実績ゼロで機械学習開発に応募する人が、コンペ以外に見せられるもの

2026年3月25日

朝比奈蒼

この記事のポイント

✓機械学習開発に実績ゼロで応募するとき
✓コンペの順位以外にも見せられる成果物があります
✓依頼側が実際に見ている点

機械学習開発の案件に応募したいけれど、実績がない。だからまずコンペに参加して入賞を狙う。この流れを選ぶ人は多いのですが、結論から書くと、それは遠回りになることがあります。

依頼側が応募書類で確かめたいのは、順位ではありません。この人に任せたら、うちのデータで最後まで動くものを作ってくれるか。その1点です。コンペの成績は、その問いに部分的にしか答えません。前処理も評価指標も主催者が決めた状態で戦った結果だからです。

この記事では、実績ゼロの状態から応募するときにコンペ以外で見せられる成果物を具体的に挙げ、依頼側が実際に見ている箇所、題材の選び方、作る手順と期間の目安、応募時の提示方法までを整理します。無料で使えるデータや教材を前提にしているので、費用をかけずに揃えられる範囲でまとめます。

実績ゼロでつまずくのは、材料が無いからではなく選び方

実績ゼロという言葉で相談に来る人の話を聞くと、材料そのものはあることが多いのです。教材で作ったモデル、手元のデータで試した分析、社内で自動化した集計。ところが本人は「これは実績ではない」と判断して、応募書類に書きません。

一方で書いてあるのは、学習した教材の名前と、扱えるライブラリの一覧です。これでは差がつきません。同じ教材を終えた人が何千人もいるからです。

つまり、問題は材料の不足ではなく、何を材料として選び、どう見せるかの判断です。ここを変えるだけで、同じ経歴でも通る書類になります。

まず知っておきたい、学習にかかる時間の実際

前提として、機械学習の入門段階に必要な時間はそこまで長くありません。プログラミング未経験の状態から入門教材を終えた記録として、次のようなものがあります。

ちなみにPython入門編とPython×AI・機械学習入門編を終えるまで、平日週2×2時間（+土曜日数時間）を1ヶ月半ぐらいかけてやりました。（もちろんプログラミング経験がある人なら、もっとずっと早く終わるはず…）出典: paiza.hatenablog.com

週数時間の積み上げで1ヶ月半です。ここが終わった時点で、見せられるものを作る材料は揃っています。にもかかわらず多くの人は、教材をもう1本、もう1本と積み増します。教材の消化は履歴に残りません。残るのは、自分で決めて作ったものだけです。

コンペの入賞歴が万能ではない理由

コンペを否定するつもりはありません。学びは大きく、腕試しとしても有効です。ただ、案件の応募材料としては弱点があります。

第一に、コンペでは課題設定が済んでいます。何を予測するのか、何を正解とするのか、どの指標で評価するのかが主催者によって決まっています。実務では、この課題設定こそが最も難しい部分です。設定済みの問題を解いた実績は、設定できることの証明にはなりません。

第二に、データが整っています。多くのコンペでは、集める段階の苦労が省かれた状態でデータが配られます。実務のデータは欠損があり、表記が揺れ、途中で定義が変わっています。整ったデータでの成績は、汚いデータを扱えることの証明になりません。

第三に、上位に入らないと語りにくいという構造的な問題があります。中位で終わった参加歴は、書類上でほとんど機能しません。時間をかけた割に、見せられる材料が残らないのです。

第四に、依頼側がコンペを知らない場合があります。中小規模の企業で機械学習の導入を検討している担当者は、順位の意味を測れません。「銅メダル」と書いても、伝わらなければ評価になりません。

