あなたの周りにある、機械学習の一般的な使用例トップ 7!

想像してみてください。あなたはずっと夢見てきた機械学習の職種の面接を受けに行こうとしています。すべては計画通りに進まなければなりません。そうでなければ、すべては失敗します。

そこで、スマートアシスタントに次のように伝えます。

• 明日の朝7時にアラームを設定してください
• Uberを予約して面接場所まで行き、午前8時30分に迎えに来てください
• 運賃を計算する
• Googleマップで移動にかかる時間を確認する
• 最後に、面接前に確認する必要がある情報をリストアップします。

メリットは？走り回ったり、入力に時間を費やしたりする必要がないことです。仮想スマート アシスタントに指示を送信するだけで、機械学習アルゴリズムによってシステムが動作を開始します。

これはSFのシナリオではありません（機械がついに「人間の心臓」を開発することでもありません）。実際に起こっていることです。コンピューティング能力が進歩するにつれて、機械学習アプリケーションは成長を続け、私たちは真にグローバルな変革を経験しています。

そこで、今日は日常生活における機械学習の最も一般的な使用例をいくつか見ていきます (これらの例に機械学習が関係していることに気付かないこともあります)。

この記事では、次のような一般的な機械学習のユースケースについて説明します。

1. スマートフォンにおける機械学習の活用例

スマートフォンの機能のほとんどが機械学習によって実現されていることをご存知ですか?

そうです！アラームの設定やレストランの検索を手助けする音声アシスタントから、顔認識による携帯電話のロック解除などのシンプルな機能まで、機械学習は私たちのお気に入りのデバイスに本当に統合されています。

（１）音声アシスタント

先ほど触れた仮想スマートアシスタントを覚えていますか? その原理は音声認識の概念であり、これは機械学習の分野で新たなトピックとなっています。

音声アシスタントは今では一般的です。次のような一般的な音声アシスタントを使用したことがある（または少なくとも聞いたことがある）はずです。

• AppleのSiri
• Googleアシスタント
• AmazonのAlexa
• Google デュプレックス
• マイクロソフトのコルタナ
• サムスンのビクスビー

これらすべての音声アシスタントに共通するものは何でしょうか? すべて機械学習アルゴリズムを搭載しています。これらの音声アシスタントは、自然言語処理 (NLP) を使用して音声 (つまり、私たちが話す言葉) を認識し、機械学習を使用してそれを数値に変換し、それに応じて応答します。

機械学習技術が進歩し、この分野が成熟するにつれて、これらの音声アシスタントはよりスマートになるでしょう。独自の音声認識システムを構築する方法については、次の優れたチュートリアルをご覧ください。

独自の音声テキスト変換モデルを構築する方法を学ぶ (Python を使用) ポータル:

https://www.analyticsvidhya.com/blog/2019/07/learn-build-first-speech-to-text-model-python/

（２）スマートフォンカメラ

ちょっと待ってください、機械学習とスマートフォンのカメラとどう関係があるのでしょうか? 実は大いに関係があるんです。

私たちが毎日クリックする美しい画像や、その画像の奥深さにはすべて機械学習の痕跡が残っています。機械学習は、特定の画像内のすべてのピクセルを分析して、オブジェクトを検出し、背景をぼかし、さまざまな美化技術を実行します。

これらの機械学習アルゴリズムは、スマートフォンのカメラを改善および強化することができます。

• オブジェクト検出は画像内のオブジェクト（または人物）を見つけて識別することができます
• 画像の欠けている部分を埋めてください
• 生成的敵対的ネットワーク (GAN) は、特定の種類のニューラル ネットワークを使用して画像を強化し、画像がどのように見えるかを想像することで画像の境界を拡張するために使用されます。

機械学習を使用して独自のスマートフォン カメラ ソフトウェアを構築する方法についてさらに詳しく知りたいですか? 待つ必要はありません。始めるためのチュートリアルをいくつかご紹介します。

Google Pixel カメラの背後にあるディープラーニング テクノロジーをご紹介します。

ポータル:

https://www.analyticsvidhya.com/blog/2019/02/tutorial-semantic-segmentation-google-deeplab/

（３）AppleとGoogleのApp Storeからの推奨

Apple App Store と Google Play Store の両方でこの機能が推奨されています。 「おすすめ」機能は、ダウンロードした（または過去に使用した）アプリに基づいています。

たとえば、スポーツや食べ物に関連するアプリをダウンロードすると、通常は「おすすめ」で類似のアプリがプッシュされます。 Google Play ストアは、ユーザーの好みに合わせてカスタマイズでき、ダウンロードする可能性の高いアプリをプッシュします。

