マシンラーニング

マシンラーニングの未来: 予測分析と AI の次のステップ

ビッグデータによる予測と処置の向上

マシンラーニング、データ分析、予測分析の未来

  • マシンラーニングと高度な分析によって、企業は、過去を振り返る記述的分析を超えて、将来を見通す自律的な意思決定による支援へと移行できます。

  • ほぼすべての業界で、マシンラーニングと高度な分析の利点を活用できます。大量のデータと予測モデルに規則的な調整が必要な場合は、いつでもマシンラーニングが合理的です。

  • マシンラーニングによって、人間の知覚、説明、介入、または操作に依存することなく、新たな種類の意思決定を解決するようにマシンを進化させることで、競争優位性を得ることができます。

  • 矛盾しているようですが、新しいタイプの洞察を手に入れられるにもかかわらず、マシンラーニング・アプリケーションは、ほかのタイプの高度分析よりも低コストでの運用が可能です。

author-image

投稿者:

1.予測分析の新たな次元

現在の経済社会では、すべての事業がデータビジネスになりつつあります。Forrester Consulting が実施した調査によると、98% の企業が分析はビジネスの優先事項の推進に重要であると回答していますが、高度な分析や人工知能を活用しているワークロードは 40% 未満にとどまっています。マシンラーニングによって、企業はデータから大きな価値を引き出し、収益の増加、競争優位性の獲得、コストの削減を図ることができます。

予測分析の一種であるマシンラーニングにより、企業はビジネス・インテリジェンス (BI) 成熟度曲線の上方へと前進し、過去に重点を置く記述的分析のみに頼る状態から移行して、将来を見通す自律的な意思決定による支援を組み込むことができます。このテクノロジーは何十年も存在していましたが、新しいアプローチや製品が活気づき、多くの企業が改めて注目するようになっています。

マシンラーニングに基づく分析ソリューションの多くがリアルタイムで動作し、BI に新たな次元を付加します。従来のモデルが引き続き主なレポートと分析を上位の意思決定者に提供する一方で、リアルタイムの分析は、「最前線」にいる従業員に情報を提供して時間単位でパフォーマンスを向上します。

人工知能の一分野であるマシンラーニングでは、専門のアルゴリズムを使用して膨大なデータの山から調査、学習、予測、推奨を行うようシステムを「トレーニング」します。予測モデルは、新しいデータに遭遇すると、人間の介入がなくても適応することができ、これまでのイテレーションから学習して、さらに信頼性の高い、反復可能な決定と結果を生成します。

時間とともに、このイテレーションによってシステムが「スマート化」し、次第に隠れた洞察、履歴的関係、動向を発見し、買物客の好みからサプライチェーンの最適化、石油の発見まであらゆることについて新しいチャンスを引き出すようになります。最も重要なのは、マシンラーニングによって、企業がビッグデータでより多くのことを実行し、IoT 分析などの新しい機能を組み込むことができる点です。

マシンラーニングは、今すぐ利用できる強力な分析テクノロジーです。マシンラーニング向けの数多くの新しい商用ソリューションやオープンソースのソリューションが利用でき、開発者向けの豊かなエコシステムも整っています。すでにスパムフィルターなど、この手法が社内のどこかで使用されている可能性も大いにあります。マシンラーニングと分析をさらに広く適用することで、変化する状況に素早く対応し、急速に増加するデータの山からさらに優れた価値を引き出すことができます。

2.どこにでも存在する予測分析

マシンラーニングに基づく高度な分析の人気が高まっている大きな理由は、ほぼすべての業界でビジネス上のメリットを引き出せることです。大量のデータと予測モデルに規則的な調整が必要なところなら、どこでもマシンラーニングが合理的です。

本、映画、衣服、その他の多数のカテゴリーでおすすめを提案する機能は、よく知られているマシンラーニングの実用例ですが、これだけではありません。

小売業界では、マシンラーニングと RFID タグにより、在庫管理を大幅に効率化しています。本の在庫一覧と実際の在庫を対応付ける場合のように、商品の場所を追跡するだけでも大きな課題です。マシンラーニングを使用すると、この問題の解決に使用するデータによって、商品の配置を変更して買い物客の行動に影響を与えることもできます。例えば、実店舗をスキャニングして場違いの在庫を探し、配置し直すことも、売れ筋商品を特定して、店内のよく見える位置に移動することもできます。

