機械学習エンジニアはやめとけ？6つのきつい理由と年収・LLM時代の将来性を徹底解説

【PR】本記事はプロモーションを含みます。

「機械学習エンジニアはやめとけ」。そう検索した方は、AIブームに乗りたい気持ちと、ネガティブな情報の間で迷っているはずです。

機械学習エンジニアは 習得する分野が広く、実態の8割はデータクレンジング、論文キャッチアップが終わらない、本番運用が想像以上に大変 といった「きつい」一面があります。一方で 平均年収560〜630万円、ML系専門職は800〜1,500万円超、フリーランス単価は月70〜200万円 と高水準。さらに LLM時代こそ「AIシステムを設計できるML人材」への需要は急増 しているのもリアルな現状です。

本記事では、「やめとけと言われる6つの本当の理由」「年収と職種比較」「データサイエンティスト/AIエンジニアとの違い」「LLM時代の将来性」「未経験から目指す4つのルート」「文系・数学苦手な人への現実回答」まで、検索意図に答える形で網羅的に解説します。ポジショントーク抜きで、フラットに判断材料を提供する1記事です。

結論｜機械学習エンジニアは「進化し続けられる人」には最強キャリア

まず結論を先に言うと、機械学習エンジニアは 「学び続けることが好きな人」と「決まった作業を黙々とこなしたい人」で評価が真逆になる職種 です。AIブームでなんとなく入ると地獄、本質を理解した上で飛び込むと最強キャリアの一つになります。

「やめとけ」が当てはまる人/当てはまらない人の早見表

タイプ	判定	理由
新技術を学ぶのが好き	✅ 向いている	業界の本質と相性◎
数学・統計に抵抗がない	✅ 向いている	本質的な理解ができる
長期的に成果を待てる	✅ 向いている	モデル改善は地道
1つの技術を極めたい	⚠️ ML特化なら可	幅広学習が苦痛なら別職種
数学が極端に苦手	⚠️ 注意	応用ML可だが研究系は厳しい
定型作業がしたい	❌ やめとけ	業界の変化スピードと真逆

「やめとけ」と言う人の主張には正当な根拠がある一方で、それは 「すべての人にとっての真実ではない」 ことが大事なポイント。以下、6つの理由を構造的に整理します。

機械学習エンジニアが「やめとけ」と言われる6つの理由

ネットで多く語られる「やめとけ」の理由を、表層ではなく業界の構造的観点から整理します。

理由1：習得すべき分野が広すぎる

機械学習エンジニアに求められるスキルは 数学・統計学・プログラミング・MLアルゴリズム・データ基盤・MLOps・ビジネス理解 と極めて広範囲。「Pythonが書ければOK」というレベルでは到底足りず、線形代数・微積分・確率統計を実用レベルで使いこなす必要があります。

一般的に 「一人前」と呼ばれるレベルに達するのに3〜5年 はかかります。短期で稼ぎたい人には不向きな職種です。

理由2：実態は「データクレンジング8割」の地道な作業

「AIモデルを開発するクールな仕事」というイメージで入ると、現実とのギャップに苦しみます。実態は 業務の70〜80%が「データ収集・クレンジング・特徴量設計」 という地味な作業。

欠損値の処理、外れ値の検出、カテゴリ変数のエンコーディング、データ型の統一…こうした下処理を延々とこなした後、ようやくモデル構築に入る、というのが現場の実情です。

理由3：論文キャッチアップが終わらない

機械学習の分野は 毎週のように新しい論文・SOTA（State Of The Art）モデルが発表される 業界です。Transformerが出たかと思えばDiffusion、次はLLM、次はMixture of Experts…と数年で景色が一変します。

業務時間外も論文を追い、arXivやGitHubをチェックし、Hugging Faceで最新モデルを試す。「終わらない勉強」に耐えられない人にはきつい職種です。

理由4：本番運用（MLOps）が想像以上に大変

機械学習モデルは 「作って終わり」ではなく「作ってから本当の戦いが始まる」 仕事です。本番環境にデプロイすると、開発時と精度が下がる「データドリフト」が頻発。再学習・モニタリング・A/Bテスト・ロールバック対応が継続的に必要です。

Docker・Kubernetes・MLflow・Airflow・SageMaker等、覚えるべきMLOpsツールも膨大。ML職と言いつつ実はDevOpsエンジニア並みのインフラ知識が求められます。