では、Apple ストアと Google ストアはどうやってそれを実現するのでしょうか? 4 つの大きな言葉は「推奨エンジン」です。これは現在、機械学習において非常に注目されている概念です。レコメンデーション エンジンを構築する方法は多数あります。次のチュートリアルに従って、自分に合った方法を選択できます。

• ゼロからレコメンデーションエンジンを構築するための包括的なガイド（Python で作成）

ポータル: https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/

（4）顔認証 – スマートフォン

ほとんどの人はこの機能にすでに慣れています。電話を手に取ると、顔を認識して自動的にロックが解除されます。この機能はスマートで、効率的で、時間を節約でき、非常に高度です。

多くの人が知らないのは、スマートフォンが実際にこの機能を実現するために顔認識と呼ばれる技術を使用しているということです。そして、このテクノロジーの中核となる理論は、ご存知のとおり、機械学習です。

顔認識には幅広い用途があり、世界中の多くの企業がすでにその恩恵を受けています。

• Facebookはこの技術を使って画像内の人物を識別している
• 政府が犯罪者を特定し逮捕するために使用する
• 空港では顔認識システムにより乗客や乗務員などを確認することができる。

顔認識モデルの使用は今後さらに広まるでしょう。今すぐに独自の顔認識システムを構築する方法を学んでみませんか?

顔認識の簡単なガイド（Python コードを使用）:

https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/

2. 交通分野における機械学習のユースケース

過去 10 年間で、交通における機械学習の活用は、配車アプリ (Uber、Lyft、Ola など) の台頭と相まって、まったく新しいレベルに達しました。

これらの企業は、最適なルートの計画から乗車料金の決定まで、さまざまな製品に機械学習を活用しています。運輸分野における機械学習の一般的な使用例をいくつか見てみましょう。

（１）タクシーのダイナミックプライシング

タクシー会社の大幅な値上げに腹を立てていませんか? タクシーの料金は常に上昇しているようです。なぜこのようなことが起こるのでしょうか?

実際、これは動的価格設定の概念に関連しており、機械学習の素晴らしい使用例です。これを理解するために、簡単な例を見てみましょう。

[[274780]]

あなたがタクシー会社を経営していて、顧客を引き付け、収益を増やすような方法で、市内のすべてのルートの料金を設定する必要があると想像してください。 1 つの方法は、各ルートの価格を手動で設定することです。これは明らかに理想的なアプローチではありません。

したがって、動的価格設定が重要な役割を果たします。これは、変化する市場状況に基づいて価格を調整することを意味します。したがって、料金は場所、時間帯、天候、全体的な顧客需要などの要因によって異なり、これがタクシー料金が高騰する根本的な理由です。

ダイナミック プライシングは、旅行、ホスピタリティ、輸送、物流などの多くの業界でますます人気の高いアプローチになっています。

（２）交通・通勤 - Uber

動的価格設定は、Uber のような配車サービス会社が機械学習を使用する唯一のユースケースではありません。 A地点からB地点までの最適なルートを決定するために、主に機械学習を活用します。

私たちにとって、これは単純なことのように思えます。場所と目的地を入力すると、最寄りのドライバーが迎えに来てくれます。しかし、この単純な操作の背後には、Uber の複雑なバックエンド構造とサービス ネットワークがあります。

これらの企業は、さまざまな機械学習技術を使用して乗車ルートを最適化します。

機械学習によってより速いルートを決定する方法について詳しく説明した Uber の記事をお読みください。

Uber が効率的なルートを設計する方法: https://eng.uber.com/engineering-an-efficient-route/

（３）Googleマップ

あなたはこの例を推測したに違いありません。 Google マップは機械学習の典型的な使用例です。すでに広く使用されている機能の一部を以下に示します。

• ルート: A地点からB地点まで
• ルートの推定所要時間
• ルート沿いの交通状況
• 近くのお店を探す: レストラン、ガソリンスタンド、ATM、ホテル、ショッピングモールなど

Google は、これらすべての機能を生成するために、多数の機械学習アルゴリズムを使用しています。機械学習は Google マップに深く統合されているため、アップデートのたびにルートがよりスマートになります。