コンペ以外に見せられる6つの成果物

では、何を作るか。実務の判断材料になりやすい順に6つ挙げます。すべて無料の範囲で作れます。

業務を模した小さな再現プロジェクト

最も効くのがこれです。実際の業務に近い設定を自分で作り、データの取得から前処理、学習、評価、結果の提示までを一通り通した小さなプロジェクトです。

たとえば、公開されている統計データを使って、ある地域の需要を予測する。あるいは自分で集めたテキストを分類する。規模は小さくて構いません。大切なのは、課題設定を自分で書いていることと、結果を業務の言葉で説明していることです。「精度は0.82でした」ではなく、「この水準なら、担当者が確認する件数を減らせる可能性があります。ただし見逃しが残るため、この条件では人の確認を併用する前提です」と書けるかどうかです。

データカードと前処理の設計書

意外に評価されるのが、データそのものを説明した文書です。使ったデータの出所、期間、件数、列ごとの意味、欠損の状況、除外した行とその理由、値を変換した箇所とその根拠。これを1枚にまとめたものを添えます。

依頼側の現場では、この文書が無いせいで引き継ぎが止まっている例が多い。作れる人は少なく、作った証拠を見せられる人はさらに少ない。実績ゼロの人が差をつけやすい領域です。

評価設計のドキュメント

何をもって成功とするかを定義した文書です。使う指標とその理由、業務上どちらの誤りを重く見るか、しきい値をどう決めたか、比較対象とする現状の水準は何か。

評価の設計は、機械学習の実務で最も判断力が問われるところです。ここを言語化できている応募者は、経験年数に関係なく信頼されます。逆に、指標を選んだ理由を説明できないと、いくら精度が高くても不安を持たれます。

失敗の記録

試して駄目だった手法と、その理由を残した記録です。「この特徴量を追加したが改善しなかった。理由は、目的変数と時系列がずれていたため」といった形で並べます。

一見すると弱みを見せる行為ですが、逆です。依頼側は、うまくいったことより、うまくいかなかったときにどう考える人かを知りたがっています。失敗の記録は、思考の過程が見える唯一の材料です。

既存モデルや公開モデルの検証レポート

自分でモデルを作らなくても成果物は作れます。公開されているモデルを手元のデータで動かし、どんな入力で崩れるか、どの範囲なら業務に使えるかを検証したレポートです。

生成AIを業務に組み込む案件が増えている今、この種の検証は実務そのものです。モデルを作る力より、選んで見極める力が求められる場面は確実に増えています。

OSSへの小さな貢献

ドキュメントの誤りの修正、エラーメッセージの改善、テストの追加。規模は小さくて構いません。他人のコードを読み、作法に合わせて変更を提案し、レビューを受けて取り込まれる。この一連は、チームで働けることの証明になります。

未経験から機械学習の仕事に入った人の記録を見ても、最初の一歩は小さく始めることから動いています。

まずは触ってみるプログラミングのプの字も知らなかったので、最初に取り組んだのが Progate でした。はじめはHTMLとCSSでWebページを作ることからはじめました。しかし、Progateの教材と書籍を2冊くらい終わらせた段階で、Webページ作成に「作業感」を強く感じるようになりそれ以上やらなくなりました。出典: qiita.com

途中で方向を変えた経緯まで含めて残っていることに意味があります。順調な話より、迷って選び直した話のほうが読み手には伝わります。

依頼側が実際に見ているところ

作ったものを公開しても、見られ方によって評価は変わります。書類選考でリポジトリを開いた相手が最初に見るのは、コードではありません。

最初に見るのはREADMEです。何のためのものか、どうやって動かすのか、何が分かったのか。この3つが冒頭に書かれていないと、その先は読まれません。逆に、READMEが整理されていれば、コードを読まずに評価されることすらあります。

次に見るのが再現できるかどうかです。必要なライブラリのバージョンが固定されているか、データの取得方法が書かれているか、実行する順番が明示されているか。手元で動かせないものは、実務でも動かないと判断されます。

その次がコミットの履歴です。1回の巨大なコミットだけが並んでいると、途中の思考が見えません。作業の区切りごとに分かれていて、メッセージが内容を表していれば、それだけでチームで働ける人だと分かります。