理由5：成果を出すまでが長い（モデル精度1%上げるのに3ヶ月）

ビジネス側からは「ぱっと精度を上げてほしい」と言われますが、現実には 精度を1%向上させるのに数週間〜数ヶ月 かかることが普通。データ追加、特徴量見直し、ハイパーパラメータ調整、モデル選定…と地道に試し続けます。

結果が出るまでに時間がかかるため、「短期で成果を見せたい」というプレッシャーと「長期的に取り組まないと成果が出ない」現実のギャップに苦しむことになります。

理由6：LLM時代に「ただのML職」は淘汰される

2023〜2025年のLLM革命で、業界の景色が一変しました。従来の「分類モデルを作る」「予測モデルをチューニングする」レベルの仕事は、API一発でできるようになった ケースが増えています。

ChatGPT/Claude APIで簡単に分類・要約・抽出ができてしまうため、「PoCレベルのML職」は需要が縮小 しています。一方で、LLMを組み込んだ大規模AIシステムの設計・ファインチューニング・RAGなどは需要急増。「進化できる人」と「定型作業しかできない人」の二極化 が進んでいます。

機械学習エンジニアの仕事内容｜典型的な業務プロセス5段階

機械学習エンジニアの実務は、典型的に 5つのフェーズ で進みます。各フェーズで求められるスキルセットが異なるのが特徴です。

フェーズ	主な活動	使うツール
1. 課題定義・データ収集	ビジネス課題を ML タスクに変換	SQL、ヒアリング、Notion
2. 前処理・特徴量設計	クレンジング、特徴量エンジニアリング	pandas、Polars、Spark
3. モデル構築・学習	アルゴリズム選定、ハイパーパラメータ調整	scikit-learn、PyTorch、TensorFlow
4. 本番デプロイ（MLOps）	API化、コンテナ化、CI/CD構築	Docker、Kubernetes、MLflow、SageMaker
5. 監視・再学習・改善	精度監視、データドリフト検出、再学習	Datadog、Evidently、Prometheus

1. 課題定義・ビジネス要件整理

「精度95%のモデルを作る」前に、「何を予測すれば事業のどの指標が動くのか」を整理します。ビジネス側との対話で要件を機械学習タスク（分類・回帰・推薦など）に落とし込む、最も難しく重要な工程です。ここで認識がズレると、後の作業がすべて無駄になります。

2. データ収集・クレンジング（業務時間の6〜8割）

社内DBから取得、外部API、Webスクレイピング、アノテーション発注など、多様な手段でデータを集めます。欠損値補完、外れ値除去、形式統一などのクレンジングが業務時間の6〜8割を占めるのが現実です。地味な作業ですが、データ品質が最終精度を決めます。

3. モデル設計・学習・評価

課題に合った手法（線形回帰・XGBoost・Deep Learning・LLMなど）を選び、ハイパーパラメータをチューニングします。学習データ・検証データ・テストデータを分け、過学習を避けながら評価指標を改善していく工程です。

4. デプロイ・本番運用（MLOps）

できあがったモデルを本番システムに組み込みます。バッチ推論なのかリアルタイムAPIなのか、エッジで動かすのか、用途に応じてアーキテクチャを選定します。CI/CD、モデルバージョン管理、A/Bテスト基盤などが必要になり、ソフトウェアエンジニアリング力が問われます。

5. モニタリング・継続改善

本番環境では時間経過とともに精度が劣化するデータドリフトが発生します。入力分布の変化、出力傾向の偏りを継続監視し、必要に応じて再学習を回すループを構築します。「作って終わり」ではなく「運用して育てる」のが現代のMLエンジニアリングです。

機械学習エンジニア・データサイエンティスト・AIエンジニアの違い【比較表】

もっとも混同されやすいのが 「機械学習エンジニア」「データサイエンティスト」「AIエンジニア」「データエンジニア」 の違いです。1枚の表で整理します。

項目	機械学習エンジニア	データサイエンティスト	AIエンジニア	データエンジニア
主軸	ML本番実装	分析＆モデル設計	LLM/AI機能組込み	データ基盤
得意領域	MLOps・大規模化	ビジネス課題定義	RAG・LLM活用	ETL・データ整備
使う言語	Python、Go、SQL	Python、R、SQL	Python、TypeScript	SQL、Python、Scala
成果物	本番MLシステム	分析レポート＋モデル	LLMアプリ	データパイプライン
顧客接点	少なめ	多い	中	少ない
平均年収	560〜900万円	600〜1,000万円	500〜900万円	600〜1,200万円
イメージ	ML職人	データの参謀	AI開発者	基盤の番人