ルート推定機能はほぼ完璧です。地図に目的地まで「40 分」と表示されている場合、実際には約 40 分かかることがわかります。

3. 人気のウェブサービスにおける機械学習のユースケース

この部分はきっと気に入っていただけると思います。私たちは皆、いくつかのアプリを 1 日に複数回使用します。最近まで認識されていなかったかもしれませんが、これらのアプリケーションが機能するのは、まさに機械学習のパワーと柔軟性があるからです。

ここでは、皆さんがよくご存知のユースケースをいくつか紹介します。これを機械学習の観点から見てみましょう。

（１）電子メールフィルタリング

仕事で毎日大量のメールを読んでいますか? あるいは、受信トレイがランダムなメールやスパムメールでいっぱいになっていませんか? 誰もが経験したことがあるでしょう。

メールボックスでメールの件名によってメールをフィルタリングするルールを作成できれば、はるかに簡単になります。マーケティング メールは自動的にスパムに転送されます。仕事用のメールはメインの受信トレイなどに届きます。これによって私たちの生活はずっと楽になります。

[[274781]]

実は、ほとんどのメール サービスがまさにこれを行っています。メールの件名を解析し、それに応じて分類するために機械学習を使用しています。 Gmail の場合、Google が使用する機械学習アルゴリズムは、エンドユーザー (私たち) にとってシームレスに機能するように、何百万ものメールでトレーニングされています。

Gmail ではデフォルトのメールボックス ラベルが提供されますが、ユーザーがラベルをカスタマイズすることもできます。

• メインメール
• ソーシャルメール
• プロモーションメール

機械学習アルゴリズムは、メールを受信するとすぐに、そのメールをこれら 3 つのラベルのいずれかに分類します。 Gmail がそれを「プライマリ」メールとして扱う場合、ユーザーには新しいメールがすぐに通知されます。

もちろん、Gmail も機械学習を使用してメールがスパムかどうかを判断します。この機能は気に入っています。長年にわたり、Google のアルゴリズムは、電子メールがスパムかどうかを判断する能力が向上してきました。これが、機械学習アルゴリズムに大量のデータを供給することの利点であり、Google には大量のデータがあります。

（２）Google検索エンジン

これは、機械学習のユースケースの中で最も注目されているものです。誰もが Google で検索したことがあり、ほとんどの人が 1 日に何度も検索しています。しかし、Google 検索はどのように機能するのでしょうか?

Google 検索は、乗り越えることも征服することもできない山になってしまった。 Google 検索を設計した人だけが、その仕組みを正確に知っています。確かなことは、Google が検索エンジンを強化するために機械学習を使用しているということです。

[[274782]]

Google が継続的にトレーニングし、継続的に改善しているデータの量は想像を絶するものです。 Google が過去 20 年間にどれだけの問題に対処してきたかを教えてくれる計算機は世界中どこにも存在しません。データ サイエンティストにとって、これは貴重な宝庫です。

ここで、独自の Google 検索エンジンを構築しなければならないと想像してください。どのようなルールを使用しますか? どのようなコンテンツを取り上げますか? サイトをどのようにランク付けしますか? 始めるのに役立つ投稿を次に示します。

Google ページランクについて説明します。

リンク: https://www.analyticsvidhya.com/blog/2015/04/pagerank-explained-simple/

（３）Google翻訳

Google は機械学習を使用して、ユーザーが入力した文章を理解し、要求された言語に変換し、出力結果を表示します。機械学習は Google エコシステムに深く組み込まれており、私たち全員がその恩恵を受けています。

幸いなことに、Google が翻訳エンジンを強化するために機械学習をどのように利用しているかはわかっています。以下の記事は、このトピックを理解して試すのに役立ちます。

Google 翻訳を支える技術であるニューラル機械学習による自然言語処理に関する必読のチュートリアル:

https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/

（4）LinkedInおよびFacebookでの推奨および広告

ソーシャル メディア プラットフォームは、機械学習の典型的な使用例です。 Google と同様に、これらのプラットフォームは機械学習をその構造に統合しています。ホームフィードから表示される広告まで、すべてが機械学習のおかげで機能します。

よく見かける機能の 1 つに、「知り合いかもしれない人々」があります。これは、すべてのソーシャル メディア プラットフォーム (Twitter、Facebook、LinkedIn など) に共通する機能です。これらの企業は機械学習アルゴリズムを使用して、あなたのプロフィール、興味、現在の友達、その友達の友達、その他すべての変数を調べます。

アルゴリズムは、特定のパターンに一致する人々のリストを生成できます。最後に、あなたがこれらの人々を知っているかもしれない（または少なくとも非常に似たプロフィールを持っているかもしれない）ことを願って、これらの人々をあなたに推薦します。

