（Generative Pre-Trained transformer）、BERT（Bidirectional Encoder Representations from Transformer）などのニューラル言語モデルを理解し、使いこなせる
[DS-295] スキルレベル★★★：形態素解析・構文解析・固有表現抽出のアルゴリズムを理解し、使いこなせる
[DS-296] スキルレベル★★★：N-gram言語モデルの構築方法と代表的なスムージングアルゴリズムを理解し、使いこなせる
[DS-297] スキルレベル★★★：索引型の全文検索の仕組み（転置インデックス、スコアリング、関連性フィードバック、Embedding Index）を理解し、適切に使いこなせる
[DS-298] スキルレベル★★★：主要なトピックモデル（確率的潜在意味解析[pLSA]、潜在的ディリクレ配分法[LDA]）の仕組みを理解し、使いこなせる
[DS-299] スキルレベル★★★：データの特性に合わせ、適切な言語処理アルゴリズムを選択し、誤り分析、辞書作成などを行い、成果を最大化できる
[DS-300] スキルレベル★★★：Transformerや隠れマルコフモデル（Hidden Markov Model:HMM）、Conditional Random Fields:CRF）などを用いた系列ラベリング手法を理解し、使いこなせる

画像認識

[DS-301] スキルレベル★：画像のデジタル表現の仕組みと代表的な画像フォーマットを知っている
[DS-302] スキルレベル★：画像に対して、目的に応じた適切な色変換や簡単なフィルタ処理などを行うことができる
[DS-303] スキルレベル★：画像データに対する代表的なクリーニング処理（リサイズ、パディング、正規化など）を目的画に応じて適切に実施できる
[DS-304] スキルレベル★：画像認識を用いて解けるタスクを理解し、入出力とともに説明できる（識別、物体検出、セグメンテーションなどの基本的タスクや、姿勢推定、自動運転などの応用的タスク）
[DS-305] スキルレベル★★：画像の処理や解析において、効果的なパターン検出や画像特徴抽出などを既存手法から選ぶことができる
[DS-306] スキルレベル★★：代表的な画像認識モデルを理解し使いこなせる（ResNet、EfficientNet、Vision Transformer (ViT)、Swin Transformer）
[DS-307] スキルレベル★★：画像と言語の対照学習について理解し、学習済みのモデル（CLIPなど）を用いてゼロショット分類や画像–テキスト検索の仕組みを設計し実装できる
[DS-308] スキルレベル★★：ライブラリ、学習済みモデルなどを用いて識別・物体検出・セマンティックセグメンテーションなどの画像処理を実装・評価できる
[DS-309] スキルレベル★★★：画像・動画処理を行う環境（モバイル上での処理など実行に制約を伴う環境）と処理パフォーマンスを考慮し、適切な手法の選択とモデルの構築ができる
[DS-310] スキルレベル★★★：画像を元にした被写体の3次元構造の推定や新視点画像生成など、画像で表現された3次元の物体のデータを扱うことができる。（NeRF、3D Gaussian Splattingなど）

動画認識

[DS-311] スキルレベル★：動画のデジタル表現の仕組みと代表的な動画フォーマットを理解しており、動画から画像を抽出する既存方法を使うことができる
[DS-312] スキルレベル★★：物体が動いている方向・速度を、適切なオプティカルフローの手法（Horn–Schunck法、RAFT、GMFlowなど）を選択した上で動画から推定し、トラッキングできる
[DS-313] スキルレベル★★：動画認識のモデル（3D-CNN、時空間Transformerなど）の特徴や学習済みの基盤モデル（VideoMAE、TimeSformer、ViViT など）の活用方法を理解し、映像認識の目的やタスクに応じて選定できる
[DS-314] スキルレベル★★：動画中の動作・イベント認識において入力情報の設計やセグメンテーション、イベントの検出の処理を適切なモデル（ResNet, C3D, ViT, TimeSformerなど）を選択して実装できる
[DS-315] スキルレベル★★：キーポイントの検出や座標表現、時系列の推定精度の安定性などの基本概念や手法を理解し、2次元または3次元の姿勢推定の仕組みの実装や推定精度の評価を実行できる
[DS-316] スキルレベル★★★：動画の解析手法の現況について理解し、専門家とともに実装を検討できる（Kernel Temporal Segmentation[KTS]による動画の映像区間切り分け、動画内の重要度推定によるハイライト作成など）

音声認識

[DS-317] スキルレベル★：wavやmp3などの代表的な音声フォーマットの特徴や用途、基本的な変換処理について説明できる（サンプリングレート、符号化、量子化など）
[DS-318] スキルレベル★★：音声データから、分析目的にあった波形データの抽出やノイズの除去ができる
[DS-319] スキルレベル★★：音声認識や本人認証、感情分析などの代表的な音声処理分野について理解し、用いられる分析手法を説明できる
[DS-320] スキルレベル★★★：短時間フーリエ分析、メルフィルタバンク処理、ケプストラム分析、LPC（線形予測分析）などの代表的な音声信号分析手法を理解し、使いこなすことができる
[DS-321] スキルレベル★★★：音声認識、音声合成、認証・感情分析などの目的に合わせて、パラメータ調整や手法変更、言語モデル・音響モデルなどを差し替え、モデル構築・精度評価ができる
[DS-322] スキルレベル★★★：大規模音声データの学習済みモデル（Wav2Vec 2.0、HuBERT、Whisperなど）を目的に応じて適切に選択し、少数ラベルデータや高雑音などの実装環境に応じたモデルの調整や評価設計を実施できる
[DS-323] スキルレベル★★★：音声と映像・テキストを統合するマルチモーダルモデル（AVSR、多言語音声基盤、音声LLM等）を設計・実装し、高雑音下や妨害話者・業務固有語彙など複雑な文脈での認識精度の改善を実行できる

AI活用

大規模言語モデル

[DS-324] スキルレベル★：大規模言語モデル（LLM）でHallucinationが起こる理由を学習に使われているデータの観点から説明できる（学習用データが誤りや歪みを含んでいる場合や、入力された問いに対応する学習用データが存在しない場合など）
[DS-325] スキルレベル★★：大規模言語モデル（LLM）を活用することが、独自に言語処理を開発することに対してメリットがある状況を、訓練データの収集コストや目的の汎用性、訓練に必要なコンピューターリソース（GPUやTPU）などの観点から説明できる
[DS-326] スキルレベル★★：目的特化型のモデルと基盤モデルの違いについて汎用性や学習方法（データ量や教師データの有無など）の観点から理解し、目的に合わせて使い分けの判断ができる
[DS-327] スキルレベル★★：大規模言語モデル（LLM）でHallucinationが起こる理由を言語モデルとしての特性（尤度にもとづくワード生成）や学習手法（自己教師あり学習やRLHF等）、汎化（外挿に対する真実味）の観点などから説明できる
[DS-328] スキルレベル★★：基準となる指標や評価のためのデータセットなどの性能評価方針に従い、大規模言語モデル（LLM）の性能を評価できる
[DS-329] スキルレベル★★：生成文と外部知識（RAG文脈や引用）との整合性を、評価指標（SelfCheckGPT, FactCC, FEVER, RAGAS）を駆使し、誤情報抑制の仕組みを設計・運用できる
[DS-330] スキルレベル★★：生成AIの有害出力（差別・攻撃・性的・暴力的など）に対し、検知ツール［OpenAI Moderation API、Detoxify、Perspective API］や倫理的制御手法［Constitutional AI、システムプロンプト設計］を使い、評価・運用・監視まで一貫して設計・改善できる
[DS-331] スキルレベル★★：従来指標（BLEU／ROUGE／BERTScore）に加え、LLM-as-a-Judge/Criticを用いて出力の品質を自動で測定・フィードバックすることができる
[DS-332] スキルレベル★★：大規模言語モデルの推論性能の向上に活用される手法（RLHFやRLVRなどによる強化学習を通じた報酬設計の改善や、GPROなどによる推論過程の最適化など）について理解している
[DS-333] スキルレベル★★★：大規模言語モデル（LLM）とそれ以前の自然言語処理技術について、それぞれが得意とするタスクや処理性能、ドメインユースへのカスタマイズ可否などの観点から違いを理解し、自社組織の課題に対して適切な手法の導入を推進できる
[DS-334] スキルレベル★★★：オープンソースの大規模言語モデル（LLM）を活用する上での留意点（入出力データの管理方法や性能面での限界など）と使い方（パラメータ更新可否や代表的なファインチューニング方法など）を理解し導入できる
[DS-335] スキルレベル★★★：大規模言語モデル（LLM）において、利用者にとって好ましいと考えられる出力や安全性が確保された出力を生成できるようにするための学習手法を知っている（Reinforcement Learning from Human Feedback:RLHFやLIMAなど）
[DS-336] スキルレベル★★★：大規模言語モデル（LLM）に対し、効率的なFine Tuning（Parameter-Efficient Fine-Tuning:PEFT）を行うための手法を知っている（Prefix Tuning、Adapter、LoRAなど）
[DS-337] スキルレベル★★★：大規模言語モデル（LLM）の評価について検討すべき事項を理解し、指標や評価のためのデータセットを選定できる（自然言語処理タスクとしての性能［GLUEやJGLUEなど］、目的・専門領域での性能［司法や医療分野などの模擬試験］、敵対的なプロンプトへの対応、レスポンス改善やファインチューニングを含めた開発・運用コストなど）
[DS-338] スキルレベル★★★：Context lengthの概念やそれが推論能力に与える影響、RLHFに伴う人間フィードバックの限界とreward hackingのリスクなど、LLMの構造的課題を理解し、適切な学習設計や制御戦略を構築できる

画像生成モデル

[DS-339] スキルレベル★★★：拡散モデルとそれ以前の画像認識・生成モデルについて、それぞれが得意とするタスクや処理性能、ドメインユースへのカスタマイズ可否などの観点から特徴を理解し、自社組織の課題に対して適切な手法の導入を推進できる
[DS-340] スキルレベル★★★：拡散モデルやフローベースモデルの理論を理解し、目的に応じた画像生成を行える
[DS-341] スキルレベル★★★：生成過程を制御するための補助モデル（LoRA、ControlNet、Inpainting、Style Transferなど）の構造と役割を理解し、活用できる
[DS-342] スキルレベル★★★：拡散モデルにおける逐次サンプリングの計算負荷を軽減するために、高速化手法（DDIM、one-step生成など）の原理を理解し目的に応じて適切な高速化設計を実装できる
[DS-343] スキルレベル★★★：生成モデルにより出力された画像に対して、品質指標（FID、CLIP Score、Inception Scoreなど）とビジネス観点における合理性（設計図の生成に関する構造的妥当性や生成シーンにおける尤もらしさなど）の双方から評価を行うことができる

