機械学習のビジネスガイド

機械学習（ML）は、自然言語処理（NLP）からディープラーニングなどに至るまで、最も一般的なビジネステクノロジーの多くの側面に参入しています。 MLは人工知能（AI）革命の1つの要素にすぎませんが、重要な要素です。 MLアルゴリズムは、使用する製品に組み込まれている重要なインテリジェンスレイヤーであり、将来、より多くのユースケースに忍び寄るだけです。

MLアルゴリズムは、私たちが毎日使用する多くのテクノロジーのファブリックに組み込まれています。 コンピュータービジョン、ディープラーニング、NLPなどに及ぶMLの革新は、実用的なAIをめぐる大きな革命の一部です。 それらは自律型ロボットや感覚的な存在ではなく、アプリ、ソフトウェア、クラウドサービスに統合され、AIアルゴリズムと表面下のビッグデータを組み合わせた一種のインテリジェンスです。

この傾向はビジネスにおいてさらに顕著です。 MLは、データサイエンティストのチームが実施する特別な研究プロジェクトだけに使用されることはなくなりました。 企業は現在、MLを利用して、増え続けるデータ量から実用的なビジネスインテリジェンス（BI）と予測分析を獲得しています。 MLが何であるかを知ることだけでなく、それを具体的な価値のためにどのように使用するかについて最も効果的な戦略を学ぶこともこれまで以上に重要である理由です。

Ted Dunning博士は、企業にビッグデータの配布とデータ管理ツールを提供するMapRのチーフアプリケーションアーキテクトであり、「Practical Machine Learning」と呼ばれるものについて2冊の本を共著しています。 シリコンバレーのベテランは何十年もこの分野で働いており、AI技術と宇宙が進化して、コグニティブコンピューティングの進歩とオープンソースツールの可用性がMLを真に主流に持っていくようになりました。 DunningはPCMagに話を聞き、専門用語を切り抜け、MLの実際の意味を説明し、企業がML投資を最大限に活用するための知恵とベストプラクティスを伝えました。

実用的な定義

MLの明確な定義は、明示的なプログラミングなしで、システムが行動し、繰り返し学習し、調整する能力をシステムに与えています。 Dunningは、MLは統計のブランチですが、非常に実用的なブランチだと言いました。 彼は、現実のビジネス環境では、それをどのように適用するかについて実用的で現実的である必要があると強調しました。 MLのコアタスクは、反復可能で、信頼性が高く、実行可能なビジネスプロセスを作成することです。

「機械学習とは、科学データを振り返り、どの結論が実行可能かを判断しようとすることではありません」とDunning氏は述べています。 「将来を予測し、さまざまなシナリオで今後何が起こるかを予測することです。このデータを使用してビジネスを行うということになると、複製可能性が必要な非常に限られた状況について話します。」

画像クレジット：Futurism.comのTodd Jaquith クリックして完全なインフォグラフィックを展開します。

ディープラーニングと安価なラーニング

その基本的な考え方をML内のいくつかの異なるフィールドに分解することができますが、Dunningはスペクトルの両端で特に深層学習と彼が「安い学習」と呼ぶものの2つを指摘しました。 ディープラーニングは、より複雑な概念です。

「機械学習をより深くしたかったのです。それがこの用語の起源です」とDunning氏は言います。 「過去10年または15年にわたって、実際にそれを行う技術が開発されてきました。以前は、データの関係をアルゴリズムから見えるようにするために多くのエンジニアリング作業が必要でしたが、長い間、私たちほど賢くありませんでしたこのおいしいデータをプレートにアルゴリズムを渡さなければならなかったので、システムが現在独自に行っているこれらの機能をすべて手動でコーディングしていました。」

ディープラーニングは、ニューラルネットワークに関するイノベーションの多くが存在する場所です。 コンピュータービジョンやNLPなどの高度な技術を「より深い」学習のレイヤーに組み合わせ、画像やテキストの認識などの分野で大きな進歩をもたらしました。 これは複雑なモデリングには適していますが、確立されたMLフレームワークとはるかに少ないパラメーターを使用した手法に頼ることができる、よりシンプルで日常的なビジネス用途には過剰すぎる場合があります。

Dunning氏によると、安価な学習とは、車輪を再発明するために企業が高価なリソースを投資する必要のない、シンプルで効果的な実証済みのテクニックを意味します。

「コンピューティングにおいて、私たちはぶら下がりの実について多くのことを話します。データの可用性と計算能力の大幅な増加は、ツリー全体を下げたことを意味します」と彼は説明しました。 「単純な機械学習は、もはやデータサイエンティストだけのものではありません。」

安価な学習の仕組み

基本的なMLアルゴリズムは、相関を識別して推奨事項を作成したり、エクスペリエンスをよりコンテキストに合わせてパーソナライズしたりできます。 Dunning氏によると、コンピュータとやり取りする方法のほぼすべての面で、安い学習を使用して単純に物事を改善する機会があります。