ざっくり言えば、「データサイエンティスト」は分析＆提案、「機械学習エンジニア」は本番システム化、「AIエンジニア」はLLM/生成AI組込み、「データエンジニア」は基盤整備 という棲み分け。実際のキャリア現場では役割が混在することも多いです。

役割・スキル・年収・需要の比較表

職種	主な役割	必須スキル	年収レンジ	需要
機械学習エンジニア	モデル設計・実装・本番運用	Python・数学・MLOps	500〜1,500万	非常に高い
データサイエンティスト	分析・仮説検証・施策提案	統計・SQL・ビジネス理解	500〜1,300万	高い
AIエンジニア（生成AI寄り）	LLM活用・プロンプト・RAG構築	LangChain・API・UX設計	500〜1,700万	急増中

機械学習エンジニアからデータサイエンティストに移るとどうなる？

実装中心からビジネス側に踏み込む形になり、SQLや統計検定、施策仮説の構築力が求められます。コードを書く時間は減り、Slackや会議でのコミュニケーション量が増える点が大きな変化です。報酬は同水準〜やや下がるケースが多いですが、経営層への影響力は強まります。

AIエンジニアとの境界が溶けつつある

2026年現在、生成AIの普及で「機械学習エンジニア」と「AIエンジニア」の境界は曖昧になりつつあります。LLM APIを使ったRAG構築、エージェント構築、ファインチューニングまで含めて横断的に対応できる人材が市場で最も評価されています。「ML一筋」より「ML＋LLM」のハイブリッドが今のキャリア戦略の定石です。

機械学習エンジニアの年収｜経験別・企業別の最新相場

機械学習エンジニアの平均年収は 約560〜630万円 と、日本のIT職全体より高水準です。経験・企業・働き方で大きく変動します。

経験別の年収レンジ

ポジション	経験年数	年収レンジ	備考
新卒・ジュニア	0〜2年	450万〜600万円	新卒採用枠
中堅MLエンジニア	3〜5年	600万〜900万円	独立してプロジェクト推進
シニアMLエンジニア	5〜10年	900万〜1,400万円	技術リード
MLリード・スタッフ	10年〜	1,400万〜2,000万円	組織のML戦略担当
外資GAFAMクラス	5年〜	1,500万〜3,500万円	RSU込みの総支給額

企業別の年収目安

企業カテゴリ	年収レンジ	特徴
外資テック（Google/Meta/Amazon）	1,500〜4,000万円	RSU含むトータル報酬
国内大手テック（メルカリ/LINE/サイバー）	700〜1,600万円	業績連動賞与あり
AIスタートアップ	500〜1,200万円	SO（ストックオプション）あり
事業会社（金融・小売）	600〜1,200万円	安定志向、残業少
SIer・コンサル	500〜1,000万円	受託案件中心

フリーランスの単価

フリーランス機械学習エンジニアの単価は 月額70万〜200万円 がボリュームゾーン。実績豊富なシニア層は月250万円超も珍しくありません。フルタイム稼働換算で年1,000万〜2,500万円。3年以上の実務経験を積んでから独立するのが標準的なルートです。

必要なスキル｜技術＋数学＋ビジネスの三位一体

機械学習エンジニアは 「コードが書けて、数学が分かって、ビジネス課題を翻訳できる」 という3層スキルセットが要求されます。

プログラミングスキル（必須）

• Python：MLの事実上の標準言語。pandas/numpy/scikit-learnは必須
• SQL：データ抽出・集計の基本。ウィンドウ関数・CTEまで使えるレベル
• Git/GitHub：チーム開発の基礎
• Linux/Bash：サーバー運用に必須
• Go/Rust（推奨）：本番MLシステムの高速化用

数学・統計スキル

• 線形代数：行列・ベクトル・固有値の理解
• 微積分：勾配降下法・偏微分の本質理解
• 確率統計：ベイズ・分布・仮説検定
• 最適化理論：凸最適化・ラグランジュの未定乗数法