オーディオ生成モデル

[DS-344] スキルレベル★★★：オーディオ生成モデルが大規模言語モデル（LLM）を利用する場合において、オーディオデータの系列長圧縮や離散化などのエンコーディング技術がどのような役割を果たすか説明できる（Neural Audio Codecによるオーディオデータのエンコーディングがトークナイズの役割を果たすなど）
[DS-345] スキルレベル★★★：主要なオーディオ生成モデル（WaveNet、FastSpeech、Diffusion-TTSなど）の理論を理解し、目的に応じた音声を生成できる
[DS-346] スキルレベル★★★：生成過程を制御するための補助モジュール（Prosody Encoder、Emotion Conditioning、Voice Conversionなど）の構造と役割を理解し、条件付けにより音声の韻律・感情・話者特性を制御した高精度な音声生成・編集を行える
[DS-347] スキルレベル★★★：生成モデルの推論効率を改善するため、並列生成手法（FastSpeech、Non-Autoregressiveモデルなど）のデコーディング戦略や、モデルの量子化、蒸留などの軽量化手法を理解し、低遅延のリアルタイム生成やエッジデバイスへの実装設計を行える
[DS-348] スキルレベル★★★：オーディオ生成技術の動向を評価し、ビジネス要件(品質、レイテンシ、コスト)に応じた生成モデルの選定戦略とシステムアーキテクチャを設計できる
[DS-349] スキルレベル★★★：オーディオ生成プロジェクト全体の品質評価指標として、客観的品質指標（PESQ、MCDなど）と主観的評価指標（Mean Opinion Score: MOS）の双方を統合できる

動画生成モデル

[DS-350] スキルレベル★★★：動画生成の主要なアプローチ（2D/3D Convolutionベース、Transformerベース、拡散モデルの時空間拡張など）の構造と特性を理解し、目的に応じた適切なモデルを選択・導入できる
[DS-351] スキルレベル★★★：動画生成における時系列的な一貫性（Temporal Consistency）の重要性を理解し、その向上に寄与する技術（Attention機構の適用、フレーム間予測の工夫）の原理を説明できる
[DS-352] スキルレベル★★★：条件付け、ファインチューニング、各種編集タスクに必要な補助モジュール（ControlNet拡張、LoRA、DreamBooth、インペインティング等）の構造と役割を理解し、時空間的な一貫性を保ちながら、動画生成および編集のプロセスを高精度に制御・カスタマイズできる
[DS-353] スキルレベル★★★：生成モデルの推論やデコード処理における計算負荷・生成品質のトレードオフを理解し、サンプリングステップ数・解像度・フレーム長などを最適化して処理速度と品質のバランスをとった生成を行える
[DS-354] スキルレベル★★★：生成された動画に対して、画質だけでなく、時間的な滑らかさ（Temporal Smoothness）や動きの自然さを測る品質指標（Fréchet Video Distance:FVD）、ビジネス観点における動作やシーンの妥当性などから評価を行うことができる

データエンジニアリング力

環境構築

システム企画

[DE-1] スキルレベル★：オープンデータを収集して活用する分析システムの要件を整理できる
[DE-2] スキルレベル★★：数千万レコードの大容量データを蓄積・分析するシステムにおいて、データの重要性や分析要件に則したシステム構築、初期データ投入方法、システム運用の要件定義が行える
[DE-3] スキルレベル★★：ソフトウェア開発プロジェクトの管理方法、設計、テスト方法を理解した上で、データ管理・分析システムの要件定義を行うことができる
[DE-4] スキルレベル★★★：組織の情報システム戦略、全体システム化計画の方針に従い、全体最適の観点を持って、データ分析システムの企画・要件定義を推進できる
[DE-5] スキルレベル★★★：データ活用戦術を正しく理解し、各種業務プロセスについての専門知識とシステムに関する知識を有し、双方を活用して、適切な要件定義が行える
[DE-6] スキルレベル★★★：プライベートネットワーク上の内部データ（CRM、Webログ、ユーザー購買データなど）とインターネット上データ（気象データ、為替変動データなど）の仕様を理解し、両方のデータソースを統合する要件を整理できる
[DE-7] スキルレベル★★★：オンプレミス環境もしくはIaaS上の分析システムにおいて業務要件やリソース負荷に応じて、データフローや管理機構の統合、またバッチ実行スケジュールの最適化について要件定義が行える

システム設計

[DE-8] スキルレベル★：サーバー1〜10台規模のシステム構築、システム運用を手順書を元に実行できる
[DE-9] スキルレベル★：オンプレミス環境もしくはIaaS上のデータベースに格納された分析データのバックアップやアーカイブ作成などの定常運用ができる
[DE-10] スキルレベル★★：オンプレミス環境もしくはIaaS上の分析システムにおけるシステム運用（監視、フェイルオーバー、バックアップ、リカバリー処理、サービス開始・停止処理など）の運用設計や手順書作成が行える
[DE-11] スキルレベル★★：HTTPを活用したオープンAPIと分析システムのサーバー環境及びデータベースの連携設計ができる
[DE-12] スキルレベル★★：既存システムの各機能が参照・更新するデータの構造や関連付けを把握し、分析機能の追加や改修時にデータモデルの見直しが必要か判断できる
[DE-13] スキルレベル★★：分析実行頻度の少ないシステムにおいて、分析非稼働時にはサービス削除し、必要時のみサービスを有効にすることでクラウドコストを最小化するシステム運用を設計できる
[DE-14] スキルレベル★★：クラウドの運用管理サービスを利用して、クラウド上に構築した分析システムの監視やバックアップ等のシステム運用を実装できる
[DE-15] スキルレベル★★：IaC（Infrastructure as Code）を活用して、サーバー、ネットワーク、ストレージなどのインフラ環境を再現性・自動化可能な形で構築・管理できる
[DE-16] スキルレベル★★★：オンプレミス環境における分析システムのキャパシティ要件（データ容量）と必要処理性能（スループット）を定義できる
[DE-17] スキルレベル★★★：クラウドのメリットとデメリットを比較して、必要に応じてオンプレミスのデータ分析システムをクラウド環境に移行できる
[DE-18] スキルレベル★★★：オンプレミス環境における大容量データストアに対して適切なデータ分散配置なども含めてシステム拡張方法や最適化の要件を整理できる
[DE-19] スキルレベル★★：扱うデータのデータ規模や機密性、分析要件を理解した上で、オンプレミスで構築するか、クラウド上で構築するかの要件を整理できる

アーキテクチャ設計

[DE-20] スキルレベル★：ノーコード・ローコードツールを組み合わせ、要件に応じたアプリやツールを設計できる
[DE-21] スキルレベル★：コンテナ技術の概要を理解しており、既存のDockerイメージを活用して効率的に分析環境を構築できる
[DE-22] スキルレベル★：分析環境を提供するクラウド上のマネージドサービス（Amazon SageMaker、Azure Machine Learning、Google Cloud Vertex AI、IBM watsonx.ai Studioなど）を利用して、機械学習モデルを開発できる

アーキテクチャ設計

[DE-23] スキルレベル★：YAMLやJSONなど、プロジェクトで指定される形式を理解し、構成・設定ファイルを適切に記述・管理できる
[DE-24] スキルレベル★★：分析者向けのRDBMS、NoSQL、ETL、Visualizationなど単一コンポーネントのユーザー利用機能の設計が行える
[DE-25] スキルレベル★★：深層学習（ディープラーニング）の学習を高速化するために、GPU（GPGPU）環境を実装できる
[DE-26] スキルレベル★★：Dockerコンテナ技術を用いてデータの蓄積環境・分析環境を構築し、再利用できる形でDockerイメージを管理できる
[DE-27] スキルレベル★★：コンテナオーケストレーションツール（Kubernetes、OpenShift、Amazon Elastic Container Serviceなど）を用いて複数のコンテナの配置と実行を管理できる
[DE-28] スキルレベル★★：開発した予測モデルをREST APIから呼び出せるように実装し、マイクロサービスのコンポーネントの一つとしてシステムに組み込むことができる
[DE-29] スキルレベル★★：自社のオンプレミス環境とプライベートクラウド環境を専用線やVPNを用いて接続し、オンプレミス環境上のデータをクラウド上のデータストアサービスにインターネットを介さず安全に格納するネットワークを設計できる
[DE-30] スキルレベル★★★：量子コンピュータにおけるロジックを検討する際に計算結果のゆらぎについて理解した上で、適切な処理フローやテスト手順を検討できる
[DE-31] スキルレベル★★★：量子コンピュータの量子計算の特徴や制約を理解し、量子コンピュータの計算性能を生かすユースケースを検討できる
[DE-32] スキルレベル★★★：オンプレミス環境の物理サーバ上にHadoopやSparkなどを組み合わせて大容量データを管理する分散管理システムを設計できる
[DE-33] スキルレベル★★★：KVS、カラム指向、ドキュメント指向などデータ構造の異なる複数のシステムからデータ取得と分析環境への連携を設計できる
[DE-34] スキルレベル★★★：費用対効果が高いPaaS型サービスと設計自由度の高いIaaS環境のメリット、デメリットを理解し、PaaSとIaaSを組み合わせた効率的な分析システムを設計できる
[DE-35] スキルレベル★★★：Amazon Web Services（AWS)、Microsoft Azure、Google Cloud、IBM Cloudなど複数社のクラウドサービスを組み合わせたマルチクラウド構成を設計し、各社が提供する固有の分析サービスを連携して活用することができる