マシンラーニングを言語学的規則と組み合わせると、企業はソーシャルメディアをスキャニングして、自社のブランドや製品に関するユーザーの発言を確認することができます。これによって、特定の製品に関する高評価や不満を示す隠れた基本的パターンを発見することもできます。

このテクノロジーはすでに、監視センサーを利用したアプリケーションなどで極めて重要な役割を果たしています。マシンラーニングは自動運転車でも欠かせない技術です。複数のセンサーからのデータをリアルタイムで統合して、確実に安全な決定を行う必要があります。

マシンラーニングは、地理的なデータを分析して、より高い精度で可能性を予測できるパターンを見つけ出し、風力発電または太陽光発電に適している場所の特定する場合にも役立ちます。

どれも数多くのマシンラーニングの実用例の一部にすぎません。まさに今、価値ある結果を提供している実証済みの技術です。

3.確かな競争力

マシンラーニングは、従来の分析よりも迅速かつ容易に問題を解決し、洞察を導き出すことで、企業に競争力を提供できます。特に次の 3 つのタイプの状況で優れた価値を発揮します。

問題に対する解決策が時間とともに変わる場合: ソーシャルメディアによるブランドの評判の追跡がよい例です。各プラットフォームのターゲット層は変化し、また新しいプラットフォームが出現します。このような変化によって混乱が生じ、ルールベースの分析を使用して対象者に応じて別のメッセージを表示しようとするマーケティング担当者は絶えず改訂を強いられます。これに対し、マシンラーニング・モデルはすぐに適応し、時間を経るごとに確実な結果を提供するとともに、リソースを解放することで、その他の問題を解決できます。

状況によって解決策が異なる場合: 例えば医療では、患者本人や家族の病歴、年齢、性別、ライフスタイル、特定の薬に対するアレルギー、その他の多くの要因によって対処方法が異なります。マシンラーニングなら、すべてを考慮して、パーソナライズされた診断と治療を提供するとともに、医療のリソースを最適化できます。

解決策が人間の能力を超えている場合: 人は音声、友人の顔や声、特定の物体など多くのことを認識できますが、その理由は説明できない場合もあります。問題は、変数が多すぎることです。数多くの例を厳密に調べ、分類することによって、マシンラーニングでは、例えば音声の特徴となっている具体的な外部変数 (音程、音量、倍音など) を客観的に認識し、識別できるようになります。

競争優位性は、人間の知覚、説明、介入、または操作に依存することなく、新たな種類の意思決定を解決するようにマシンを進化させることで獲得できます。このような機能によって、医療 (がん検診)、製造 (欠陥評価)、輸送 (安全な走行のための追加の合図として音を使用) など、さまざまな分野で新たな可能性が広がります。

4.高速で低コスト

ほかの分析手法に比べて、マシンラーニングは、IT 部門、データ・サイエンティスト、さまざまな事業部門、さらに組織全体と、それぞれに複数のメリットをもたらします。

マシンラーニングは、新たなデータに遭遇した際の俊敏性と柔軟性に優れています。ルールベースのシステムは静的な状況では十分に動作しますが、データが絶えず変化したり追加される場合は、マシンラーニングが優位です。これは、必要な結果を得るために絶えずシステムを調整したりルールを追加したりする必要がないからです。これによって開発期間が短縮され、大きな変更の必要性が大幅に削減されます。

マシンラーニングの人件費は、一般に長い目で見ると従来の分析よりも低くなります。もちろん、導入時はスキルの高いスペシャリスト、特に確率、統計、マシンラーニング・アルゴリズム、AI トレーニング方法のスペシャリストが必要です。ところがいったんマシンラーニングを立ち上げ稼動させると、予測モデルは自動で適応するため、精度や信頼性の調整に人間はほとんど不要です。

もう 1 つの利点は拡張性です。マシンラーニング・アルゴリズムは、並列化を念頭に構築されているので、拡張性に優れています。つまり、ビジネス上の問題を素早く解決できるということになります。人間の操作に頼るシステムには、このような拡張性も期待できません。マシンラーニングによって、絶えず人に意思決定を求める必要性は最小限に抑えられます。

最後に、マシンラーニング・アプリケーションは、ほかのタイプの高度分析よりも低コストでの運用が可能です。多くのマシンラーニング技術は、単一の高価なハイエンド・プラットフォームではなく、複数のマシンに容易に拡張できます。