最後に見るのが、命名と構造です。変数名やディレクトリの切り方に一貫性があるかどうか。派手さは要りませんが、雑さは伝わります。

見られる箇所	良い状態	避けたい状態
README	目的と動かし方と結論が冒頭にある	環境構築の手順だけがある
再現性	バージョン固定と実行順が明記	手元でしか動かない前提
コミット	作業単位で分かれている	全部を1回でまとめて投入
命名	一貫していて意味が読める	一時的な名前が残っている
出力	図や表で結果が示される	数値がログに埋もれている
考察	業務の言葉で意味を書いている	精度の数値だけで終わる

題材をどう選ぶか

題材選びで失敗する人が多いので、基準を書いておきます。

避けたいのは、有名なサンプルデータをそのまま使うことです。教材で扱われる定番のデータセットは、同じ結果が大量に公開されているため、見た瞬間に教材の写しだと分かります。学習には有効でも、応募材料としては機能しません。

選ぶべきなのは、狙う案件の領域に近い題材です。製造業の案件を狙うなら、画像や時系列のデータ。小売やECを狙うなら、購買履歴やアクセスログに似た構造のデータ。医療や福祉のように制度と結びつく領域を狙うなら、公開されている統計や制度のデータを扱うのもひとつの手です。制度が絡む領域の情報整理については、助成金の仕組みを扱った福祉用具貸与事業所のスキルアップ助成金2026｜人材開発支援助成金の活用法のような記事が、業界固有の言葉づかいを掴む助けになります。

データの入手先としては、行政が公開している統計が扱いやすく、利用条件も明示されています。省庁が公開しているデータの入り口としてはe-Govや総務省のサイトが出発点になります。使う際はライセンスと再配布の条件を必ず確認してください。ここを読み飛ばしたまま公開すると、それ自体が減点材料になります。

自分の職歴に近い題材が最も強い

もうひとつ、強力な基準があります。現在の仕事や過去の職歴に近い題材を選ぶことです。営業をしていたなら商談の記録に似たデータ、事務をしていたなら伝票や申請の流れに似たデータ。

領域を知っている人がデータを扱うと、考察の質が変わります。「この列は月末に集中するので、月末フラグを入れた」といった判断は、業務を知らないと出てきません。そして依頼側は、その判断ができる人を探しています。実績ゼロでも、業務の知識は既に持っている。これを使わない手はありません。

作る手順と期間の目安

ゼロから作る場合の進め方を、順番で示します。

最初に、課題を1文で書きます。「誰の、どの判断を、どう楽にするか」です。この1文が決まらないうちにコードを書き始めると、途中で目的を見失います。

次に、評価の設計を先に決めます。何を正解とし、どの指標で測り、どの水準なら業務で使えるかを書きます。モデルを作った後に指標を選ぶと、都合の良い指標を選んでしまうためです。

そのあとで、データを集めて中身を確認します。件数、期間、欠損、分布。ここで気づいたことを、後のデータカードにそのまま流用します。

前処理と学習に入るのはここからです。最初は単純な手法で基準線を作ります。線形の手法や決定木のような分かりやすいモデルで一度通し、そこからどれだけ改善できるかを見る形にします。いきなり複雑なモデルを使うと、比較の基準がなくなります。

最後に、結果を業務の言葉で書きます。この工程を省く人が多いのですが、ここが差になります。

期間としては、1本目に3週間から6週間を見ておくと現実的です。2本目以降は前処理や評価の枠組みを流用できるので、半分程度に縮みます。2本から3本あれば、応募材料としては十分です。数を増やすより、1本ずつの完成度を上げるほうが効きます。

応募時にどう提示するか

作ったものは、置いておくだけでは読まれません。提示の仕方まで含めて成果物です。

書類に貼るのはリンクだけにせず、1行の説明を添えます。「小売の需要予測を想定して、公開統計から週次の需要を予測した例です。評価指標の選び方と、業務で使う場合の前提を文書にまとめています」という形です。相手が開く前に、何が見られるかが分かる状態にします。