データ収集

クライアント技術

[DE-36] スキルレベル★：対象プラットフォーム（クラウドサービス、分析ソフトウェア）が提供する機能（SDKやAPIなど）の概要を説明できる
[DE-37] スキルレベル★：Webクローラー・スクレイピングツールを用いてWebサイト上の静的コンテンツを分析用データとして収集できる
[DE-38] スキルレベル★★：対象プラットフォーム（IoTデバイス、スマートフォン、クラウドサービスなど）で取得可能なデータ項目から目的に応じてデータ収集システムを設計できる
[DE-39] スキルレベル★★：エッジコンピューティング構成においてエッジデバイス側（端末側）で収集したログを、適切なタイミングでサーバ側に転送・集約するデータ収集の仕組みを設計できる
[DE-40] スキルレベル★★★：センター側で学習した予測モデルを、ネットワーク経由でエッジデバイスに配信して、エッジデバイス側で予測・分析を行うエッジAIシステムを設計できる

通信技術

[DE-41] スキルレベル★：システムやネットワーク機器に用意された通信機能（HTTPS、SFTPなど）を用い、データを収集先に格納するための機能を実装できる
[DE-42] スキルレベル★★：データ収集対象の要件に応じて、MQTT（Message Queue Telemetry Transport）によるパブリッシュ/サブスクライブ型の通信を検討・実装できる
[DE-43] スキルレベル★★：既存のデータ収集システムの通信回線を5GやLPWA(Low Power Wide Area)など既存と異なる通信規格に変更することにより発生する影響を評価できる
[DE-44] スキルレベル★★：ネットワークプロトコルや暗号化などの通信技術を用い、通信のボトルネックと可用性（継続的に通信が成立していること）を考慮した上で、必要な通信機能を実装できる
[DE-45] スキルレベル★★★：自動車の自動運転やドローン操縦で使用される無線通信網の特性や制約を理解して、移動体から取得するデータや取得方式を設計できる

通信技術

[DE-46] スキルレベル★★★：データ通信において、機能・性能の問題に対し根本原因を特定できるだけでなく、必要に応じて新規技術の適用を検討できる

データ抽出

[DE-47] スキルレベル★：社内のシステムやサービスから必要な情報を取り出し、Excel形式の小規模なデータセットを作成できる

データ収集

[DE-48] スキルレベル★：既存のサービスやアプリケーションに対して、分析をするためのログ出力の仕様を整理することができる
[DE-49] スキルレベル★★：FluentdやLogstashなどのログ収集ツールを用いて形式の異なる複数サーバのログを収集し分析可能な形式に変換して蓄積することができる
[DE-50] スキルレベル★★：GDPRや個人情報保護法を理解し、ユーザからの削除申請があった場合はユーザに関連する全ての情報を一括消去する機能を設計できる
[DE-51] スキルレベル★★★：入手可能なデータに加え、分析結果の品質・効果を向上させる新たなデータ入手方法を提案できる（IoTでの新設センサーの種類、配置場所、データ入手間隔など）

データ統合

[DE-52] スキルレベル★★：データフォーマットの異なる同一内容のデータ（会員情報、商品マスタなど）を統合する処理を設計できる
[DE-53] スキルレベル★★★：組織統合などにより異なるコード定義やフォーマットが混在する複数システムのデータを統合し利活用するシステムを設計できる
[DE-54] スキルレベル★★★：システム分析・業務分析を基に、最適なデータフロー管理やジョブ管理のツール（データパイプラインの自動化ツール、データファブリックやデータメッシュなどの分散データ管理ツール、リアルタイム処理ツールなど）を選定・評価できる

データ構造

基礎知識

[DE-55] スキルレベル★：扱うデータが、構造化データ（顧客データ、商品データ、在庫データなど）か非構造化データ（雑多なテキスト、音声、画像、動画など）なのかを判断できる
[DE-56] スキルレベル★：ER図を読んでテーブル間のリレーションシップを理解できる

要件定義

[DE-57] スキルレベル★★：業務で使用するデータのライフサイクル（いつ、どんなデータが発生し、いつまで保持されているのかなど）を把握して、論理モデルを作成できる
[DE-58] スキルレベル★★：データ保持ルール（データアクセス、性能、保持期間、セキュリティなど）に基づき、データベース・DWHの運用ルールを定義できる

テーブル定義

[DE-59] スキルレベル★：正規化手法（第一正規化〜第三正規化）を用いてテーブルを正規化できる
[DE-60] スキルレベル★★：ビジネスプロセスを理解・整理して、データフロー図、論理データモデル、ER図、テーブル定義書を作成できる
[DE-61] スキルレベル★★：業務特性や基幹システムの特徴をもとに、検索で頻繁に使用するデータのキー（顧客IDなど）を想定し、インデックスを作成・設定できる
[DE-62] スキルレベル★★：データ集計を高速化またはSQLを単純化するため、スタースキーマ、スノーフレークスキーマなどを用いたデータモデルを設計できる

テーブル設計

[DE-63] スキルレベル★★：稼働中の複数のシステム間で発生するデータ項目の差異を、変換テーブルを活用して、埋めることができる
[DE-64] スキルレベル★★：DWHに入れる元データ（基幹DBのデータなど）のキーに変更があった場合に、サロゲートキーやナビゲーションブリッジテーブルを用いて対応できる
[DE-65] スキルレベル★★：非正規化テーブルや一時テーブルなどを作成し、アプリケーションの処理速度を高速化できる

データ蓄積

DWH

[DE-66] スキルレベル★：DWHアプライアンス（Oracle Exadata Database Machine、IBM Integrated Analytics Systemなど）に接続し、複数テーブルを結合したデータを抽出できる
[DE-67] スキルレベル★★：DWHアプライアンス（Oracle Exadata Database Machine、IBM Integrated Analytics Systemなど）の機能と特徴を理解し、適切な管理対象データを選定できる

分散技術

[DE-68] スキルレベル★：HadoopやSparkの分散技術の基本的な仕組みと構成を理解している
[DE-69] スキルレベル★：NoSQLデータストア（Cassandra、MongoDB、CouchDB、Amazon DynamoDB、Azure Cosmos DB、Google Cloud Firestoreなど）にAPIを介してアクセスし、新規データを登録できる
[DE-70] スキルレベル★★：HadoopやSparkのメリット・デメリットを理解し、HadoopやSparkにて管理すべきデータを選定できる
[DE-71] スキルレベル★★：KVSの特性（集計・ソートが苦手、データの一貫性保証など）を理解し、KVSがデータストア要件を満たすかを判断できる
[DE-72] スキルレベル★★：HadoopやSparkの分散アーキテクチャを理解し、大容量データ処理の設計やパフォーマンスチューニングができる

クラウド

[DE-73] スキルレベル★：クラウド上のオブジェクトストレージサービス（Amazon S3、Azure Blob Storage、Google Cloud Storage、IBM Cloud Object Storageなど）に接続しデータを格納できる
[DE-74] スキルレベル★★：クラウド上のDWHサービス（Amazon Redshift、Google BigQuery、IBM Db2 Warehouse、Microsoft Fabric Synapse Data Warehouse等）にロードして分析で利用できる
[DE-75] スキルレベル★★★：クラウド上のデータストアサービスが対象システムの機能要件・非機能要件に合致するか評価を行い、採用可否を判断できる

リアルタイム処理

[DE-76] スキルレベル★★★：リアルタイムに入力されるストリームデータから指定条件のイベントを即時に抽出する複合イベント処理（CEP）を実現するサーバー環境・構成を設計できる
[DE-77] スキルレベル★★★：Apache Kafka、Apache Flinkなどのストリーム処理プラットフォームを活用して、入力データをリアルタイムに処理して連携できる
[DE-78] スキルレベル★★★：適切なライブラリや実行環境を選択して、ストリーム処理やイベント駆動アプリケーションを実装できる

キャッシュ技術

[DE-79] スキルレベル★★★：基盤設計において、どこのシステム要素にRedisやmemcachedなどのキャッシュ機能を採用すると処理が高速化されるか判断できる

データ蓄積技術

[DE-80] スキルレベル★：データマートやDWHなどの集中型データ基盤と、データファブリックやデータメッシュなどの分散型データ基盤の設計思想の違いを理解し、ユースケースや組織構造に応じて適切に選択できる
[DE-81] スキルレベル★★：データストア選定の際にリレーショナルDBだけでなく、要件に応じてNoSQL、時系列DB、グラフDB、ベクトルDBなどの適切なデータ蓄積機能を選定できる
[DE-82] スキルレベル★★：データカタログやデータリネージ管理ソリューションを活用して、分析データのメタデータや由来、履歴を一元的に管理し、データ可視化とガバナンス強化を実現できる
[DE-83] スキルレベル★★★：ベクトルDBにおいて、適切なインデックス構造の選択、パラメータチューニング、データの次元削減、ベクトル正規化技術に加え、元文書の品質管理や整備などのデータマネジメントなどを利用し、パフォーマンスを最適化できる

検索技術

[DE-84] スキルレベル★★：Apache Solr、Elasticsearch、OpenSearchなどを用いて、全文検索によるテキストキーワード検索用のDBを構築することができる

データ加工

フィルタリング処理

[DE-85] スキルレベル★：表計算ソフトを用いて、フィルタ・ソート・欠損補完・ランダム抽出・集計・演算や、データ変換（数値データの日時データ化や都道府県名からのジオコード変換など）といった基本的なデータ加工処理ができる
[DE-86] スキルレベル★：正規表現を活用して条件に合致するデータを抽出できる（メールアドレスの書式を満たしているか判定をするなど）

結合処理

[DE-87] スキルレベル★：表計算ソフトのデータファイルに対して、単一条件による内部結合、外部結合、自己結合ができ、UNION処理ができる

前処理

[DE-88] スキルレベル★★：フラットファイルやバイナリファイルに対するデータロードの前処理（クレンジング操作、禁則処理やバイラリ処理）ができる
[DE-89] スキルレベル★★：線形補間など、複数のレコードを考慮したクレンジング処理ができる

マッピング処理

[DE-90] スキルレベル★★：データ定義や実際の観測データの状況をもとに、一般的な名寄せ処理を設計・実装できる

変換・演算処理

[DE-91] スキルレベル★：変換元データと変換先データの文字コードが異なる場合、変換処理のコードがかける
[DE-92] スキルレベル★★：数十億レコードの大容量データに対して効率的な処理を行うために、Parquetなどのカラムナ（列指向）ストレージ形式のファイルに変換してデータを管理できる
[DE-93] スキルレベル★★：手書き文字や画像などの非構造データを、OCRや画像認識ライブラリ、画像認識モデルなどの変換・処理プログラムを用いて分析可能な構造化データに変換できる

