該当する結果がありません

一致する検索結果がありませんでした。

機械学習とは?

機械学習とは?

機械学習とは、人工知能(AI)の一分野であり、データに基づいて学習する(またはパフォーマンスを改善する)システムを構築することに主眼を置いている技術です。人工知能は、人間の知能を模倣したシステムや機械を指す、広い意味の言葉です。機械学習とAIは一緒に語られることが多く、両方の単語が同じ意味で使われることもありますが、厳密には同じ意味ではありません。重要な違いは何かと言うと、機械学習のすべてはAIですが、AIは必ずしも機械学習ではないということです。

現在、機械学習は私たちの周りのあらゆる所で使用されています。銀行を利用する際にも、オンライン・ショッピングをする際にも、またソーシャル・メディアを使用する際にも、そのやりとりを効率化し、スムーズで安全なものにするために、機械学習のアルゴリズムが使用されています。機械学習とそれを取り巻くテクノロジーは急速に発達していますが、私たちはまだ、その機能の進化の入り口に立っているにすぎません。

 

「これまで、人々が連携して作業するのには困難がつきものでした。Oracle Analytics Cloudに機械学習を追加すれば、ユーザーは業務を系統立てて整理し、データ・モデルを効果的に構築し、トレーニングし、デプロイできるようになります。これは、プロセスを迅速化し、様々なビジネス部門のユーザーが連携しながら、より高品質なモデルをデプロイできるようにするためのコラボレーション・ツールです。」

—Oracle Analytics 製品戦略担当バイス・プレジデント リッチ・クレイトン

2つの学習アプローチ

アルゴリズムは、機械学習を動かすエンジンのようなものです。今日一般的に使用されている機械学習アルゴリズムには、主に2つの種類があります。教師あり学習と教師なし学習です。両者の違いは、予測を行ううえでどのようにデータを学習するかにあります。

教師あり機械学習

教師あり機械学習は、最も広く使用されているアルゴリズムです。このモデルでは、データ・サイエンティストがガイド役となり、どのような結論を出すのかをアルゴリズムに教えます。子供が絵本を見て果物の区別を覚えるように、アルゴリズムは、すでにラベル付けされ、出力が事前定義されたデータセットを使ってのトレーニングを行います。

教師あり機械学習の例としては、線形回帰やロジスティック回帰、マルチクラス分類、サポート・ベクター・マシンなどがあります。

教師なし機械学習

教師なし機械学習では、より自律的なアプローチが使用されます。これは、人間が細かいガイドを継続的に与えるのではなく、コンピュータが複雑なプロセスやパターンを学習して、それらを識別できるようにするというアプローチです。教師なし機械学習では、ラベルや定義済出力のないデータを使ってトレーニングを行います。

先ほどの子供のたとえで言うと、教師なし機械学習は、子供が先生の助けを借りて名前を覚えるのではなく、色や模様を観察しながら果物を識別できるようになるのに似ています。つまり、画像の類似点を探し、それらをグループに分類して、各グループに独自の新しいラベルを割り当てるのです。教師なし機械学習アルゴリズムの例としては、K平均クラスタリング、主成分分析や独立成分分析、相関ルールなどがあります。

アプローチの選択

あなたのニーズに最適なアプローチはどれでしょうか?通常、機械学習のアルゴリズムとして教師あり学習と教師なし学習のどちらを選ぶかは、データの構造と量に関連する要因や、そのアプローチを適用するユースケースによって決まります。機械学習は幅広い業種で活用されており、様々なビジネス目標やユースケースに役立てられています。以下に示すのはその例です。

  • 顧客生涯価値
  • 異常検出
  • 動的な価格設定
  • 予知保全
  • 画像分類
  • レコメンデーション・エンジン

ビジネス目標: 顧客生涯価値のモデリング

顧客生涯価値のモデリングは、Eコマース・ビジネスにとって不可欠なものですが、その他の様々な業種にも適用可能です。このモデルでは、最も重要な顧客を特定し、理解し、維持するために、機械学習アルゴリズムが使用されます。これらの価値モデルでは、膨大な顧客データを評価して、消費額の多い顧客や、ブランドの熱烈な支持者、またはそれらの性質の組み合わせを特定します。

顧客生涯価値モデルは、個人の顧客が特定の期間にもたらす将来的なビジネス収益を予測するのに特に効果的です。これらの情報を活用することで、企業は収益性の高い顧客に対してマーケティング活動を重点的に行い、自社ブランドの情報により頻繁に触れてもらうことができます。また、顧客生涯価値モデルは、収益性の高い既存の顧客に類似した新規顧客を特定するのにも役立ちます。これにより、顧客獲得のための費用をそれらの顧客に重点的につぎ込むことが可能になります。