実際の安価な学習の一例は、不正検出です。 銀行と商人は広範囲に渡る詐欺に対処していますが、それはしばしば分散され、報告されないほど十分に低い価値に関するものです。 Dunningは、安価な学習アルゴリズム（つまり、この特定のタスク用にプログラムされた既存のMLテスト）を使用することで、商人はユーザーを危険にさらす共通の妥協点をより簡単に特定し、そうでなければ詐欺パターンをキャッチできると説明しました見える。

「詐欺につながるデータを漏らしている商人を見つけたいとします。G2テストを使用すると、詐欺の被害者と詐欺のない消費者の取引履歴で、どの商人が過大評価されているかを簡単に見つけることができます」前記。 「これは機械学習と呼ぶには単純すぎるように思えますが、実際の生活では悪人を見つけます。この手法の拡張を使用すると、より高度な手法を強化して、そうでなければ失敗する可能性のある単純な学習アルゴリズムを成功させることができます。」

安価な学習はあらゆる種類のさまざまな方法で使用できるため、Dunningはオンラインビジネスでの使用方法の別の例を示しました。 この例では、既存のMLアルゴリズムが簡単なコメントのランク付け問題をどのように解決できるかを説明しました。

「多数のコメントが掲載された記事があるとします。どのような順序で配置する必要がありますか。興味深い人々の意見に応じてコメントを並べるのはどうですか。コメントを読んだ回数と、多くの場合、彼らはそれを支持しますが、まだ少しの魔法が必要です」とダニングは言いました。

「1人の読者からの1つのアップ投票は、おそらく10人の読者のうち8人のアップ投票よりも実際には良くないだろう」と彼は説明した。 「さらに悪いことに、初期の勝者を上に置いた場合、他のコメントは日の目を見ることはないので、それについて学ぶことはありません。トンプソンサンプリングと呼ばれるほんの少しの機械学習は、新しいコメントに関するデータを収集する方法でこれを解決できますランキングは不明確ですが、通常はユーザーに最高のエクスペリエンスを提供する方法でランキングします。」

また、Dunningは、ビジネスでMLを最大限に活用するための一連のベストプラクティスも提示しました。 ロジスティクス、データ、さまざまなアルゴリズムとツールがビジネス戦略を成功に導く要因の内訳については、機械学習の成功の7つのヒントをご覧ください。

2018年以降：MLの現在

おそらくこれは驚くことではないかもしれませんが、ビッグデータと関連するデータベース領域は控えめに言っても急速に成長しています。 サンノゼで開催されたBigData SV 2018カンファレンスで、技術アナリスト会社Wikibon ResearchのチーフリサーチオフィサーであるPeter Burrisは、グローバルビッグデータ業界の収益が2017年の350億ドルから2018年には420億ドルに増加すると推定されることを示しました。その上、Burrisは2027年までに収益が1, 030億ドルに達すると予測しています。

このすべてのデータを効果的に処理するには、現在よりもスマートMLソリューションがさらに必要になります。 MLが近い将来、ホットなトピックであり続けることは明らかです。 1年前にMapRのDunningと最後に話したとき、彼はビジネス向けのMLに対して計算された現実的なアプローチを取ることを強調しました。 しかし、テクノロジーの話をしているのは1年という長い年月です。 私たちは最近Dunningに追いつき、彼によると、物事は前回の会話からほぼ同じままでした。 「その高いレベルでは、大きな変化はありませんでした」とDunning氏は述べています。 「証拠から推論することの基本的な考え方は、確かに昨年の間はニュースではありませんが、ツールの一部が変更されました。」

それを念頭に置いて、Dunningは、フィールドには1年前よりも多くのプレイヤーがいると言いましたが、それは必ずしも良いことではありません。 「起こったことの1つは、「魔法の」機械学習について話しているベンダーがどんどん登場することです。 「データを製品に投入して、そこから美しい洞察を得ることができるという大きな誤解があります。」

• 機械学習が未来である理由機械学習が未来である理由
• Comet.mlは機械学習との対話方法を変更したいComet.mlは機械学習との対話方法を変更したい
• GoogleはSQLで機械学習を簡素化GoogleはSQLで機械学習を簡素化

Dunningによると、MLからの魔法の結果を期待することは「圧倒的」な場合があります。 「問題が実際に重要であるかを考える必要があります。データを収集する必要があり、システムの展開を管理する必要があります」と彼は言いました。 「そして、これらの実用的でロジスティックな現実が依然として問題を支配しています。」

Dunningは、一部のソフトウェア会社が提供する高尚なマーケティングのいくつかに問題を抱えています。 「魔法のAIのようなものはどれもそれに対処しません」と彼は言いました。 彼は企業が考慮すべきアドバイスを持っています。 彼によると、グッドプラクティスを確保する1つの方法は、特定のAIビジネスアナリストを雇用し、MLテクノロジーを使用して改善できるビジネスの側面を社内の誰かに特定してもらうことです。

「場合によっては、それはあなたのビジネスの新しい機会への拡張かもしれません」とダニングは説明しました。 しかし、ほとんどの場合、彼は、組織のニーズを理解し、その情報を使用してML戦略を導くために誰かを雇うことが重要であると強調しました。