データ共有

データ出力

[DE-94] スキルレベル★：加工・分析処理結果をCSV、XML、JSON、Excelなどの指定フォーマット形式に変換してエクスポートできる
[DE-95] スキルレベル★：加工・分析処理結果を、接続先DBのテーブル仕様に合わせてレコード挿入できる

データ展開

[DE-96] スキルレベル★：RESTなどのデータ取得用Web APIを用いて、必要なデータを取得できる
[DE-97] スキルレベル★★：利用者の要件に合致したレポート（図、表）を、PDFなどの印刷用フォーマットで出力する変換機能を設計できる
[DE-98] スキルレベル★★：BIツール用のサーバーを構築し、単一データソースのレポート用データマートを設計・構築できる
[DE-99] スキルレベル★★：データストア上のデータをメールやメッセージを用いてプッシュ配信するシステムのサーバー・ネットワーク・ソフトウェアの構成を設計できる

データ展開

[DE-100] スキルレベル★★：Webアプリケーションの実装において、WebSocketを用いてクライアント側にリアルタイムにデータ提供できる機能を設計できる
[DE-101] スキルレベル★★：RSSや業界標準フォーマットなど、要件に合致したデータ形式・配信形式で情報提供するシステムのインターフェースを設計できる
[DE-102] スキルレベル★★：RESTなどのWeb APIを用いて、必要なデータを提供するシステムの公開インターフェースを設計できる

データ連携

[DE-103] スキルレベル★：SFTPサーバー、ファイル共有サーバーなどから必要なデータファイルをダウンロードして、Excelなどの表計算ソフトに取り込み活用できる
[DE-104] スキルレベル★：BIツールからデータベース上のDBテーブルを参照して新規レポートやダッシュボードを作成し、指定のユーザグループに公開できる
[DE-105] スキルレベル★：BIツールの自由検索機能を活用し、必要なデータを抽出して、グラフを作成できる
[DE-106] スキルレベル★★：連携対象システムの仕様に合わせて、ETLツールなどを用いてデータ変換、ファイル転送処理を実装できる
[DE-107] スキルレベル★★：データクリーンルームを活用し、複数の組織や部門間において、個人情報や機密データを保護しながら、安全かつ適切にデータの分析および共有を行うことができる
[DE-108] スキルレベル★★★：他データや他システム連携を容易にする目的で、適切なオープンデータ系の標準フォーマット（IMI:情報共有基盤に記載のデータモデルや、GTFS:General Transit Feed Specificationなど）を用いて、データモデルを設定できる
[DE-109] スキルレベル★★★：ESBやAPI Gatewayなどのデータ連携サービスを活用してシステム間のデータ連携（データ配信・交換）を行うインターフェースを設計できる

プログラミング

基礎プログラミング

[DE-110] スキルレベル★：小規模な構造化データ（CSV、RDBなど）を扱うデータ処理（抽出・加工・分析など）を、設計書に基づき、プログラム実装できる
[DE-111] スキルレベル★：プログラム言語や環境によって、変数のデータ型ごとに確保するメモリサイズや自動型変換の仕様が異なることを理解し、プログラムの設計・実装ができる
[DE-112] スキルレベル★：データ処理プログラムのために分岐や繰り返しを含んだフローチャートを作成できる
[DE-113] スキルレベル★：オブジェクト指向言語の基本概念を理解し、スーパークラス（親クラス）を継承して、スーパークラスのプロパティやメソッドを適切に活用できる
[DE-114] スキルレベル★：ホワイトボックステストとブラックボックステストの違いを理解し、テストケースの作成とテストを実施できる

拡張プログラミング

[DE-115] スキルレベル★：JSON、XMLなど標準的なフォーマットのデータを受け渡すために、APIを使用したプログラムを設計・実装できる
[DE-116] スキルレベル★：外部ライブラリが提供する関数の引数や戻り値の型や仕様を調べて、適切に呼び出すことができる
[DE-117] スキルレベル★★：データオーケストレーションツール（Airflow、Dagster、Prefect 2など）を用いて機械学習で必要な複数のジョブやタスクを組合せてパイプライン化を実現できる
[DE-118] スキルレベル★★：TensorFlow、PyTorch、JAXなどのフレームワークを用いてニューラルネットワークのモデルを実装できる
[DE-119] スキルレベル★★：SNSから抽出した非構造化データを、適切な言語やライブラリを選んでデータ処理のプログラム実装ができる
[DE-120] スキルレベル★★★：CUDAやOpenCLを活用してGPU上で稼働する並列プログラミングを実装できる
[DE-121] スキルレベル★★★：IoTデバイスに関連する各分野におけるデータ取得標準（HEMS、Matterなど）を理解しており、今後の技術動向や規制についてのリスクを提示できる
[DE-122] スキルレベル★★★：単一サーバーの物理メモリを超える複数のデータソースを組み合わせたデータ処理において、分散処理アーキテクチャやデータのインメモリ処理の特性を意識してプログラム設計ができる

AIサービス活用

[DE-123] スキルレベル★：他サービスが提供する分析機能や学習済み予測モデルをWeb API（REST）で呼び出し分析結果を活用することができる
[DE-124] スキルレベル★：目的に応じ音声認識関連のAPIを選択し、適用できる（Speech to Text など）
[DE-125] スキルレベル★★：自然言語処理において、既存のAPI化したクラウドサービスなどを目的に即して、選定・活用できる
[DE-126] スキルレベル★★：画像の処理や解析において、既存のAPI化したクラウドサービスなどを目的に即して、選定・活用できる

コーディング支援

[DE-127] スキルレベル★：AIを用いたソースコードのレビュー機能・チェック機能を活用してプログラムのバグ修正や性能改善を実現できる

アルゴリズム

[DE-128] スキルレベル★：入れ子の繰り返し処理（二重ループ）など計算負荷の高いロジックを特定しアルゴリズムの改善策を検討できる
[DE-129] スキルレベル★★：システム化対象業務のビジネスロジックを理解して、外部ライブラリやAPIを有効に活用し、プログラムを実装することができる
[DE-130] スキルレベル★★★：論文や書籍に記載された計算式や機械学習ロジックを理解してプログラム実装できる

分析プログラム

[DE-131] スキルレベル★：Jupyter Notebook（Pythonなど）やRStudio（R）などの対話型の開発環境を用いて、データの分析やレポートの作成ができる
[DE-132] スキルレベル★：クラウド上の統合開発環境（AWS SageMaker Studio Lab、Google Colab、Azure Data Studio、IBM watsonx.ai Studioなど）で提供されるNotebookを用いてPythonやRのコードを開発して実行できる
[DE-133] スキルレベル★★：分析プログラムのロジックと処理手順を理解した上で正しい分析結果を出力しているか検証ができる
[DE-134] スキルレベル★★：比較的シンプルな分析課題において、クラウド、SaaS分析環境を用いてデータインポートから加工、集計、アウトプットまでの一連の実装ができる

SQL

[DE-135] スキルレベル★：SQLの構文を一通り知っていて、記述・実行できる（DML・DDLの理解、各種JOINの使い分け、集計関数とGROUP BY、CASE文を使用した縦横変換、副問合せやEXISTSの活用など）
[DE-136] スキルレベル★★：RDBにおける分析関数の構文と挙動を理解し、分析関数を用いて複雑な副問合せや自己結合を解消できる
[DE-137] スキルレベル★★：N:Nの結合や完全外部結合の危険性（計算量の増大、結果の不完全性）、暗黙の型変換の危険性（インデックス不使用、小数点以下の切り捨てなど）を考慮したSQLを記述できる
[DE-138] スキルレベル★★★：記述したSQLの実行計画の確認と判断ができ、SQLの修正やインデックス作成により、処理時間を大幅に改善するようなパフォーマンスチューニングができる

ITセキュリティ

基礎知識

[DE-139] スキルレベル★：セキュリティの3要素（機密性、完全性、可用性）について具体的な事例を用いて説明できる

プライバシー

[DE-140] スキルレベル★★：ハッシュ化、マスキング、k-匿名化、差分プライバシーなどのプライバシー保護の仕組みを理解し適用できる

攻撃と防御手法

[DE-141] スキルレベル★：OS、ネットワーク、アプリケーション、データなどの各レイヤーに対して、ユーザーごとのアクセスレベルを設定する必要性を理解している
[DE-142] スキルレベル★★：DoS攻撃、不正アクセス、マルウェア感染、内部不正などのセキュリティインシデント発生時に、既定の手順に従い影響範囲の特定、ログ調査、システム隔離、初期対応、関係者へのエスカレーションなどを的確に実施できる
[DE-143] スキルレベル★★：OS、ネットワーク、アプリケーション、データに対するユーザーごとのアクセスレベルを設計でき、設定できる
[DE-144] スキルレベル★★：SQLインジェクションやバッファオーバーフロー攻撃の概要を理解し、防止する対策を判断し、対策できる
[DE-145] スキルレベル★★：プライバシー保護要件とデータアクセス権限管理の両立を考慮したセキュリティ設計・運用ができる
[DE-146] スキルレベル★★★：なりすまし、改ざん、盗聴などのセキュリティ侵害を防御するための対策とセキュリティポリシーを設計し実践できる
[DE-147] スキルレベル★★★：侵入検知システム（IDS）やファイアウォール、エンドポイント対策（EPP/EDR）などを用いて、外部からの不正アクセスを検知、防御、内部侵入後の対策をおこなう環境を設計できる
[DE-148] スキルレベル★★★：不正メールの検出、不正通信トラフィックの自動遮断、ログからの不正検知などAIを活用したサイバー攻撃などに対する防御ソリューションの有用性と誤検出等のリスクを評価し導入を判断できる