ビジネス目標: 顧客チャーンのモデリング

新規顧客の獲得には、満足度やロイヤルティの高い既存顧客を維持する場合よりも多くの時間とコストがかかります。顧客チャーンのモデリングは、自社との関わりを断つ可能性が高い顧客を特定するのに役立ちます。

チャーン・モデルを効果的に使用すれば、機械学習アルゴリズムを使って、それぞれの顧客のチャーン・リスク・スコアやチャーン要因に関するインサイトを取得し、重要度順にランク付けすることができます。これらのデータは、アルゴリズムに基づく顧客維持戦略を開発するための鍵となります。

顧客チャーンに関する詳細なインサイトを取得して、割引オファー、Eメール・キャンペーン、およびその他のターゲット別マーケティング・イニシアティブを最適化すれば、収益性の高い顧客の維持や、一度離れた顧客の回復を促進することができます。

ビジネス目標: 動的な価格設定によって製品の価格を柔軟に設定する

近年では、消費者の選択肢がかつてないほど増え、消費者が様々なチャネルを通じて、価格を即座に比較できるようになりました。動的価格設定(需要価格設定)は、目まぐるしく変わるマーケティング動向に効果的に対応するのに役立ちます。これにより企業は、ターゲット顧客の関心度や、購入時点での需要、マーケティング・キャンペーンへの参加履歴など、各種の要因に基づいて、品目の価格を柔軟に設定することができます。

このようなビジネス上の俊敏性を確保するには、しっかりとした機械学習戦略を整えるだけでなく、商品やサービスに対する顧客の購買意欲が状況に応じてどのように変化するかを、膨大なデータによって把握する必要があります。動的価格設定モデルは複雑なものになる場合もありますが、航空業界やライドシェア・サービス業界などの企業では、動的な価格最適化戦略を効果的に導入して、収益を最大化しているケースがあります。

ビジネス目標: 顧客をセグメント化しターゲティングする

マーケティングを成功させるには、適切な製品を、適切なタイミングで、適切な顧客に提供することが重要です。顧客をセグメント化する場合、少し前までは、マーケターが自分の直感で顧客を分類し、ターゲット別キャンペーンのグループに分けていく必要がありました。

今日では、機械学習が一般化してきたことで、データ・サイエンティストがクラスタリングや分類のアルゴリズムを使い、特定の性質に基づくペルソナに顧客をグループ分けできるようになりました。これらのペルソナでは、人口統計、閲覧行動、親和性など、複数のディメンションで顧客の特性をグループ化できます。これらの特性を購買行動のパターンに結びつけることで、企業は高度にパーソナライズされたマーケティング・キャンペーンを展開し、汎用的なキャンペーンよりも効果的に売上を促進することができます。

ビジネスに利用できるデータが増え、アルゴリズムが洗練されていくほど、パーソナライズの機能は向上し、理想的な顧客セグメントを高精度に特定できるようになります。

ビジネス目標: 画像分類のパワーを活用する

機械学習は、小売、金融サービス、Eコマース、その他様々なユースケースに活用できます。また、科学、医療、建設、エネルギー分野のアプリケーションにも計り知れない可能性をもたらします。たとえば、画像分類に機械学習アルゴリズムを使用すれば、固定のカテゴリ・セットから、任意の入力画像にラベルを割り当てることができます。2Dのデザインに基づいて3Dの建築プランをモデリングしたり、ソーシャル・メディアに投稿された写真のタグ付けを強化したり、医療診断情報の提供に利用するなど、様々な用途が考えられます。

画像分類では、ニューラル・ネットワークなどのディープ・ラーニング手法がよく使用されます。これによって、複雑な画像から関連する特性をきわめて効果的に特定できるためです。たとえば、視点、照明、大きさの違いや、画像に写っている余計なものなどを認識し、それらの問題を軽減して、きわめて最適かつ高品質なインサイトを提供することができます。

ビジネス目標: レコメンデーション・エンジンを使って顧客エクスペリエンスを改善する

レコメンデーション・エンジンは、クロスセルやアップセルに不可欠な機能であり、顧客エクスペリエンスの改善にも役立ちます。

Netflixは、レコメンデーション・エンジンを使ったお薦めコンテンツ機能によって年間10億米ドルの収益効果が出ていると評価しています。またAmazonも、同様のシステムによって年間売上が20から35パーセント増加しているとコメントしています。