LinkedIn のこの機能のおかげで、多くの人とつながることができます。この機械学習の使用例は、関係者全員にメリットをもたらします。

私たちが目にする広告も同様の原理を採用しています。これらのプラットフォームは、ユーザーの好みや興味、特に最近の閲覧履歴や購入履歴を追跡し、それに合わせてカスタマイズされた広告を配信します。データサイエンスに興味があるなら、Facebook や LinkedIn の機械学習アルゴリズムがディープラーニングへの興味を刺激するかもしれません。

次回ソーシャルメディアを使用するときは、このことを念頭に置いてください。すべては機械学習のおかげです！

4. 営業とマーケティングにおける機械学習の活用事例

世界をリードする企業は、機械学習を活用して、戦略を徹底的に変革しています。最も影響を受ける2つの分野はマーケティングと販売です。

最近では、マーケティングやセールスに携わる場合、少なくとも 1 つのビジネス インテリジェンス ツール (Tableau や Power BI など) を知っておく必要があります。さらに、マーケティング担当者は、ブランド認知度や収益などを向上させるために、日常業務で機械学習を活用する方法を知っておく必要があります。

ここでは、機械学習によって業務のやり方が変わっている、マーケティングとセールスの分野でよく見られる 3 つのユースケースを紹介します。

（１）レコメンデーションエンジン

先ほど、レコメンデーション エンジンについて簡単に触れました。こうした推奨システムはどこにでもあります。しかし、マーケティングやセールスの世界では何に使われるのでしょうか? どのように機能するのでしょうか?

これをよりよく理解するために、簡単な例を見てみましょう。 IMDb（およびNetflix）が登場する前は、DVDストアに行ったり、Googleで映画を検索したりしていました。店員が何本かの映画を勧めてくるのが常で、私たちはそれまで見たことのない映画を何本か試して運試しをしていました。

[[274783]]

レコメンデーション エンジンのおかげで、運に任せる時代は終わりました。ウェブサイトにログオンすると、個人の好みや過去の閲覧履歴に基づいて製品やサービスの推奨事項が表示されます。一般的な推奨エンジンには次のようなものがあります。

• AmazonやFlipkartなどの電子商取引サイト
• Goodreadsなどの書籍サイト
• IMDbやNetflixなどの映画サービス
• makemytrip、booking.com などのホテルのウェブサイト。
• StitchFixなどの小売サービスサイト
• ZomatoやUber Eatsなどの食料品サイト

数え切れないほど。レコメンデーション エンジンはあらゆるところに存在し、マーケティング部門や営業部門は、新規顧客を引き付け (維持) するために、これまで以上にレコメンデーション エンジンに依存しています。

独自のレコメンデーション エンジンを構築する方法を学ぶには、この初心者向けチュートリアルを読むことをお勧めします。

レコメンデーション エンジンをゼロから構築するための包括的なガイド (Python):

https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/

（２）パーソナライズマーケティング

レコメンデーション エンジンは、パーソナライズされたマーケティングの全体的なコンセプトの一部にすぎません。このコンセプトの重要性は、その名前自体にあります。これは、個人のニーズに合わせて調整されたマーケティング手法です。

考えてみてください。あなたは「無料」のローンやクレジットカードを売りつけようとする人から何件電話を受けたことがありますか? これらの電話はあなたのニーズを理解しようとせず、すべて同じサービスを勧めてきます。この伝統的なマーケティングは時代遅れであり、デジタル革命に大きく遅れをとっています。

[[274784]]

さて、これらの通話のそれぞれがあなたの興味に合わせて調整されたと想像してください。あなたが買い物中毒で、買い物履歴からそれがわかる場合は、信用限度額の引き上げという新しいサービスを提案する電話を受ける可能性があります。あるいは、機械学習に興味のある人であれば、自分に合ったコースのおすすめを記載したメールを受け取るかもしれません。

実際、パーソナライズされたマーケティングの可能性は非常に大きいです。機械学習はさまざまな顧客セグメントを識別し、それぞれに合わせてマーケティング キャンペーンをカスタマイズできます。開封率、クリックスルー率などの指標を通じてキャンペーンを定期的に確認できます。

デジタル マーケティング戦略を再パッケージ化する際に役立つ次のガイドを読むことを強くお勧めします。

すべてのデータ サイエンティスト必読: デジタル マーケティングと分析の総合ガイド

ポータル: https://www.analyticsvidhya.com/blog/2018/12/guide-digital-marketing-analytics/

