ラベル付けされていないデータの中に隠された構造やグループ分けを明らかにするのが目的の場合、教師なし学習、特にクラスタリングアルゴリズムが適切な選択肢となります。CPMAIはクラスタリングを「類似性に基づいてデータをグループに分割する教師なしプロセ​​ス」と定義し、ラベル付けされていないデータセット内のパターンを発見するためにこれらの手法を適用することを推奨しています。

CPMAIは、データサイエンティストを「データに基づいた仮説の策定、統計アルゴリズムの選択と適用、モデル結果の解釈、利害関係者への洞察の伝達」を担当する役割と定義しており、これらすべてには不確実性下での批判的思考、高度な数学、および強力なデータ視覚化スキルが求められる。

フェーズVI：モデルの運用化において、CPMAIは、モデルのバージョン管理や再学習を行う前に、モデルガバナンスフレームワークを確立する必要があると規定しています。このガバナンスフレームワークは、各モデル反復における適切なバージョン管理、監査証跡、および明確な所有権を保証し、モデルライフサイクル全体を通して説明責任とコンプライアンスを維持します。

フェーズ III: データ準備は、生の入力データをモデルで使用できる状態にするためのクリーニング（「データのクリーンアップ」）や強化（「データの強化と拡張」）など、データ中心のすべてのタスクに特化しています。

フェーズIのAIスキル評価において、CPMAIはチームに対し、「利用可能な認知スキルをリストアップする」こと、そして「このプロジェクトに活用できる専門知識とスキル」を特定すること、さらに対処すべきスキルギャップを特定することを指示しています。この方法論、およびCPMAI用語集におけるデータサイエンティストの定義は、以下のコアコンピテンシーを重視しています。
データエンジニアリングと準備（大規模データセットの操作、収集、変換）、クリティカルシンキング（ビジネス目標に沿うように洞察を解釈する）、アルゴリズムの理解（適切な統計モデルまたは機械学習モデルを選択して適用する）、数学的熟練度（特にモデル作成の基礎となる統計と微積分） 対照的に、迅速なエンジニアリング（A）は、一般的なデータサイエンスの中核能力ではなく、LLM の相互作用のための専門的な役割であり、RPA 中心の自動化スキル（E）は、認知/機械学習機能に焦点を当てた CPMAI の範囲外です。