「最初は、Submit（予測結果の提出）の方法すらよくわかりませんでした」——。
そんな一歩から始まった高原さんのKaggleへの挑戦。仲間と地道に学び続けて結果を残し、見事「Kaggle Competitions Master（以下、Kaggle Master）」の称号を獲得しました。
現在はデータサイエンティストとして日立製作所に勤務しながら、クロスアポイントメント教員や客員研究員の立場で、大学でもMI（マテリアルズ・インフォマティクス）領域の研究に従事。さらには講演や執筆などの発信活動にも精力的に取り組まれています。
高原さんにとって、Kaggleとはどんな場所なのか。そして、コンペティションで培った技術は、実務でどのように還元されているのでしょうか。ご自身の歩みと共にお話をうかがいました。
高原 渉さん プロフィール
株式会社日立製作所 フロントサービス事業統括本部 サービス事業創生本部 Service Production & Delivery Studio データサイエンスエキスパート／日立認定データサイエンティスト（プラチナ）。
AIを活用した材料開発業務を経験し、現在はデータサイエンティストチームのテックリードとして、材料開発をはじめとした製造業向けAI活用の推進業務に従事。並行して、講演・執筆活動や学会活動を通じた同分野の理解増進・普及啓発にも取り組む。博士（工学）、Kaggle Competitions Master。また、京都大学および奈良先端科学技術大学院大学にてクロスアポイントメント教員、東京理科大学にて客員研究員として研究活動を推進。
目次
世界的なAIデータ分析コンペ Kaggleの魅力
——プログラミング未経験からスタートされた高原さんが、世界中のスペシャリストが集まるKaggleへ挑戦しようと考えたきっかけは何だったのでしょうか？
高原さん（以下、高原）：前職で材料開発にAIを活用しようと取り組んでいたのですが、当時はMI領域の黎明期ということもあり、周囲に相談できる専門家がまったくいない状況でした。少しでも何かスキルアップができればといろいろと調べている中で、Kaggleというデータ分析コンペティションプラットフォームを目にしたことが始まりです。
初めて挑戦したときは、そもそもボタンの操作方法すらわかっていませんでした。Submit（提出）の仕方もよくわからず「これだろうか」と手探りで進めて、気づいたら終わっていたという感じでした。
その後、SNSでKaggleについて勉強する会を見つけて参加しました。そこで今も仲の良い友人ができたんです。その友人3人でチームを組んでKaggleの「PetFinder.my – Pawpularity Contest」コンペに参加し、毎日のように意見を出し合っていました。このコンペは参加をはじめてからフルコミットしたコンペだったのですが、Kaggleで初めてメダル（銀メダル）を獲得できて、チームはお祭り騒ぎでしたね。非常に学びが多く興味深かったため、そこからいろいろなコンペに参加するようになりました。
——材料開発の現場で「データの厳しさ」を知る高原さんにとって、Kaggleのどういった点に、他の環境にはない面白さや魅力を感じられたのでしょうか？
高原：Kaggleの魅力はたくさんありますが、まず一つ挙げるとすれば「失敗できること」です。実務では自ら失敗しに行く人はいませんし、許されない状況も多くあります。でもKaggleは失敗が許されますし、同じ課題に世界中の人が挑むので、自分では気づかなかった発想やアプローチに出会うことができ、非常に学びの多い場になっているんです。
あと、さまざまな種類のデータに触れて分析できることも魅力です。実務だと扱うデータの形式や種類は同じものであることも多いですが、さまざまなコンペを経験することで、いろいろなデータ・タスクへの引き出しが増えました。
コミュニティの存在も大きな魅力ですね。関西Kaggler会や関東Kaggler会などがあり、熱量のある人たちと情報交換できるのは本当に刺激的です。技術的な学びはもちろん、仕事からプライベートの話までできる、深い人と人とのつながりが生まれる場になっています。第一線で活躍する方々の発表を直接聞ける機会もあり、モチベーションとスキルの両面で非常に学びが多いです。
——お忙しい日々のなかで、Kaggleに挑戦する時間はどう捻出されていたのですか？
高原：準優勝して金メダルを取った「Vesuvius Challenge – Ink Detection」コンペをはじめ、フルコミットしていたコンペについてはとにかく寝る間を惜しんで時間を確保していました。正直、生活はむちゃくちゃでしたね（笑）。どうにか時間を捻出しようと、スマホからリモートデスクトップで自宅のPCにつなぎ、Submitするなんてこともしていました。
無理はしていましたが、何より楽しかったので辛くはありませんでした。
コンペの経験は実務に活きる
——コンペの経験は実務では活きないという意見もありますが、高原さんはどのように思いますか？
高原：まったくそんなことはないと思います。先ほどお話ししたように、コンペで多様なデータに触れることで間違いなくアプローチの引き出しが増えますから。また、実装スピードが圧倒的に上がり、PDCAの検証サイクルを素早く回せるようになるため、抽象的な依頼に対してもすぐに形にして提示できるようになります。メタ的な視点で言えば、Kaggleでの実績そのものが、実務での信頼獲得に直結する場面も多いですね。
——AI活用にはまずデータの整理が必要と思います。実務で「整理されていないデータ」を扱う難しさをどう乗り越えていますか？