MLライブラリ・フレームワーク

• scikit-learn：古典的ML（回帰・分類・クラスタリング）
• PyTorch：深層学習の主流（研究／本番ともに）
• TensorFlow/Keras：本番運用に強い
• Hugging Face Transformers：LLM・事前学習モデル活用
• LangChain/LlamaIndex：LLMアプリケーション構築

MLOps（本番運用）

• Docker / Kubernetes：コンテナ化・オーケストレーション
• MLflow / Weights & Biases：実験管理・モデルバージョニング
• Airflow / Prefect：データパイプラインオーケストレーション
• AWS SageMaker / Vertex AI / Azure ML：マネージドML基盤
• Evidently AI / Arize：モデル監視・データドリフト検出

役立つ資格5選

資格	難易度	有用度	用途
E資格（JDLA）	高	★★★★★	深層学習の体系的理解、転職評価高
統計検定 準1級以上	高	★★★★★	統計力の客観証明
G検定（JDLA）	中	★★★★	AI/ML基礎の証明
AWS Machine Learning Specialty	中〜上	★★★★	クラウドMLOps
データサイエンティスト検定	中	★★★	網羅的データスキル

LLM時代に機械学習エンジニアはどうなる？淘汰される業務／需要急増する業務

2023〜2025年のLLM革命で、機械学習エンジニア職の市場が 急速に二極化 しています。「ML職オワコン論」も「ML職最強論」も、どちらも一面の真実。「自動化される業務」と「むしろ需要が爆発する業務」が明確に分かれているのがリアルです。

LLMで自動化されやすい業務

• PoCレベルの分類・要約モデル：ChatGPT/Claude API一発で代替可能
• 基本的なテキスト分類・感情分析：LLMで高精度＆実装簡単
• OCR・固有表現抽出：マルチモーダルLLMで代替
• シンプルな予測モデル構築：AutoMLで自動化
• 論文を読んで実装する単純作業：AIアシスタントが代替

むしろ需要が増える業務

• LLMファインチューニング・ドメイン適応：金融・医療など独自データへの適応
• RAG（検索拡張生成）システムの構築：企業内検索＋LLMの組合せ
• AIガバナンス・モデル評価設計：ハルシネーション対策・倫理
• マルチモーダルAI：画像＋テキスト＋音声の統合システム
• AIエージェント設計：Tool Use、ReAct、Plan-and-Execute
• MLOpsの高度化：大規模分散学習、推論最適化

つまり、「scikit-learnでクラス分類を作れるだけのML職」は淘汰されるが、「LLMを使ったAIシステム全体を設計できるML職」の需要は爆発的に増えるのがこれからのトレンドです。

5年後・10年後のキャリア展望

MLエンジニアのキャリアは 「AIシステムアーキテクト」「Applied AI Scientist」「ML Platform Engineer」 などへの進化が始まっています。単なる「モデル構築職」ではなく、「組織のAI戦略を技術面から支える参謀」へとポジションが上がるルートが王道です。

機械学習エンジニアになるためのキャリアパス｜4つのルート

ルート1：新卒（情報系学部・大学院）からのストレート

最も王道のルート。大学・大学院で情報工学・統計・数学を専攻し、研究室で機械学習やデータサイエンスを扱った上で就職。修士号を持っていると外資テックやAI研究機関で評価されやすく、年収レンジも一段上がります。

ルート2：ソフトウェアエンジニアからの転身（最多パターン）

SE・Web開発・バックエンドエンジニアとして3〜5年経験を積んだ後、機械学習エンジニアに転身するルート。「プログラミングが書ける」というアドバンテージを活かしつつ、業務外で数学・MLを学習して移行します。MLOps領域は特にこのルートからの転身者が活躍します。

ルート3：データアナリスト・データエンジニアからの転身

すでにデータ系職種でSQLやPythonを使っている人が、機械学習側に深掘りするルート。業務ドメイン知識＋データ感覚が活かせるため、事業会社のインハウスML職には特に強いキャリア。

ルート4：完全未経験からの長期戦

営業職・事務職など完全未経験から目指すルート。準備期間1〜2年は必要で、独学＋スクール＋Kaggle等のポートフォリオ作成が現実的。文系出身者でも可能ですが、数学のキャッチアップが最大の壁になります。

