事例でわかる機械学習実装の最適解、よくある「3つの課題」を解決せよ

ありがとうございます！
いいね！した記事一覧をみる

会員になると、いいね！でマイページに保存できます。

データをビジネスの源泉とすべく、機械学習の導入が各社で進んでいる。しかし実際に取り組んでみるとそこにはさまざまな課題があることに、多くの企業が気づくだろう。点在するツールにデータのサイロ化、そして何よりスピード不足……こうした課題を乗り越えて、真にデータ時代を生き抜く組織になるには何が必要なのか。「小売×AI」の研究を進めているリテールAI研究会の担当者の証言も交えながら、これから必要とされる新たなアーキテクチャを説明する。

機械学習実践に失敗する企業も多い。データ時代の“勝ち組”になる方法は

（Photo/Getty Images）

広がる機械学習のビジネス適用、現場が抱える3つの課題

　「データは21世紀の石油」という表現が誇張ではないことは、米ナスダック市場を見れば分かる。アップル、マイクロソフト、グーグル、アマゾン、フェイスブック、テスラの6社だけで、市場トップ100社の総時価総額の約50％を占めるのである。これらの企業の最大の特徴は、膨大なデータを持ち、かつ有効活用していることだ。

　この現実を受けて、多くの企業がデータの活用に取り組んでいる。そこで欠かせないテクノロジーが「機械学習」である。ECサイト等でおすすめ商品を提案するレコメンデーションエンジン、需要の予測、IoTのセンサーデータの活用など、さまざまな業種・業界で機械学習の活用がすすんでいる。

　しかし、企業が実際に機械学習に取り組もうとすると、「3つの課題」に直面する。

　1つ目はデータが低品質でサイロ化していることだ。複数のシステムにデータが分散し、かつ整備されていなければ、機械学習にかけること自体が難しい。2つ目は大量のツールが必要になることだ。複数のツールやフレームワークを組み合わせて、チームとして機械学習に協調して取り組むことは、決して容易ではない。

　そして3つ目がデプロイだ。機械学習でモデルを作ったら、それを顧客に使いやすい形で本番環境に実装する必要がある。さらに、環境の変化に合わせて、モデルを更新し続けなければならない。そのPDCAサイクルを回すのに数ヶ月もかかるようでは、とても機械学習を活用することはできないだろう。

この記事の続き >>

・機械学習の課題を一気に解決する新しいアーキテクチャとは？

・Microsoft Azure上で機械学習を効率化する手法

・リテールAI研究会事例、「現場が使える機械学習」を実現

・あらゆる業界の「AIの民主化」に貢献する