レコメンデーション・エンジンでは、機械学習アルゴリズムを使用して膨大なデータを精査し、顧客が商品を購入する可能性や、コンテンツが顧客の好みに合っているかどうかを予測し、ユーザーへのお薦めをカスタマイズできます。これにより、高度なパーソナライズを行ってニーズに合ったエクスペリエンスを提供し、エンゲージメントを高めて、チャーンを減らすことができます。

具体的なビジネス・バリューの提供

機械学習はビジネスの様々なユースケースに活用できます。しかし、具体的にはどのようにして競争力を強化できるのでしょうか?機械学習がもたらす効果の中でも、特に大きなメリットを期待できるのが、意思決定を自動化して迅速化することにより、バリューの達成を早期化できるという効果です。そのためにはまず、ビジネスの可視性を改善し、連携性を強化する必要があります。

Oracle Analyticsの製品戦略担当バイス・プレジデントであるリッチ・クレイトンは、次のように述べています。「これまで、人々が連携して作業するのには困難がつきものでした。

Oracle Analytics Cloudに機械学習を追加すれば、ユーザーは業務を組織化し、データ・モデルを効果的に構築し、トレーニングし、デプロイできるようになります。これは、プロセスを迅速化し、様々なビジネス部門のユーザーが連携しながら、より高品質なモデルをデプロイできるようにするためのコラボレーション・ツールです。」

たとえば、企業の財務部門では多くの場合、差異分析プロセスを繰り返し行って、実際値と予測値を比較する作業が日常的に発生します。このような単純作業は、機械学習を利用することで大幅に効率化することができます。

クレイトンは次のように述べています。「機械学習を組み込めば、財務業務をより迅速かつスマートに実行し、機械がやり残した部分を選択的に作業できます。」

機械学習がもたらすもう1つのすばらしい機能として、予測機能があります。かつて、ビジネス意思決定の多くは、過去の結果に基づいて行われていました。今日では、機械学習によって高度な分析を実行し、今後起こることを予測できるようになりました。これにより企業は、過去のデータに頼るのではなく、将来を見据えた先見的な意思決定を行うことができます。

たとえば、製造業やエネルギー業の企業では、予知保全を使用することで、業務の運営状況を直感的に把握し、その信頼性と最適性を維持することができます。数百本単位のドリルを稼働している油田などで機械学習モデルを使用すれば、近い将来に故障するリスクがある設備を特定して、メンテナンス・チームに事前に通知することもできます。このアプローチは、生産性を最大化できるだけでなく、資産のパフォーマンス、稼働時間、および寿命を改善することにもつながります。また、作業員のリスクを最小化し、債務を減らし、法規制へのコンプライアンスを改善することもできます。

予知保全は、在庫管理にもメリットをもたらします。予知保全によって計画外の設備停止を回避すれば、スペア・パーツや修理の必要性をより正確に予測し、資本経費や運営経費を大幅に削減できます。

機械学習は、現在利用できる膨大なデータからビジネスバリューを引き出すうえで、計り知れない可能性をもたらします。しかし、ワークフローが効率的でないと、機械学習の可能性を最大限に実現することは困難になります。

エンタープライズ規模の成功を達成するには、機械学習を包括的なプラットフォームの一部に組み込み、組織の運営を簡素化して、モデルをスケーラブルにデプロイできるようにする必要があります。適切なソリューションを使用すれば、すべてのデータ・サイエンス業務を連携的なプラットフォーム内に一元化し、オープンソースのツール、フレームワーク、インフラをスピーディに使用して、管理できるようになります。

人工知能に関する学習ライブラリ

人工知能とは?
人工知能について詳しく知る

人工知能(AI)は、テクノロジーや機械を通じてデータを処理することで、人間のタスクを学習し、自ら進化しながら、それらを実行できるようにする技術です。

データ・サイエンスについて詳しく知る
データ・サイエンスについて詳しく知る

ビジネス界では、統計学に機械学習や人工知能などのコンピュータ科学の概念を積極的に組み合わせることで、ビッグデータからインサイトを抽出し、意思決定を変革しようとする動きが進んでいます。

ニュースと評価
ニュースと評価

機械学習、人工知能、およびデータ・サイエンスは、複雑な問題に対する企業のアプローチに変化をもたらし、各業種における従来の方法を変えつつあります。最新の記事を読んで、これらのテクノロジーに対する企業のアプローチを確認しましょう。