向いている人・向いていない人｜自己診断チェックリスト

もし「向いていない人」の特徴に強く当てはまるなら、データエンジニア・データアナリスト・Webマーケター など別職種を検討した方がフィットする可能性があります。

向いている人の5つの特徴

• 知的好奇心が強く、論文・新技術のキャッチアップが苦にならない
• 地味な作業（データクレンジング、検証実験の繰り返し）を継続できる
• 数学・統計に対するアレルギーが少ない（得意でなくてもOK）
• 不確実な成果（モデル精度が出るか分からない状況）に耐えられる
• 英語ドキュメント・論文を辞書を引きながらでも読める

向いていない人の3パターン

• 確実な成果がすぐに見える仕事を好む: 機械学習はトライ＆エラーで成果が出るまで時間がかかります
• 新しい技術を学ぶこと自体が嫌い: 半年単位で最先端が入れ替わるため、学び続けないと淘汰されます
• 数式や英語論文を見ると思考が止まる: 完全な理解は不要ですが、雰囲気を掴む耐性は必要です

「やめとけ」を回避するための事前準備

入職前に試す価値が高いのが、Kaggleのチュートリアル「Titanic」「House Prices」を完走することです。データの前処理から、モデル学習、評価、提出までの一連の流れを体験できます。途中で挫折感が強ければ、機械学習エンジニアよりデータエンジニアやMLOpsエンジニアの方が向いている可能性があります。

学習ロードマップ｜未経験から目指す4ステップ

「やめとけ」と言われる難易度の高さを乗り越えるには、闇雲に勉強するのではなく順序立てたロードマップが必須です。2026年時点の最短・最適パスを4ステップで整理しました。

Step1: Python基礎＋数学（線形代数・確率統計）

まずはPythonの基礎文法、NumPy・Pandasによるデータ操作を習得します。並行して線形代数（ベクトル・行列）、確率統計（ベイズ・分布）、微分積分の基礎を押さえます。書籍なら『機械学習のエッセンス』や『プログラミングのための線形代数』が定番です。所要期間の目安は3〜4ヶ月。

Step2: 生成AI・LLM活用スキル（プロンプト・RAG）

2026年時点で機械学習エンジニアに求められる最重要スキルは生成AI・LLMの実務活用力です。プロンプトエンジニアリング、RAG（検索拡張生成）、LangChain・LlamaIndexによるエージェント構築まで一通り触れておくと、求人での評価が一段上がります。所要期間2〜3ヶ月。

Step3: 資格取得（G検定・E資格・Coursera）

体系的な知識の証明として、G検定（入門）→ E資格（実装力）を取得するルートが標準です。海外資格ならCoursera「Machine Learning Specialization」、「Deep Learning Specialization」が世界的に通用します。学習過程そのものが体系化に役立つため、資格取得は単なる肩書き以上の価値があります。所要期間2〜4ヶ月。

Step4: GitHubポートフォリオ公開

実務未経験者が転職市場で勝負するには、自作プロジェクトをGitHubに公開することが不可欠です。Kaggleのコンペ参加、画像分類アプリ、RAGチャットボット、LLMファインチューニングの実装など、再現可能なコードと結果をREADMEで丁寧に説明できる状態にしましょう。所要期間2〜3ヶ月。

合計1年〜1.5年が現実的な目安

Step1〜4を合計すると、フルタイムで集中しても約1年、働きながらなら1.5〜2年が現実的な期間です。「やめとけ」と言われる理由の一端はこの学習コストの重さにありますが、需要が継続的に強い職種であるため投資回収は十分に見込めます。求人倍率は約2倍と人材不足の状態が続いており、LLMスキルを併せ持つと年収1,500万円以上のポジションも現実的なターゲットになります。

よくある質問（FAQ）

Q1. 文系出身でも本当に大丈夫？

可能ですが、数学の自習が必須です。実際にML業界で活躍する文系出身者は一定数いますが、ほぼ全員が 線形代数・微積分・確率統計を独学で身につけて います。文系だから不利、ではなく「文系でも数学を学べる人なら大丈夫」が正解です。

Q2. 大学院に行くべき？

外資テック・AI研究機関を目指すなら 修士号は事実上必須。一方、事業会社のインハウスMLや、応用ML（MLOps、LLM活用）を目指す場合は学部卒でも十分活躍できます。「研究寄り」ならば大学院推奨、「実装寄り」ならば実務経験で十分です。

