ビジネス戦略において機械学習を使用する時と使用しない時の選択
ビジネス戦略において機械学習を使用するかどうかの選択
機械学習に頼ることは、見えない危険につながる可能性があります。機械学習モデルを採用して情報を得て意思決定する際の利点と課題を探求してください。
これは明らかな質問ではありません。初心者のデータサイエンティストにとって、すぐに機械学習モデルを導入することは間違いです。
実際、単純なルールベースのソリューションは効率的で実装が容易であり、大量のコストを節約できます。
さまざまな産業で機械学習の採用が増えるにつれ、このアプローチを利用できる場所では必ずしも使うことを望む傾向があります。
機械学習は確かに強力ですが、すべての問題を解決できる魔法の呪文ではありません。
この記事では、いつ機械学習を使用するか、プロジェクトを始める前に自分自身に問いかけるべき質問、そして利用可能なさまざまなアプローチを探求します。
始める前に、一般的な機械学習ベースのソリューションが何をするのか見てみましょう。
機械学習は、既存のデータから複雑なパターンを学ぶアプローチです。それらのパターンを使用して未知のデータについて予測を行います。
パターンを学ぶとはどういう意味ですか？この部分について話し始め、データと予測の作成に触れます。
この旅のすべては、機械学習に基づくプロジェクトを開発する際に考慮すべき異なるトレードオフの説明で終わります。
では、始めましょう。
パターン学習
機械学習モデルは、データを観察することで「学習」する能力により、技術者と非技術者の両方を引き付けます（したがって、教師あり学習という用語があります）。
機械学習についてもっと詳しく読みたい場合は、以下の記事を読んでください👇
機械学習とは何か：初心者に概念を説明する方法 | Andrea D’Agostino | Towards Data Science (VoAGI.com)
教師あり学習では、システムは入力と出力のペアの関係を学び、述べられた関係をできるだけ説明する数学関数を再構築します。
たとえば、地域の不動産価格を予測するための機械学習モデルを作成したい場合、入力（家の特徴、例えば庭の有無、暖炉の有無、平方メートル数など）と出力（価格）に基づいてモデルを訓練する必要があります。
対象となるモデルは、さまざまな家の特徴を使用して、これらの特徴に関連付けられた価格を理解するために訓練されます。適切に訓練された後、データサイエンティストは物件の特徴を提供するだけで価格を受け取ることができます。
これはすべて素晴らしく興味深いですが、考慮すべき制約があります：
パターンが存在する場合にのみ、機械学習システムは本当に役立ちます。
実際には、まともな人はサイコロの次の出目を予測するために資金やリソースを開発するために行くことはありません。それはランダムであり、モデルは何も学びません！
これは私たちの前に別の問いを投げかけます：データに実際にパターンが存在するかどうかをどのように知るのでしょうか？
これはしばしば完全に見落とされる質問であり、存在しないものを機械学習モデルに見つけさせる責任が委ねられます 。パターンは実際に存在するかもしれませんが、データセットが不完全であるか十分に豊かではないためにそれが浮かび上がらない場合もあります。
もし私たちの解決策がExcelのピボットテーブルで正しく表現できるならば…何も問題ありません。機械学習モデルは必要ありません。
したがって、簡単な操作の結果を予測したい場合、スクリプトを使って自動化できるか、パターンが存在しないかランダムであることを知っている場合、機械学習モデルは必要ありません。
ただし、パターンが複雑で人間にとって処理が難しい場合（例えば、物件の数百の特徴を価格にマッピングする場合など）、機械学習はおそらく役立つでしょう。
データによって制約される
機械学習はデータに依存しているため、まずはそのデータが存在することが重要です。
私はよく、低品質で信頼性の低いデータに基づいて機械学習システムを設計するために時間とリソースを投資する顧客に出会います。
これは中心的なテーマです: 機械学習システムは、モデル化したい現象に関する情報を確実に含んでいることがわかっている品質の高いデータが存在する（または取得できる）場合に考えられるべきです。
データがなくても機械学習を使用できる場合もあります。それが継続的学習の場合です。この場合、機械学習モデルは本物のユーザーデータが通過するたびに本番環境で学習されます。このようなモデルは最初は性能が低くなりますが、徐々に改善されます。
予測があまりにも「間違っている」とき
機械学習システムは予測問題を解決します。予測するとは、将来の何かの値を推定することを意味します。
しかし、時にはこれらの予測に満足していません。
「モデリング」という用語について考えてみましょう：
- 子供は砂で城を「モデル化」します
- 製菓師はお菓子を作るために「型」を使用します
- 鍛冶屋は型を使用してハンマーやトングなどの道具を作ります
データサイエンティストは過去を使って未来を形作ります。
データは私たちの金属であり、機械学習は私たちの型です。
さて、データの品質に基づいて、私たちのモデルは将来に入ってくる他の未知のデータにも適合するような「形」を一般化することができます。
しかし、非常に大きな形は私たちのデータに適合することができますが….