暗号化技術

[DE-149] スキルレベル★：暗号化されていないデータは、不正取得された際に容易に不正利用される恐れがあることを理解し、データの機密度合いに応じてソフトウェアを使用した暗号化と復号ができる
[DE-150] スキルレベル★：なりすましや改ざんされた文書でないことを証明するために、電子署名が用いられることを理解している
[DE-151] スキルレベル★：公開鍵暗号化方式において、受信者の公開鍵で暗号化されたデータを復号化するためには受信者の秘密鍵が必要であることを知っている
[DE-152] スキルレベル★：ハッシュ関数を用いて、データの改ざんを検出できる
[DE-153] スキルレベル★★：SSHやSSL/TLSなどのセキュアプロトコルの概要と必要性を説明できる

認証

[DE-154] スキルレベル★：OAuthに対応したデータ提供サービスに対して、認可サーバから取得したアクセストークンを付与してデータ取得用のREST APIを呼び出すことができる
[DE-155] スキルレベル★★：Kerberos認証とRadius認証の違いを理解し、それぞれの認証の特徴やユースケースを説明できる
[DE-156] スキルレベル★★：SAMLやOpenID Connectを用いて一度のログインで複数のWebアプリケーションのログイン認証を連携するシングルサインオンの仕組みを設計できる

ブロックチェーン

[DE-157] スキルレベル★★★：ブロックチェーン技術を用いてストレージに蓄積されたデータの安全性と品質を保証するシステムを設計できる

ゼロトラスト

[DE-158] スキルレベル★★：ゼロトラストの概念を理解し、クラウド利用やリモートワークに対応した情報セキュリティの担保と、データ活用の利便性を両立させる環境をサービスを利用して実装できる

AIシステム運用

AutoML

[DE-159] スキルレベル★：AutoMLを用いて予測対象を判定するために最適な入力データの組み合わせと予測モデルを抽出できる

MLOps

[DE-160] スキルレベル★：Gitなどのバージョン管理ソフトウェアを活用して、開発した分析プログラムのソースをリポジトリに登録しチームメンバーと共有できる
[DE-161] スキルレベル★★：機械学習モデルやデータのバージョン管理ツールを活用し、モデル開発業務の効率化だけでなく、品質保証やチームでの共有、デプロイの自動化ができる（Hugging Face Hub、MLflowなど）
[DE-162] スキルレベル★：MLOpsの概要を理解し、AIモデル性能の維持管理作業の基本的な流れを説明できる
[DE-163] スキルレベル★：AIシステムのモニタリング項目を理解し、AIモデルの劣化状況や予測対象データの不備、AIシステムの異常を検知できる
[DE-164] スキルレベル★★：AIシステムの予測モデル評価において、求められている予測性能を満たしているかを評価し、業務システムへの適用を判断できる
[DE-165] スキルレベル★★：AIモデルの管理方針（更新頻度、バージョン管理、リリース手順など）を決定し、適切にAIモデルを運用できる
[DE-166] スキルレベル★★：フィーチャーストア機能を用いて、機械学習で使用する特徴量データを仕様情報やバージョンと共に管理し、機械学習運用時の特徴量の一貫性の確保や効率的な運用に活用できる
[DE-167] スキルレベル★★★：AIシステム運用において、モデル作成からモデルの評価、デプロイ、学習データの更新、モデル再学習のパイプラインを設計し、AIモデルのライフサイクルを自動化できる
[DE-168] スキルレベル★★★：AIシステムに求められる要件（予測性能、リアルタイム性、コストなど）を考慮し、適切な学習環境および分析環境（サーバ/エッジなど）を設計できる

AIOps

[DE-169] スキルレベル★：ITシステムの運用におけるAIOpsの概要とメリットを説明できる
[DE-170] スキルレベル★★：ITシステムのアプリケーションログと過去の障害実績より、統計的手法や機械学習を用いて大量のログから障害の予兆を検出し障害を未然に防止するシステムを設計することができる

生成AI

生成AI活用

[DE-171] スキルレベル★★：生成AIで出力したい結果を生成するために、RAG環境を設計・実装できる
[DE-172] スキルレベル★★：マルチモーダルな生成AIを用いて、データ分析や業務で活用できるシステムの設計・実装できる

コーディング支援

[DE-173] スキルレベル★：LLMを利用して、データ分析やサービス、システム開発のためのコードを作成、修正、改良できる
[DE-174] スキルレベル★：LLMを利用して、開発した機能のテストや分析検証用のダミーデータを生成できる
[DE-175] スキルレベル★★：生成AIの機能や特性を理解したうえで活用し、既存システムの機能や要件を維持しつつ、効率的かつ高品質なプログラムのリプレイスやリファクタリングができる

ファインチューニング

[DE-176] スキルレベル★★：ファインチューニングの目的や要件に対して、ファインチューニング用のデータ収集、必要に応じたデータベース化を行い、ファインチューニングを実施・評価できる（ベクトルDB、LlamaIndex、LangChain、モデレーションなど）
[DE-177] スキルレベル★★：要件に応じて、拡散モデルのファインチューニングや RAG（Retrieval-Augmented Generation）基盤の構築・実装ができる
[DE-178] スキルレベル★★★：LLMの活用目的やビジネス目標に応じて、モデル選定、事前学習・ファインチューニング・RAGの活用方針を策定し、データ収集、データベース設計、評価指標の設計まで一貫して対応できる

生成AI開発

[DE-179] スキルレベル★★★：独自に新たな生成AIを開発する必要性や目的を整理した上で、新たな生成AIに必要なデータ収集、データベース開発、生成AIの設計・開発・評価ができる
[DE-180] スキルレベル★★★：独自に新たな生成AIの開発基盤の必要性や目的を整理した上で、生成AI開発環境（開発基盤）の設計・開発・実装ができる

融合

AI実装・運用

AIエージェント

導入設計

[FIZ-1] ★★★：業務タスクを分析し、エージェントを活用すべき領域と、通常のLLM利用や既存ワークフローで十分な領域を区別して判断できる
[FIZ-2] ★★★：複雑な業務や課題をエージェントが処理可能な単位に分解し、役割やワークフローを設計できる（タスク分割やゴール設定、ワークフロー定義など）

アーキテクチャ設計

[FIZ-3] ★★：AIエージェントの主要な型（Plan-and-Execute、Plan-and-Act、ReAct、Reflexなど）の特徴を理解し、タスク特性に応じて適切な型を選択できる
[FIZ-4] ★★★：AIエージェントを実現するための主要な技術要素を体系的に理解し、処理の構成を設計できる（基盤モデル、思考プロセス、ツール利用、メモリ/ナレッジ管理など）
[FIZ-5] ★★★：業務要件に応じてオーケストレーション型/A2A型などを適切に選択し、協調・競合・合意形成を考慮した設計ができる

知識接続

[FIZ-6] ★★：自社の新機能やAIエージェント開発において、生成AIや他システムが提供するAPI、プラグインなどの機能を用いたシステム連携を設計・実装できる
[FIZ-7] ★★：AIエージェントの開発において、MCP（Model Context Protocol）や A2A（Agent 2 Agent）などの主要なプロトコルを理解し、生成AI連携機能を安全性も配慮しながら設計・構築できる
[FIZ-8] ★★：LLM単体の制約やハルシネーション抑制などの理由からRAG（Retrieval-Augmented Generation）の必要性を理解し、シンプルRAG・階層型RAG・エージェントRAGなどの特徴を踏まえてタスク特性に応じた構築方針を判断できる
[FIZ-9] ★★★：検索手法（BM25、dense、hybridなど）の違いを理解し、最適設計と閾値調整により再現率と適合率のバランスを取ることができる
[FIZ-10] ★★★：埋め込みモデルの選定と、類似度検索の精度に関する定量評価、性能劣化時における検索性能の改善（埋込みの再作成や次元調整など）ができる

メモリと状態管理

[FIZ-11] ★★：エージェントの状態管理モデル（クラス）を適切に設計し、LLMからの出力結果や処理の実行状況を構造化できる
[FIZ-12] ★★★：出力履歴やタスク結果を保持・再利用しつつ、トークン消費を最適化できる（セッションを跨いだナレッジのインデックス化や冗長情報のフィルタリングなど）
[FIZ-13] ★★★：ユーザープロファイルを安全に永続化し、権限やプライバシーを考慮して活用するとともに、長期的に一貫した行動や人格を維持する仕組みを実装できる（LangGraph等を用いたタスク状態の連携など）

ツール利用・拡張

[FIZ-14] ★★：Function CallingやMCPなどを活用し、社内システム・外部サービス・内部モジュールをエージェントから安全かつ拡張性をもって呼び出す設計ができる（認証やスキーマ設計、エラー処理、レート制御、監査ログの考慮など）
[FIZ-15] ★★★：エージェントに組み込む内部ツール（計算、変換、シミュレーション、業務固有ロジックなど）を設計・実装し、既存の社内システム資産を活用できる
[FIZ-16] ★★★：複数のエージェント間で社内システムや外部サービスとの連携を前提に役割分担やプロトコル設計を行い、複雑なタスクを協調的に実行できる（オーケストレーションや合議形成、リカバリ設計など）

プロンプト設計・評価

[FIZ-17] ★★：LLMの挙動を把握しながらSystemプロンプト（役割・制約・出力様式）と User/Toolプロンプト（入力仕様・前提データ）を設計し、モジュール間で一貫した振る舞いを実現できる
[FIZ-18] ★★★：固定シナリオでの出力比較（他ケースや他処理まで含めた改善・改悪評価）や LLM-as-a-Judge を活用し、応答の一貫性や正確性を評価・改善に活用できる

行動計画・推論制御

[FIZ-19] ★★：連携するAIの理論や特性を踏まえ、Chain-of-ThoughtやTree-of-Thought、Self-Consistency、Self-Refinementなどの多段推論手法を理解し、適用できる
[FIZ-20] ★★：AIエージェントの型に沿って、複雑なタスクをサブタスクや推論手順に分解して実行するエージェント設計ができる
[FIZ-21] ★★★：人間とAIエージェントの役割分担や人間の介入点を明確化し、重要意思決定を協調的に行うためのHuman-in-the-loopを設計できる

評価・品質管理

[FIZ-22] ★★★：能力の観点（計画・自己修正の妥当性やツール利用の正しさなど）やタスクの観点（成功率やステップ数など）、運用の観点（処理時間や結果の一貫性など）で、AIエージェントの評価方法や評価指標を設計できる
[FIZ-23] ★★★：ハルシネーション検出のための信頼スコアやクロスチェック、失敗時のリトライやバックアップなど堅牢性向上のための設計ができる