5.マシンラーニングを始める

マシンラーニングへのステップアップを成功させるには、まず、このテクノロジーが明確な数値で計測可能なインパクトを与えることのできるビジネス上の問題を特定します。妥当なプロジェクトを特定したら、スペシャリストを配置し、思考と実行の方法をシステムに教える適切な技術を選択します。以下のようなメリットがあります。

教師あり学習: システムに入力と出力の例を与え、一般的な動作のルールを形成するタスクを課します。例えば、主要なブランドのレコメンデーション・システムでは、教師あり学習を使用して、提案の妥当性を向上し、売上を拡大しています。

準教師あり学習: 一般に少量のラベル付きデータ (「正解」を添付) と大量のラベルなしデータをシステムに与えます。このモードには教師あり学習と同じユースケースがありますが、データコストが低いため、かかるコストは低くなります。通常、入力データが時間とともに変化すると予想される場合に最適な選択肢です。例えば、商品取引、ソーシャルメディア、天気情報などに利用されます。

教師なし学習: この場合、システムは構造とパターンを探してデータを検討するだけです。このモデルを使用すると、それ以外の手法では発見できないパターンを発見できます。例えば、店舗での購買行動パターンから商品配置の変更を促して売上を向上するといった事例があります。

強化学習: この方法では、変化するインタラクティブな環境にシステムを配置し、タスクを与え、「罰」と「報奨」の形でフィードバックを提供します。この技術は、オブジェクトを識別するための工業用ロボットのトレーニングに使用され、大きな成功を収めています。

プロジェクトにかかわらず、企業が分析でマシンラーニングを効果的に活用できるまで進歩するかどうかは、この基本的な手法の習得にかかっています。

6.インテル: パワフルなプロセッサーはほんの手始め

インテルは、高速パフォーマンスを必要とする実際のアプリケーションでマシンラーニングが機能するよう企業を支援しています。プロセッサー、ソフトウェアの最適化、開発者向けのサポートを含む体系的なアプローチと業界パートナー企業との巨大なエコシステムにより、その支援を行っています。

マシンラーニングには、高いコンピューティング処理能力が必要です。インテル® Xeon® プロセッサーは拡張性の高い基盤を提供し、特にインテル® Xeon Phi™ プロセッサーは、マシンラーニングに特有の高度並列ワークロードや、マシンラーニングのメモリーおよびファブリック (ネットワーク) のニーズ向けに設計されています。インテルのハードウェア・テクノロジーには、プログラマブル・アクセラレーターと固定アクセラレーター、メモリー、ストレージ、およびネットワーキング機能も組み込まれています。

さらに、インテルは、IT 部門がビジネスの問題からソリューションへと効果的かつ効率的に移行できるようソフトウェア・サポートを提供しています。このサポートには次のものが含まれています。

  • インテル® Xeon® プロセッサー上で最適化されたビルディング・ブロックを備えたライブラリーと言語:これにはインテル® マス・カーネル・ライブラリー (インテル® MKL)、インテル® データ・アナリティクス・アクセラレーション・ライブラリー (インテル® DAAL)、および Python* 向けインテル® ディストリビューションが含まれています。
  • 開発を簡素化する最適化されたフレームワーク (Apache Spark*、Caffe、Torch、TensorFlow* など)。インテルは、オープンソースのソフトウェアと商用ソフトウェアの両方を採用して、最新のプロセッサーやシステム機能が市販され次第企業が利用できるようにしています。
  • ソフトウェア開発キット (SDK) (インテル® Nervana™ テクノロジー、TAP、インテル® ディープラーニング SDK など):これによってアプリケーション・インターフェイスのセットが提供されるので、開発者はすぐに最適なマシンラーニング・アルゴリズムを活用できます。

最適化に関しては、インテルは複数のアプローチを取っています。インテル製ハードウェア上でマシンラーニングのコードをより高速で実行する方法を顧客やベンダーパートナーに伝えるだけでなく、一部の学習機能をシリコンに実装して確実に高速化させています。

最後に、インテルのエンジニアは絶えず現場に出て、IT 部門や事業部門のマネージャーと対話し、マシンラーニングに基づく予測分析によって実際のビジネス上の問題をどのように解決できるかについて洞察を獲得しています。