予測の誤差のテーマが登場します。
機械学習モデルを評価する際には、ビジネスと非ビジネスのメトリックを使用します。有効かつ適切な評価メトリックを使用することで、機械学習システムを正しく管理および評価することができます。
したがって、ビジネスに明確な評価メトリックを持つ予測システムを評価する方法を理解することは重要です。
たとえば、住宅価格予測の問題では、MAE（平均絶対誤差）などのメトリックを使用することが有益であり、非技術者でも理解しやすいメトリックです。
これにより、パフォーマンスを解釈することが容易になるため、MLシステムを適切に実装することができます。
すべてを自動化しましょう！
毎日同じタスクを繰り返し行い、それがパターンで構成されている場合、機械学習を考慮することは正しいことです。
以前何度か書いたように、データサイエンティストは自動化を可能にする存在です。
実際、良い問題設定はMLによってビジネス経済を大幅に改善することができます。
繰り返し発生する構造化データや予測可能なロジックに従うデータがあることを特定できれば、機械学習はそれらのタスクを自動化するモデルを構築するのに役立ちます。これにより、貴重な時間とリソースが節約され、人為的なエラーも減少します。
機械学習による自動化は日常のタスクを単純化するだけでなく、データに隠れた洞察を明らかにし、戦略的な意思決定に貴重な洞察を提供することもあります。
さらに、自動化する必要がある量も考える必要があります。
1日にいくつもの操作を自動化する必要がある場合（数百から数万のオーダー）、確かに機械学習は私たちを助けることができます！
予測のコスト
予測について再び話しましょうが、今度は金銭的な観点で考えます。
ここでも明確にしておきましょう: 私たちのモデルは常に間違いを cometerます。大きなもの、小さなもの、でもいつも間違います。
大きな予測誤差のコストが低い場合、機械学習は問題の解決策として考慮に値します。
レコメンデーションエンジンの例です：
- モデルは人間の行動に基づいてトレーニングされます
- モデルはレコメンデーションを提供します
- ユーザーはレコメンデーションに従うかどうか選択します
ユーザーがレコメンデーションを選択しない場合、何も起こりません！ 誤った予測のコストはほぼゼロです。
逆に、ユーザーがそのレコメンデーションのおかげで何かを購入する場合、ユーザーと店舗オーナーの両方が満足します。ビンゴ。
医療分野では逆の状況です: モデルによるX線の診断における重篤な病気の予測の誤りは非常に高いコストをもたらします。その場合、結果は壊滅的なものになる可能性があります。自動運転も同様です。
これらの最後の2つのケースにおいて、機械学習を診断ツールとして使用するか、あるいは自動操縦として使用するかは、除外すべきではありません。ただし、（診断の際に支援を受ける医師や、自動操縦を解除して車を制御するドライバーなどのように）人間がプロセスにどの程度関与しているか、およびこれらのメカニズムが世界の総合的な進歩に与える影響を考慮する必要があります。
結論
機械学習の導入には、慎重かつ情報に基づいた評価が必要です。そのためには多額の費用と、複数の専門家からの高度なスキルが必要とされるためです。
私たちは、機械学習をすべての問題の解決策と考える誤りを犯すべきではありません。むしろ、特定の文脈で使用するための強力なツールとして考えるべきです。
会社で機械学習のフローを実装することに興味がありますが、どのソリューションを導入すべきか分からない場合は、ぜひご相談ください！
私はあなたの選択肢を具体的な状況に合わせてサポートし、最適な方向に導くことができます（ただし、この記事では既に多くの疑問が解消されたはずです！）
近いうちにお会いしましょう。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