リスク・倫理・運用

[FIZ-24] ★★★：エージェントの自動化範囲と人間判断範囲を整理し、責任分担を明確にできる
[FIZ-25] ★★★：AIエージェントの行動リスクを特定・評価し、リスク・倫理・運用の観点からガードレールを設計し実装できる（利用制限やフィルタリング、承認フロー、監査ログ、誤動作時のリカバリ設計など）
[FIZ-26] ★★★：維持・向上すべき性能・品質指標を踏まえ、知識ベースやツール群を含めたエージェントの運用・メンテナンス計画（データ更新、APIバージョン管理など）を策定できる

マルチモーダルAI

マルチモーダル企画

[FIZ-27] ★★★：マルチモーダルAIにおける技術のフロンティアを精度・品質・速度・コスト等の観から深く理解しつつ、短期間で驚異的な質的・構造的な飛躍を遂げる技術進化を踏まえて、マルチモーダルAIの利活用を計画できる
[FIZ-28] ★★★：モダリティ間の共通情報やモダリティ固有情報の違いを理解し、サービスの目的や価値提供の軸に応じて、最適な情報モダリティを選定・組み合わせできる
[FIZ-29] ★★★：モダリティごとの特性（伝達内容や受け取る印象）の違いを理解し、全体として一貫して良い体験を提示できる情報インタラクションを設計できる
[FIZ-30] ★★★：マルチモーダルAIの活用においては、データ収集・データ保持・モデル学習・モデル運用等のいずれにおいても人的・経済的リソースが必要であることを理解し、机上計算や概念検証を通して必要なリソース量を検討できるとともに確保できる

モダリティ設計

[FIZ-31] ★★★：新規タスクに対してモダリティ構成と入力処理を統合的に設計し、組み合わせ効果を説明できる
[FIZ-32] ★★★：利用可能な基盤モデルとその特徴、対応モダリティを理解し、入力データのモダリティ構成を設計できる

共通表現・統合設計

[FIZ-33] ★★：既存のマルチモーダルモデル（CLIP系の学習済みモデルなど）を利用して異なるモダリティを共通表現空間に変換し、粒度やタイミングを調整できる
[FIZ-34] ★★★：タスクや領域に応じて共通表現空間と統合戦略を設計し、同期や結合手法を工夫して性能改善を実現できる

マルチモーダルシステム設計・開発

[FIZ-35] ★★：既存のマルチモーダル基盤モデルの特徴や、入出力の仕様を理解し、目的に合わせて利用することができる（音声＋視覚＋言語→特徴量ベクトル作成、3次元表現＋視覚＋言語→認識など）

マルチモーダルシステム設計・開発

[FIZ-36] ★★：マルチモーダルモデルの学習・微調整・運用に伴って生じるデータ量を見積もり、それに耐えるデータ基盤をモダリティごとに構築できる
[FIZ-37] ★★：既存手法（BEiT-3、LayoutLM、BLIPなど）を活用して画像＋テキストなどの異種データを統合し、予測や分類精度を高められる
[FIZ-38] ★★★：タスク要件に応じてマルチモーダルモデルのアーキテクチャや学習戦略を設計し、既存手法の限界を超えて性能改善や応用を実現できる
[FIZ-39] ★★★：ビジネス要件を深く理解したうえで、その実現方法として外部APIの組み合わせ・Open Weightのモデルの利用・独自モデルの学習等の様々な選択肢を検討し、モデル開発の方向性を複数提示できるとともに、その検討に必要な概念検証（PoC）の計画を検討できる
[FIZ-40] ★★★：開発するモデルの精度・品質を評価するため、ビジネス要件と、評価指標の特性やそれに必要なデータを理解したうえで、自動かつ定量的な評価の方法を設計できる
[FIZ-41] ★★★：マルチモーダル生成の評価困難性に対処するため、評価基準の改善とモデル最適化を反復的に実施する開発手法（Evaluator-Optimizer Loop等）を適用できる
[FIZ-42] ★★★：モダリティに応じた安全性・品質等の評価指標を選定し、指標の計算コストに応じて全数調査と標本調査を組み合わせながら、可能な範囲で最大限にシステムに流れるデータの状態を把握できる

統合評価

[FIZ-43] ★★：モダリティ統合の効果を精度指標や整合性指標（クロスモーダル一致度、類似度評価など）で評価できる
[FIZ-44] ★★★：タスクや領域に応じて、統合表現の質やモデル性能を評価する独自の基準や枠組みを設計できる（医療現場での画像診断と所見テキストの一致率、製造業でのセンサーデータと画像検査結果の整合性指標など）

ナレッジ活用

ナレッジ基盤

[FIZ-45] ★★：組織内外に散在するナレッジを、再利用性・文脈性を保ちながら構造化し、RAGなどの仕組みを通じてAIが活用可能なナレッジ基盤として再設計できる
[FIZ-46] ★★：ナレッジ基盤をAIから利用するにあたり、その精度や品質を維持向上させるための評価や改善ができる（RAGの検索品質評価、チューニングなど）

AIシステム管理

コスト最適化

[FIZ-47] ★★：扱うデータやモデルの特性を踏まえ、必要な品質を維持したままAI利用にかかるコストを最適化できる

AIシステム運用

[FIZ-48] ★★：既存のDevOps / MLOpsの中に適切なAIを組み込み、コードレビューなどの人間が行っていた作業を代替できる
[FIZ-49] ★★：AIシステムの予測モデル評価において、求められている予測性能を満たしているかを評価し、業務システムへの適用を判断できる
[FIZ-50] ★★：AIモデルの管理方針（更新頻度、バージョン管理、リリース手順など）を決定し、適切にAIモデルを運用できる

異常検知

[FIZ-51] ★★：さまざまなメトリクスや大量に生成されるログデータをAIを用いて解析し、従来のアラート設定や人間による監視では気づけない問題の兆候となる異常を検知できる
[FIZ-52] ★★★：システムで発生した複合的な原因による異常に対して、AIを活用した原因分析から改善・再発防止策の提案までのフローを構築できる

AIシステム運用

[FIZ-53] ★★：AIシステム（RAGなど）の品質評価を自動化し、改善機会を特定して高速なイテレーションを実現できる

インターフェース

インターフェース設計

[FIZ-54] ★★：データ計算量・レスポンス速度・システム負荷などの技術的制約を踏まえ、利用者にとって利用しやすいインターフェースを設計できる

サービスデザイン

[FIZ-55] ★★：ユーザー行動データとフィードバックから人間の感覚や認知特性を分析し、使いやすさと満足度の高いUXサービスを設計できる

オントロジー

オントロジー設計

[FIZ-56] ★★：業務領域の主要な対象・属性・関係を構造化して表現できる（顧客-購買-商品などの関係モデルなど）
[FIZ-57] ★★★：組織やシステム全体の構造をオントロジーとして体系設計できる（企業全体のデジタルツイン構造など）
[FIZ-58] ★★★：意味解析モデルが未知概念に遭遇した際、誤推論（ハルシネーション）せず「不明」と応答するよう制御できる（オントロジー外概念の検知、信頼度に基づく応答制御など）
[FIZ-59] ★★★：AIモデルが前提としている暗黙のオントロジーを分析し、文化的・価値観的バイアスを特定して緩和策を提案できる
[FIZ-60] ★★★：特定領域(医療、金融など)の暗黙知や専門知識を明示的に表現するオントロジーを、LLMを活用して半自動的で設計できる

ナレッジグラフ構築

[FIZ-61] ★★：非構造化テキストからエンティティと関係性を抽出し、接続されたナレッジグラフを構築できる
[FIZ-62] ★★★：ナレッジグラフを統合基盤として、構造化データベースや非構造化テキストなど異なる形式のデータを連携させ、セマンティッククエリによる統一的な検索を実現できる
[FIZ-63] ★★：LLMのハルシネーション抑制と回答根拠の提示のために、ナレッジグラフを知識源とするRAGシステムを構築ができる
[FIZ-64] ★★★：新たな情報をリアルタイムで取り込み、信頼性を検証しながら、矛盾なくナレッジグラフに統合する動的更新システムを構築できる
[FIZ-65] ★★★：対話AIがナレッジグラフ上をどう探索して回答に至ったか、その推論パスを可視化・説明できるシステムを実装できる

セマンティック解析・推論

[FIZ-66] ★★★：構造化・非構造化データを横断的に扱うクエリ言語(SUQLなど)を実装し、対話型検索システムに適用できる
[FIZ-67] ★★★：LLMの生成能力とナレッジグラフの構造的知識を組み合わせ、生成→検証のループで高信頼性の回答を導出するシステムを構築できる
[FIZ-68] ★★★：テキストだけでなく、画像、動画、センサーデータなど複数のモダリティ情報を統合したナレッジグラフを設計・実装できる

IoT

ハードウェア

[FIZ-69] ★★：データの利用や分析の目的に合った品質を満たすデータが取得できるように、デバイスとデータそれぞれについて物理特性を踏まえて扱うことができる
[FIZ-70] ★★：実際にデバイスが運用される環境や制約を踏まえた上で、データの取得精度や耐久性などを満たすハードウェアの選定ができる
[FIZ-71] ★★★：既存のデバイスでは対応できない環境やセンシングが必要になった場合に、複数の計測機器を組み合わせたり、新規のハードウェアを企画・設計できる

エッジAI・自動化

[FIZ-72] ★★：スマートホームの標準規格(Matterなど)を採用した家電や電力などのログからユーザー行動パターンを抽出し、パーソナライゼーションやサービス改善に応用できる
[FIZ-73] ★★：エッジデバイス(組込み機器)上で動作する軽量な推論モデル(TinyML/量子化モデル)を設計・実装し、クラウド依存を減らしたローカルAI処理を実現できる