複数ある場合は、応募する案件に近い順に並べます。全部を同じ重さで見てもらおうとすると、どれも読まれません。1本目を読ませることに集中してください。

説明の型については、他の職種のポートフォリオの考え方も参考になります。成果物の並べ方や案件獲得につながる見せ方はWebライターのポートフォリオの作り方｜案件獲得率が上がるテンプレート付き【2026年版】に整理があり、職種は違っても、相手が知りたい順に並べるという原則は共通しています。

見せないほうがよいもの

逆に、載せないほうがよいものもあります。

前職の業務データをそのまま使ったものは、載せてはいけません。守秘義務や個人情報の扱いに触れる可能性があります。業務に近い題材を選ぶなら、公開データか、自分で作った疑似データで再現してください。

教材の課題をそのまま公開したものも避けます。教材の著作権に触れる可能性があり、加えて評価の材料にもなりません。

未完成のまま放置されたリポジトリも見せないほうが無難です。数が多いほど良いと考えて増やした結果、途中で止まったものが並んでいると、完遂できない人という印象になります。

面談で成果物について聞かれること

書類が通ると、面談で成果物の話になります。ここで答えられないと、作った意味が半減します。よく聞かれる質問と、答え方の方向を並べます。

「なぜこの題材を選んだのですか」と聞かれたら、業務との接点で答えます。技術的な興味だけを答えると、実務への関心が薄い人に見えます。「前職で似た判断を人手でやっていて、そこが自動化できるか確かめたかった」という答えなら、そのまま会話が続きます。

「精度はどのくらいですか」と聞かれたら、数値を答えたうえで、その水準の意味を添えます。「この指標でこの値です。ただし、業務で使うには誤りの許容度によります。見逃しを嫌う運用なら、しきい値を下げて確認件数を増やす設計が必要です」という形です。数値だけで止めると、そこで会話が終わります。

「うちのデータでも同じようにできますか」と聞かれたら、断定しないでください。「データの量と欠損の状況を見ないと判断できません。まず確認させていただき、そのうえで現実的な水準をご相談したいです」と答えるほうが信頼されます。安請け合いは、契約後に自分の首を絞めます。

「どこで一番苦労しましたか」と聞かれたら、失敗の記録が効いてきます。試して駄目だった手法と、その原因の推定を具体的に話せると、思考の過程が伝わります。この質問は、実績の量ではなく考え方を見るためのものです。

「一人で作ったのですか」と聞かれることもあります。生成AIの補助を使ったなら、隠す必要はありません。どこを任せて、どこを自分で判断したかを説明できれば、むしろ道具を使える人として評価されます。全部を自力でやったと主張して、その場でコードの意図を説明できないほうが致命的です。

未経験から入った人がたどっている道筋

実績ゼロの状態がどのくらい続くのかは、多くの人が気にする点です。未経験から機械学習の仕事に移った人の記録には、次のような区切りが示されています。

168Last updated at 2023-04-21Posted at 2023-04-17 はじめに未経験から機械学習エンジニアになって2年が経った節目にここに至るまでの経緯を紹介します。出典: qiita.com

節目として2年という単位が置かれています。ここで大事なのは、2年かかると悲観することではなく、区切りごとに何が変わったかを記録している点です。

道筋を分解すると、おおむね次の順で進みます。最初は道具に触れる段階で、動くコードを書けるようになります。次が、自分で決めた題材を1本通す段階です。ここで初めて、教材の外に出ます。そのあとに、他人に見せる形へ整える段階が来ます。文書を書き、再現できるようにし、説明できるようにする工程です。最後が、実際の依頼に触れて、業務の制約の中で作る段階になります。

多くの人は2番目の段階で止まります。作ってはいるけれど、見せる形になっていない。ここを越えるだけで、応募できる状態になります。技術を積み増すより、いま持っているものを整えるほうが早いことが多いのです。