高原：いくらAIを活用しようとしても、元となるデータが整理されていなければ宝の持ち腐れになってしまいます。だからこそ、「どう活用したいか」というゴールからバックキャストで考えることが不可欠です。市場では「とりあえずデータを蓄積しよう」というケースが散見されますが、それでは意味がありません。活用の出口（どう使うか）を意識した上で、データの持ち方や集め方を設計していく必要があると感じています。
データマネジメントというキーワードも最近ではホットだと思いますが、活用先を見据えて構造化していくことが、組織として必要なポイントだと思います。
熟練者とAIの橋渡しこそがデータサイエンティストの腕の見せどころ
——世界における材料開発のリアルなトレンドについて教えてください。
高原：2026年春に、材料科学分野で世界最大規模の国際会議の1つであるMRS Spring Meeting & Exhibitに自身の研究を採択いただき、参加をしてきました。そこで光栄にも参加していたセッションにおけるBest Presentation Awardをいただき、LLM（大規模言語モデル）は材料開発者のアシスタントにきっとなりうるという信念を持って続けてきた研究は需要があると思いました。
その学会で強く感じたのは、AIはもはや特別なものではなく、誰もが当たり前に使う共通ツールになったということです。発表タイトルにAIと掲げていなくても、研究手法の中に当たり前のように組み込まれていました。材料開発のあり方そのものが、AIの存在を前提として再デザインされ始めている——そんな強い時代の変化を感じました。
——研究において、熟練者の直感とAIの予測が異なった場合、どのように対話を重ねますか？
高原：熟練者の意見が正しいことが多いと思います。材料開発のデータはそもそも偏りがあり、サンプル数も限られています。その状態でAIに学習させると、データの偏りをそのまま反映したバイアスのある予測や解釈を出してしまうこともあります。
データが偏っているときにAIがどういう予測を出すか、その挙動の肌感さえ掴めていれば、熟練者とのギャップを埋める議論ができるはずです。 そうした場面では、問題をしっかりと因数分解して考えます。「どこが合っていて、どこが間違っているのか」「データの特性を踏まえるとどう捉えるべきか」を切り分け、多面的に議論を重ねていくことが重要だと思います。
熟練者の技術というのは、本当にすごいですよ。日本のものづくりが成長し続けていくためにも、AIを活用して、こうした熟練者の技術を次世代へ伝承していければと考えています。そのためには、自ら熟練者のもとへ足を運んで対話を重ねる必要がありますし、熟練者の方々に「AIは使えるパートナーだ」と実感してもらうことが欠かせません。 現場の知見とAIというテクノロジーの橋渡しをすることこそが、ものづくりに携わるデータサイエンティストにとって一番の腕の見せどころだと考えています。
——情報系出身のエンジニアが、現場の知識や感覚に強いデータサイエンティストになるには、まず何から始めるべきだと思いますか？
高原：データサイエンティストは情報系出身者が多いので、この質問や相談はよくされますね。まずはリスペクトを持っていろいろなテーマに取り組むことが重要だと思います。「データが潤沢に存在しないから分析はできません」ではなく、手持ちのデータから得られる示唆はないのか、他に埋もれているデータはないのかなど、一緒に分析のスタートとなるデータについて考えていくことが現場の知識や感覚に強いデータサイエンティストへの第一歩でもあると思います。
私もいろいろなものづくりにおけるAI活用のプロジェクトをこなすことで、1つずつ積み上げて対象領域を増やしてきました。
AI時代に求められる人間の役割
——生成AIが進化するなか、人間が担うべき役割は何になりますか？
高原：大きく2点あると思います。1つ目は、コンテキストやデータをAIフレンドリーに整えることです。そのためにはドメイン知識とAI活用の勘どころが必要になります。
2つ目は、実際にものづくりをすることです。実験の自動化は進んでいますが、個別の材料系に特化した事例が多く、明日からすべてのものづくりが自動化されるわけではありません。そもそも自動化させるためのラインを組むときには、どう動かせばいいのかがわからないと設計できません。
——データサイエンティストの方が意識したほうがいいことは何でしょうか。
高原：データ取得元の人たちやデータを整理してくれている人をリスペクトすることが大事です。その上で、手元にあるデータからどのようにネクストアクションを生み出すのかを考える必要があります。分析して結果だけ出しても、アクションにつながらなければ、実務的にはあまり意味がありません。これは、特に若い世代に意識してほしいです。
——最後に、これからKaggleやデータサイエンスに挑戦しようと考えている方へメッセージをお願いします。
高原：まずは挑戦してみるとよいと思います。私自身、最初はKaggleサイトのボタンの押し方がわからないところからスタートしました。最近はチュートリアルなども整備されていて障壁は下がっていますし、仕事ではないので失敗してもいいんですよ。
そしてデータサイエンティストになるなら、やはり自分の「軸」を持ってほしいですね。私の場合は、材料開発やものづくりに強いという軸を持っています。例えば、「マーケティングに特化したデータサイエンティスト」など、軸を持つことで生成AI時代にも差別化ができます。データサイエンスができるだけでは、これからの時代は厳しいと思うので、軸を持ってほしいと思います。