IoTデータ分析・予測

[FIZ-74] ★★：バッテリー駆動IoTデバイスの消費電力データから、ビジネス要件や性能要件に合わせて省電力化のための最適化条件を設計できる
[FIZ-75] ★★：IoTデバイスから生成される時系列データ(センサー値、ネットワークメトリクス、電力消費など)をリアルタイムに収集・前処理し、異常検知モデルを構築・運用できる
[FIZ-76] ★★★：IoTデバイス・位置情報・利用パターンなどの複数データソースを統合分析し、潜在的な顧客ニーズや未開拓市場を発見することで、既存事業の枠を超えた新規サービス・ビジネスモデル・パートナーシップ機会を創出できる

ロボティクス

Physical AI

[FIZ-77] ★★★：Physical AIやロボット基盤モデルにおける物理リスクの理解、現在の技術や事例と今後の発展性を踏まえ、自社の事業領域における可能性を検討できる
[FIZ-78] ★★：ロボットの定義を正しく理解し（人型のみでなく、センシング・判断・動作を統合したシステム全般）、産業用・移動用・協働用など多様な形態のロボットにおけるデータ特性の違いを説明できる
[FIZ-79] ★★：ロボット学習における特有の課題（sim-to-real gap、安全性制約、実機データ収集コストなど）を理解し、それに対応する手法を説明できる

ルール遵守・策定

[FIZ-80] ★★★：ロボット（ドローンや自動運転車など）を実地運用する際に遵守すべき規制・法令・慣例等を熟知し、プロジェクト開始時、PoC 開始時、実運用開始時などのタイミングで妥当な方向性を見いだせる
[FIZ-81] ★★★：ロボット（ドローンや自動運転車など）を実地運用する際に遵守すべき規制・法令・慣例等の整備が不十分な領域において、その整備に必要なステークホルダーを特定し、協力を取り付け、整備に向けた活動を主導できる

ロボット学習基盤

[FIZ-82] ★★★：ロボット学習における実機選定において、自由度・精度・安全性・コストのトレードオフを評価し、目的タスクに最適なロボットハードウェアを選定できる
[FIZ-83] ★★★：ロボットの実運用シーンを分析し、必要な入力データの種類・分布を特定して、適切なセンサー構成とデータ収集プロトコル（データ量、収集時の動作パターンなど）を設計できる
[FIZ-84] ★★★：ロボットから生成される大規模マルチモーダルデータ（100TB/月以上）を効率的に収集・保存・管理するスケーラブルなデータ基盤を構築できる
[FIZ-85] ★★★：実機ロボットを用いたデータ収集において、現場での失敗や事故を防ぐため、機材・実験場所の確保、安全対策、法令に基づく申請を事前に企画・実行できる

ロボット学習

[FIZ-86] ★★★：ドローン・自動運転車・ロボットなどの動作を推論するモデルを学習する場面において、手法の候補を適切に選定し、実験を主導できる（ルールベース、古典的機械学習、深層学習、強化学習、VLA、Diffusion Policy、制御理論など）
[FIZ-87] ★★★：プロジェクトの目的やタスクの性質、利用するロボットやモデルに応じて、シミュレーション環境や世界モデルを用いた学習の利用可否を判断できる
[FIZ-88] ★★★：タスクや利用するロボットに応じて、適切なシミュレーション環境の構築を主導できる（専門家への依頼の検討など）
[FIZ-89] ★★★：タスクや利用するロボットに応じて、世界モデルの学習プロジェクトを主導できる（技術的に可能かの判断、リソース・時間的に可能かの判断、可能な場合の各種マネジメントなど）
[FIZ-90] ★★★：世界モデルによるシミュレーションの利点と限界を理解したうえで、モデルの学習方法を適切に設計できる（実機では取得できないデータの収集が可能 / 推論フレーム数が増えると予測が崩壊するなど）
[FIZ-91] ★★★：Sim2Realギャップの原因を特定し、仮説検証と改善策を検討できる（シミュレーション環境や世界モデルの精度、データ分布の相違、モデルの頑健性の設計、モデルの汎化性能など）

ガバナンス

データガバナンス

データガバナンス基盤

[FIZ-92] ★★：データオーナー・スチュワード・ガバナンス委員会などの体制を整備し、RACI（Responsible, Accountable, Consulted, Informed）の観点で責任を明確化できる
[FIZ-93] ★★：データの分類基準（公開情報、機密情報、個人情報、機微情報など）を定め、データカタログと連携して自動でラベリングできる
[FIZ-94] ★★：データ保持・削除ルールを定め、ETL（Extract、Transform、Load）やパイプラインと連携して自動的に消去でき、必要に応じて証拠保全措置を設定できる
[FIZ-95] ★★★：データ品質の基準としてKPIやSLAを設定し、テストをコードで実装して組み込むことで品質を自動監視し、SLOなどの観測可能な指標によって把握できる
[FIZ-96] ★★★：スキーマのバージョンを管理して互換性を確認し、データ契約とスキーマ進化管理によって問題のある変更を防ぎ、システムを止めずに継続運用できる
[FIZ-97] ★★★：役割や属性などに応じたアクセス制御を設計し、ポリシーをコード化したOPA（Open Policy Agent）で統一適用・監査し、アクセスや変更履歴を不可改ざんログであるWORM（Write Once Read Many）として保存・可視化できる
[FIZ-98] ★★★：同意管理機能を用いて、取得した同意や利用目的をメタデータとして管理し、目的外の利用や二次利用を自動で検知してブロックできる

セキュリティ／プライバシー

[FIZ-99] ★★★：個人情報保護法やGDPRなどに基づき、第三者提供や越境移転に関する統制を設計・実装し、契約条項や移転に伴う影響評価、暗号化や鍵管理、地域制約の適用などに対応できる
[FIZ-100] ★★★：倫理レビューやPIA（Privacy Impact Assessment）、DPIA（Data Protection Impact Assessment）などの影響評価を実施し、AIやデータに含まれる偏りや代表性の欠如、低品質なデータなどのリスクを評価し、是正手順を標準化して運用できる
[FIZ-101] ★★★：プライバシー保護技術（匿名化、仮名化、合成データ、秘密計算など）の特性を理解し、データの機密性要件と活用目的に応じて適切な技術を選択・評価できる

データ活用・連携

[FIZ-102] ★★：利用目的や再配布禁止、匿名加工の条件、違反時の対応などをまとめたデータ共有契約のテンプレートを作成し、配布のプロセスに組み込むことができる
[FIZ-103] ★★★：用語集やデータ辞書、データリネージ、品質指標、所有者情報などを統合したデータカタログを作成し、管理ソリューションを活用して分析データのメタデータや由来・履歴を一元的に管理し、その実装状況を定量的に把握するとともに、データ可視化とガバナンスを強化できる。
[FIZ-104] ★★★：データを利用者視点で製品として設計し、品質・利用性・責任を担保したデータプロダクトを提供できる

アーキテクチャ設計

[FIZ-105] ★★★：データメッシュによる分散型のデータ管理において、認証・カタログ・監査などの共通ポリシーと、データ提供や品質保証などのドメインごとの自律運用を両立可能な設計ができる
[FIZ-106] ★★★：連合学習の特性を踏まえ、プライバシー保護・通信効率・リソース分散を考慮した分散学習基盤を設計できる

運用・監視

[FIZ-107] ★★★：データパイプラインにおける個人情報の無許可な流入やスキーマ破壊、品質劣化などのポリシー違反を自動検知し、処理を停止・通知できる

AIガバナンス

AI倫理

[FIZ-108] ★★：AI・機械学習がもたらす現在の倫理課題を説明できる（生成AIによる様々な権利侵害、バイアスによる人種差別、学習済みモデルのリバースエンジニアリングによる知的財産権の侵害など）
[FIZ-109] ★★：生成AIモデルを活用する際、倫理の曖昧さと法整備の不十分さが残っていることを理解し、利活用するための対応方法を検討できる

ガイドライン整備

[FIZ-110] ★★：技術トレンドや各国の法規制を踏まえ、国・エリア別の法規制対応やガイドラインのローカライズを主導できる
[FIZ-111] ★★★：技術進化と法規制対応のズレにより、既存のガイドラインでは明確な記載がない場合において、倫理・権利と利益とのバランスに留意し適切な対応を講じることができる
[FIZ-112] ★★★：AI・モデルの新規開発や新サービス導入に伴う権利保護のガイドラインを定義できる
[FIZ-113] ★★★：新しいAI技術などの社会浸透・実用化に向けて、新たなガイドラインの策定や業界横断での仕掛けづくりを推進できる

責任あるAI

[FIZ-114] ★★：責任あるAIの基本原則および、バイアスや有害表現、セキュリティ攻撃などの代表的なリスクを説明でき、これに準拠できる
[FIZ-115] ★★：AI・モデル開発において、既存ライブラリを活用した場合の知財リスクの確認や、適切なガイドラインを参照・確認できる（経済産業省「AI事業者ガイドライン」「AI・データの利用に関する契約ガイドライン」など）
[FIZ-116] ★★：AIモデルの倫理課題や品質課題、セキュリティ課題を定量的に分析し緩和策や防御策を検討できる
[FIZ-117] ★★★：基盤モデルが学習に利用しているデータやその学習方法、汎化性能に起因する利用上の倫理問題（バイアスや誤情報、データ作成者の権利保護・クロール対策、個人・機密情報の取り扱いなど）を予測・調査し、対策を検討できる
[FIZ-118] ★★★：学習データの出所・ライセンス・同意条件を管理し、それらの制約をモデルやRAGのコーパスに引き継ぐことができる
[FIZ-119] ★★★：モデルの入力・出力を記録し、XAIで説明責任を確保しつつ、ハルシネーションや著作権侵害、機密漏えいを防ぐガードレールを設計・運用できる
[FIZ-120] ★★★：AI・モデル開発における生成データや学習済みモデルに対し、成果物に対する責任の所在、権利の帰属を専門家と協力しつつ、契約内容に盛り込むことができる（著作、利用許諾、営業機密、情報開示、利用範囲など）