実績ゼロの人がやりがちな回り道

最後に、時間を消費しやすい行動を挙げておきます。心当たりがあれば、方向を変えるほうが早く進みます。

ひとつめは、教材を積み増し続けることです。入門を終えたあとに中級、応用と重ねても、履歴には残りません。教材は必要なときに戻る辞書として使い、主軸は自分の題材に置いてください。

ふたつめは、環境構築に凝ることです。開発環境を整えることは楽しく、達成感もありますが、成果物にはなりません。動く最小構成で始めて、必要になってから整えるほうが進みます。

みっつめは、最新の手法だけを追うことです。新しいモデルを試すのは学びになりますが、案件の多くは表形式のデータやテキストの処理で成り立っています。基礎的な手法で結果を説明できるほうが、実務では重宝されます。

よっつめは、完璧を待つことです。精度がもう少し上がってから公開しよう、文書をもっと整えてから応募しようと考えているうちに、数ヶ月が過ぎます。未完成でも、課題設定と評価と考察が書いてあれば読まれます。

いつつめは、単価の高い案件だけを見ることです。実績ゼロの段階で高単価の案件に応募し続けても、書類で落ち続けるだけで材料は増えません。小さく確実に1件を完遂するほうが、次の選択肢が広がります。

学習の順番と、資格の位置づけ

成果物を作る過程で足りないものが出てきたら、そこで学べば十分です。順番としては、Pythonの基礎、データを扱うライブラリ、評価の考え方、そして必要に応じて深層学習という流れになります。最初から難しい理論に入る必要はありません。

資格については、機械学習そのものの実力を示すものというより、周辺の共通言語を持っていることの証明として働きます。クラウドやネットワークの環境で作業する案件ではCCNA（シスコ技術者認定）の範囲が土台になりますし、報告書や仕様書を書く場面が多い働き方ではビジネス文書検定の内容が実務に直結します。実績ゼロの段階では、技術以外の面で信頼を積める材料は多いほうがいい。

報酬の水準を知っておくことも、応募先を選ぶうえで役に立ちます。公的統計をもとにしたソフトウェア作成者の年収・単価相場を見ておくと、提示された条件が相場のどのあたりかを判断できます。単価を上げる考え方そのものは職種を越えて共通で、条件交渉の進め方はWebライターが文字単価を上げる方法｜1円→5円にステップアップする戦略【2026年版】の整理が参考になります。

運営者として見てきた、実績ゼロから抜け出せる人

フリーランスと在宅ワークの市場を20年見てきた立場から言うと、実績ゼロから抜け出す人には共通点があります。作ったものの数ではなく、1本を最後まで持っていく癖があることです。

途中まで作ったものをいくつも並べる人は、なかなか次に進めません。依頼側から見ると、途中で止まる人に見えるからです。逆に、規模は小さくても、課題設定から結果の説明まで通した成果物が1本ある人は、その1本で判断されます。作った本人が思っているより、完遂の事実は強い材料です。

もうひとつ、長く仕事が続く人は、成果物を「自分の腕前の展示」ではなく「相手の判断材料」として作っています。だから、精度の数値より、どんな前提で使えるかを丁寧に書く。読み手が判断しやすい形で渡せる人は、実績が浅い段階でも指名が入ります。

金額の面でも構造の違いを知っておくと選択が変わります。仲介の手数料が乗る取引では、依頼側が払った金額の一定割合が中間で消えます。中間マージンが乗らない手数料0%の直接取引なら、依頼側は同じ予算でより多くを頼め、受け手の手元に残る額は厚くなる。実績が浅いうちは条件を選びにくいものですが、この構造を知っているかどうかは、数年後の手取りに効いてきます。

最後に、狙う先の選び方に触れておきます。AI関連の仕事は、モデルを作る役割だけではありません。業務への導入を支える役割はAIコンサル・業務活用支援のお仕事に、実装寄りの役割はアプリケーション開発のお仕事に、運用や安全性まで含めた広がりはAI・マーケティング・セキュリティのお仕事に整理があります。実績ゼロの段階では、自分の職歴と重なる入口を選ぶほうが、成果物も応募文も強くなります。