Claude Code時代における失敗から学ぶ：Kaggleコンペ参加で陥った『設計』の重要性
本記事は、筆者がKaggleのコンペティション「BirdCLEF+ 2026」に初参加した際の具体的な失敗事例を詳細に分析し、「AI（Claude Code）による実装能力」と「人間による設計・判断力」の違いを浮き彫りにしています。筆者は当初、強力なコード生成AIであるClaude Codeの力を過信していましたが、コンペでの経験を通じて、真に重要なのは技術的な実装速度ではなく、プロセス全体の設計と正しい知識の適用であることを痛感しました。
失敗事例は多岐にわたります。まず「思い込み」による損失として、コンペルールを誤解しNotebook提出が必要な制約やCPU限定・90分という制限を知らず1週間を浪費した点、また古い情報に基づきAPI提出が不可能だと諦めた点が挙げられます。さらに、「設計なし実装」の失敗では、学習時のみ適用していたz-score正規化処理を推論パイプラインに引き継げなかったことでスコア低下（+0.067改善）を招いた事例や、データリークを引き起こすStratifiedKFoldの使用など、技術的な検証不足が目立ちました。また、疑似ラベルの閾値設定を怠り学習時間が膨張したことも大きな問題でした。
最も深刻な失敗は「評価軸のミス」であり、実験の採否判断に本番環境（LB）の指標であるpadded cmAPではなく、CVや提出スコアといった誤った指標を用いていたため、方向性の間違った努力を積み重ねてしまった点です。また、「ドメイン知識不足」として、Google Perchのような適切な事前学習済みモデルの発見が遅れたことも指摘されています。
これらの失敗を通じて筆者は、「Claude Codeは『実装』するが、『設計』は人間が行うべき」という結論に至ります。つまり、AIにコードを生成させる前に、コンペルールや評価指標（CVとLB）といった前提条件を正確に把握し、データ構造やパイプライン全体を俯瞰的に設計することが、技術力以上に重要であると警鐘を鳴らしています。
背景
本記事は、機械学習コンペティション（Kaggle）への初参加という実戦経験に基づいています。特に「Claude Code」のような生成AIを活用する現代のデータサイエンス分野において、技術的な実装能力が向上した一方で、その前提となるルール理解や設計プロセスがおろそかになりがちな状況を背景にしています。
重要用語解説
- Kaggle: 世界最大級のデータサイエンスコンペティションプラットフォーム。参加者は実際の課題解決を通じて機械学習モデルの開発スキルを磨く場です。
- Claude Code: Anthropic社が提供するAIコード生成機能（またはその利用例）。複雑なコーディング作業やスクリプト作成を支援し、開発速度を飛躍的に向上させます。
- データリーク: 機械学習の評価において、本来は独立しているはずのテストデータや情報が誤って訓練データに混入してしまう現象。モデルの過剰な楽観視につながります。
今後の影響
AIによる実装支援が進むほど、「設計フェーズ」における人間の役割（ルール検証、指標設定、パイプライン構築）の重要性が増します。本記事は、単なる技術力至上主義から脱却し、データサイエンティストや開発者に対し、より高いレベルでのシステム思考と批判的思考を要求する流れを生むでしょう。