推進・運用

[FIZ-121] ★★：レッドチームによる倫理テスト、品質テスト、セキュリティテストを実施し、AIシステムに潜む脆弱性やリスクを特定できる
[FIZ-122] ★★：AIエージェントが自律的に動作する環境において、組織外のAIモデルや外部サービスに送信されるデータを監視し、機密情報や個人情報を事前に検出・除去できる
[FIZ-123] ★★★：生成AIの活用に伴うリスクについて、事業や技術の最新動向を踏まえリスクの棚卸しをするとともに、組織的に対応できるオペレーションや意思決定フローを整備できる
[FIZ-124] ★★★：大規模言語モデル（LLM）の誤った出力に対するシステムチェックの限界を理解し、利用場面や注意事項などに関するガイドラインや利用における免責事項のポイントを検討できる
[FIZ-125] ★★★：組織の事業戦略や法規制に基づき、AIのリスクレベルや倫理原則を定義し、組織的なAIガバナンス体制を構築できる

数理

1. 社会におけるデータ・AI利活用

1-1. 社会で起きている変化

社会で起きている変化を知り、数理・データサイエンス・AIを学ぶことの意義を理解する。AIを活用した新しいビジネス/サービスを知る。

[MATH-1]：ビッグデータ、IoT、AI、生成AI、ロボット
[MATH-2]：データ量の増加、計算機の処理性能の向上、AIの非連続的進化
[MATH-3]：第4次産業革命、Society 5.0、データ駆動型社会
[MATH-4]：複数技術を組み合わせたAIサービス
[MATH-5]：人間の知的活動とAIの関係性
[MATH-6]：データを起点としたものの見方、人間の知的活動を起点としたものの見方

1-2. 社会で活用されているデータ

どんなデータが集められ、どう活用されているかを知る。

[MATH-7]：調査データ、実験データ、人の行動ログデータ、機械の稼働ログデータなど
[MATH-8]：1次データ、2次データ、データのメタ化
[MATH-9]：構造化データ、非構造化データ（文章、画像/動画、音声/音楽など）
[MATH-10]：データ作成（ビッグデータとアノテーション）
[MATH-11]：データのオープン化（オープンデータ）

1-3. データ・AIの活用領域

さまざまな領域でデータ・AIが活用されていることを知る。

[MATH-12]：データ・AI活用領域の広がり(生産、消費、文化活動など)
[MATH-13]：研究開発、調達、製造、物流、販売、マーケティング、サービスなど
[MATH-14]：仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替、新規生成など
[MATH-15]：対話、コンテンツ生成、翻訳・要約・執筆支援、コーディング支援など生成AIの応用

1-4. データ・AI利活用のための技術

データ・AIを活用するために使われている技術の概要を知る。

[MATH-16]：データ解析：予測、グルーピング、パターン発見、最適化、モデル化とシミュレーション・データ同化など
[MATH-17]：データ可視化：複合グラフ、2軸グラフ、多次元の可視化、関係性の可視化、地図上の可視化、挙動・軌跡の可視化、リアルタイム可視化など
[MATH-18]：非構造化データ処理：言語処理、画像/動画処理、音声/音楽処理など
[MATH-19]：特化型AIと汎用AI、今のAIで出来ることと出来ないこと、AIとビッグデータ
[MATH-20]：認識技術、ルールベース、自動化技術
[MATH-21]：マルチモーダル（言語、画像、音声など）、生成AIの活用（プロンプトエンジニアリング）

1-5. データ・AI利活用の現場

データ・AIを活用することによって、どのような価値が生まれているかを知る。

[MATH-22]：データサイエンスのサイクル（課題抽出と定式化、データの取得・管理・加工、探索的データ解析、データ解析と推論、結果の共有・伝達、課題解決に向けた提案）
[MATH-23]：教育、芸術、流通、製造、金融、サービス、インフラ、公共、ヘルスケア等におけるデータ・AI利活用事例紹介

1-6. データ・AI利活用の最新動向

データ・AI利活用における最新動向（ビジネスモデル、テクノロジー）を知る。

[MATH-24]：AI最新技術の活用例（深層生成モデル、強化学習、転移学習、生成AIなど）
[MATH-25]：AI等を活用した新しいビジネスモデル(シェアリングエコノミー、商品のレコメンデーションなど)
[MATH-26]：基盤モデル、大規模言語モデル、拡散モデル

2. データリテラシー

2-1. データを読む

データを適切に読み解く力を養う。

[MATH-27]：データの種類（量的変数、質的変数）
[MATH-28]：データの分布（ヒストグラム）と代表値（平均値、中央値、最頻値）
[MATH-29]：代表値の性質の違い（実社会では平均値＝最頻値でないことが多い）
[MATH-30]：データのばらつき（分散、標準偏差、偏差値）、外れ値
[MATH-31]：相関と因果（相関係数、擬似相関、交絡）
[MATH-32]：観測データに含まれる誤差の扱い
[MATH-33]：打ち切りや欠測を含むデータ、層別の必要なデータ
[MATH-34]：母集団と標本抽出（国勢調査、アンケート調査、全数調査、単純無作為抽出，層別抽出、多段抽出）
[MATH-35]：クロス集計表、分割表、相関係数行列、散布図行列
[MATH-36]：統計情報の正しい理解（誇張表現に惑わされない）

2-2. データを説明する

データを適切に説明する力を養う。

[MATH-37]：データ表現（棒グラフ、折線グラフ、散布図、ヒートマップ、箱ひげ図）
[MATH-38]：データの比較（条件をそろえた比較、処理の前後での比較、A/Bテスト）
[MATH-39]：不適切なグラフ表現（チャートジャンク、不必要な視覚的要素）
[MATH-40]：優れた可視化事例の紹介（可視化することによって新たな気づきがあった事例など）
[MATH-41]：相手に的確かつ正確に情報を伝える技術や考え方（スライド作成、プレゼンテーションなど）

2-3. データを扱う

データを扱うための力を養う。

[MATH-42]：データの取得（機械判読可能なデータの作成・表記方法）
[MATH-43]：データの集計（和、平均）
[MATH-44]：データの並び替え、ランキング
[MATH-45]：データ解析ツール（スプレッドシート、BIツール）
[MATH-46]：表形式のデータ（csv）

3. データ・AI利活用における留意事項

3-1. データ・AIを扱う上での留意事項

データ・AIを利活用する上で知っておくべきこと。

[MATH-47]：倫理的・法的・社会的課題（ELSI：Ethical, Legal and Social Issues）
[MATH-48]：個人情報保護、EU一般データ保護規則(GDPR)、忘れられる権利、オプトアウト
[MATH-49]：データ倫理：データのねつ造、改ざん、盗用、プライバシー保護
[MATH-50]：AI社会原則（公平性、説明責任、透明性、人間中心の判断）
[MATH-51]：データバイアス、アルゴリズムバイアス
[MATH-52]：AIサービスの責任論
[MATH-53]：データガバナンス
[MATH-54]：データ・AI活用における負の事例紹介
[MATH-55]：生成AIの留意事項（ハルシネーションによる誤情報の生成、偽情報や有害コンテンツの生成・氾濫など）

3-2. データを守る上での留意事項

データを守る上で知っておくべきこと。

[MATH-56]：情報セキュリティの3要素（機密性、完全性、可用性）
[MATH-57]：匿名加工情報、暗号化と復号、ユーザ認証とパスワード、アクセス制御、悪意ある情報搾取
[MATH-58]：情報漏洩等によるセキュリティ事故の事例紹介
[MATH-59]：サイバーセキュリティ

4. オプション

4-1. 統計および数理基礎

数学基礎および統計基礎を学ぶ。

[MATH-60]：確率、順列、組み合わせ
[MATH-61]：線形代数（ベクトル、ベクトルの基本的な演算、ノルム、行列とベクトルの積、行列の積、内積）
[MATH-62]：1変数関数の微分と積分
[MATH-63]：集合、ベン図
[MATH-64]：指数関数、対数関数

4-2. アルゴリズム基礎

アルゴリズム基礎を学ぶ。

[MATH-65]：アルゴリズムの表現（フローチャート、アクティビティ図）
[MATH-66]：並び替え（ソート）
[MATH-67]：探索（サーチ）

4-3. データ構造とプログラミング基礎

データ構造とプログラミング基礎を学ぶ。

[MATH-68]：数と表現、計算誤差、データ量の単位、文字コード、配列
[MATH-69]：変数、代入、繰り返し、場合に応じた処理

4-4. 時系列データ解析

時系列データ解析の概要を知る。

[MATH-70]：時系列データ（トレンド、周期、ノイズ）
[MATH-71]：季節調整、移動平均

4-5. 自然言語処理

自然言語処理の概要を知る。

[MATH-72]：形態素解析、単語分割、ユーザ定義辞書、n-gram言語モデル、文章間類似度
[MATH-73]：かな漢字変換の概要

4-6. 画像認識

画像認識の概要を知る。

[MATH-74]：画像データの処理
[MATH-75]：画像認識、画像分類、物体検出

4-7. データハンドリング

大規模データをハンドリングする力を養う。

[MATH-76]：データベース（リレーショナルデータベース、SQL）
[MATH-77]：データクレンジング：外れ値、異常値、欠損値の処理
[MATH-78]：プログラミング（Python、R等）
[MATH-79]：データの抽出
[MATH-80]：データの結合
[MATH-81]：名寄せ
[MATH-82]：生成AIを活用したデータ加工

4-8. データ活用実践（教師あり学習）

データ利活用プロセス（教師あり学習）を体験し、データを使って考える力を養う。

[MATH-83]：教師あり学習による予測（例：売上予測、罹患予測、成約予測、離反予測など）
[MATH-84]：データの収集（分析に必要なデータの確認、対象となるデータの収集）
[MATH-85]：データの加工（データクレンジング、サンプリング、簡単な説明変数の作成）
[MATH-86]：データの分析（単回帰分析、重回帰分析、ロジスティック回帰分析、モデルの評価）
[MATH-87]：データ分析結果の共有、課題解決に向けた提案

4-9. データ活用実践（教師なし学習）

データ利活用プロセス（教師なし学習）を体験し、データを使って考える力を養う。

[MATH-88]：教師なし学習によるグルーピング（例：顧客セグメンテーション、店舗クラスタリング）
[MATH-89]：データの収集（分析に必要なデータの確認、対象となるデータの収集）
[MATH-90]：データの加工（データクレンジング、サンプリング、簡単な説明変数の作成）
[MATH-91]：データの分析（階層クラスタリング、非階層クラスタリング）
[MATH-92]：データ分析結果の共有、課題解決に向けた提案

リンク