Q3. 数学が苦手だけど大丈夫？

正直、「数学が極端に嫌い・克服する気もない」なら別職種を強くおすすめします。MLライブラリを使うだけなら数学不要に見えますが、論文を読んだり、モデルの本質を理解したり、デバッグするには線形代数と確率統計の基礎が必須です。半年〜1年の学習で克服できる範囲ですが、楽しめないと続きません。

Q4. 30代未経験から目指せる？

可能ですが、20代より戦略的なアプローチが必要です。「既存業界の知見＋ML」の二刀流で勝負するのが現実的。たとえば「金融出身×ML」「製造業出身×時系列予測」「医療出身×医用画像」など、ドメイン特化型のMLポジションを狙えば30代未経験でもチャンスがあります。

Q5. データサイエンティストとどっちがいい？

志向次第です。「ビジネス課題定義・分析・提案」が好きならデータサイエンティスト、「コードを書いて本番システムを作る」が好きなら機械学習エンジニア。年収レンジはどちらも似ていますが、ML職の方がエンジニアリングスキルが評価されやすく、外資テック転職には有利です。

Q6. フリーランスは食える？

食えます。実力次第で 月収70〜200万円。ただし営業力・案件獲得力・経理対応も必要。3年以上の実務経験を積んでから独立がおすすめです。LLM/RAG/AIエージェント系のフリーランス案件は今最も伸びている領域です。

Q7. LLMで仕事はなくなる？オワコン？

「PoCレベルのML職」は淘汰されますが、「LLMを組み込んだAIシステムを設計できるML職」はむしろ需要急増。AnthropicやOpenAIをはじめ、AI先端企業は採用を加速しています。AIに食われる側ではなく、AIを使う側に回れば10年後も最前線で活躍できる職種です。

まとめ｜機械学習エンジニアは「進化し続けられる人」が選ぶキャリア

本記事のポイントを振り返ります：

• 「やめとけ」の6つの理由：習得分野の広さ／データクレンジング8割／論文キャッチアップ／MLOps負担／成果までの長さ／LLM時代の淘汰
• 仕事内容：5フェーズ（課題定義→前処理→モデル構築→デプロイ→運用）
• 類似職種との違い：DSは「分析」、MLEは「本番実装」、AIEは「LLM活用」、DEは「基盤」
• 年収：平均560〜630万円／シニア1,400万円超／外資3,000万円超
• 必要スキル：Python＋数学＋ML＋MLOps＋ビジネス理解
• LLM時代の影響：単純作業は淘汰、システム設計は需要急増
• 4つの未経験ルート：新卒／SE転身／データ職転身／完全未経験長期戦

もしあなたが 「学び続けるのが好き」「数学・統計に抵抗がない」「AIで世界を変えたい」 なら、機械学習エンジニアは これからの10年で最も伸びるキャリア の一つです。逆に「決まった作業を黙々とやりたい」「業務時間外の学習が苦痛」なら、別職種を検討した方がフィットします。

判断に迷ったら、まずは コンサル特化エージェント や ハイクラスIT転職サービス で自分の市場価値とキャリアの選択肢を知ることから始めるのが効率的です。

あわせて読みたい関連記事

• データサイエンティストはやめとけ？理由や後悔しないポイント
• データエンジニアとデータサイエンティストの違い
• データエンジニアのスキルセット完全ガイド
• データコンサルタントとは｜仕事内容・年収・必要スキル・主要ファーム比較
• フォワードデプロイドエンジニア（FDE）とは？役割・年収・必要スキル
• 30代未経験からエンジニアは無理？IT転職の現実・難易度

参考文献

本記事の執筆にあたり、以下の一次ソース・解説記事を参考にしました（2026年5月時点）。最新の仕様や料金は必ず公式サイトで確認してください。

• 機械学習エンジニアの年収・求人動向（レバテックルーキー）
• 機械学習エンジニアになるためのロードマップ（renue）
• 生成AIエンジニアロードマップ（e-エンジニア）
• Coursera｜Machine Learning Specialization
• Coursera｜Deep Learning Specialization
• 日本ディープラーニング協会 G検定・E資格
• Kaggle｜Titanic コンペ（入門）