（３）顧客からのアフターサービス問い合わせ（チャットボット）

販売後の経験をしたことがあるなら（したことがない人はいないでしょう）、個人的な観点からこれを間違いなく理解できるでしょう。恐ろしい電話、果てしない待ち時間、答えられない問い合わせなど、これらすべてがユーザーにとってひどい体験を生み出します。

機械学習はこれらの障壁を取り除くのに役立ちます。自然言語処理 (NLP) と感情分析の概念を使用して、機械学習アルゴリズムは私たちが何を言っているのか、どのような口調で言っているのかを理解することができます。

[[274785]]

ユーザーからの問い合わせは、次の 2 つのカテゴリに分けられます。

• 音声による問い合わせ
• テキスト問い合わせ

前者の場合、機械学習アルゴリズムは顧客のメッセージや感情を検出し、顧客からの問い合わせに基づいて適切なアフターセールス担当者を再割り当てし、ターゲットを絞った方法でユーザーの問題を解決できます。

一方、テキストによる問い合わせ業務は、基本的にチャットボットが請け負います。現在、ほぼすべての企業が自社の Web サイトにチャットボットを導入しています。長い待ち時間を避け、即座に回答が得られるため、非常に実用的なエンドユーザー エクスペリエンスが実現します。

独自のチャットボットを構築する方法について、理解しやすく、読む価値のある 2 つの記事を集めました。

• Rasa を使用してチャットボットを迅速に構築および展開する方法を学びます (IPL を例に挙げます): https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/
• Python でチャットボットを構築する - 情報検索の未来: https://www.analyticsvidhya.com/blog/2018/01/faq-chatbots-the-future-of-information-searching/

5. セキュリティにおける機械学習のユースケース

機械学習はセキュリティ業界にも大きな影響を与えています。従来の警備業界では、警備員が何時間も座って車のナンバーを記録したり、不審な人物を止めたりすることがよくあるが、こうした慣行は徐々に廃止されつつある。

企業は機械学習を利用して脅威をより適切に分析し、攻撃に対応しています。これらのユースケースは、現実世界の脅威とサイバー脅威（銀行詐欺、金融脅威など）の両方に適用されます。

（１）ビデオ監視

ある国が国民を追跡するために監視を行っているという話を聞いたり読んだりしたことがあるはずです（Google で検索してみてください）。世界中の組織は、侵入者の検出、暴力の脅威の特定、犯罪者の逮捕など、さまざまなタスクを実行するためにビデオ監視を使用しています。

ただし、時間がかかりすぎるため、これらはすべて手動では行われません。代わりに、これらの監視カメラには機械学習アルゴリズム ソフトウェアが搭載されています。

[[274786]]

これらの機械学習アルゴリズムは、物体検出などのさまざまなコンピュータービジョン技術を使用して、潜在的な脅威を特定し、犯罪者を捕まえます。

セキュリティ分野における機械学習の一般的な使用例は次のとおりです。

「Sky Eye」は、群衆の中の暴力的な要素を検出できる機械学習プロジェクトです。

https://www.analyticsvidhya.com/blog/2018/06/eye-in-the-sky-is-a-machine-learning-project-that-detects-violent-people-in-crowds/

（２）インターネットセキュリティ（キャプチャテスト）

「私はロボットではありません」 – このフレーズは聞き覚えがありますか? これは、Web サイトが閲覧者がロボットであると疑ったときにポップアップ表示されるボタンです。

これらのテストは CAPTCHA と呼ばれ、完全に自動化された公開チューリングテストの略です。私たちが人間であることを証明するためには、信号、木、横断歩道、そしてさまざまな物体を認識する必要があります。

同時に、信号や木が他の物体に隠れたり、車がぼやけたり、横断歩道が遠くなったりといったさまざまな難しさもウェブサイトでは設定しています。なぜこれらのサイトは私たちにとってこんなにも難しいのでしょうか? その理由は、やはり機械学習にあります。

The Verge は次のようにうまく表現しています。

「CAPCHAテストはAIのトレーニングに簡単に使用できるため、グラフィカルテストは一時的なものに過ぎず、これはCAPCHAの開発者が当初認めていたことです。研究者、詐欺師、一般人は皆、何十億ものパズルを解いてきましたが、AIはそれを楽々とこなすことができます。いつか、これらのマシンは私たちを追い抜くでしょう。」

そこで Google は機械学習を利用して CAPTCHA テストの解読を困難にしています。研究者たちは画像認識技術を使ってこれらの CAPTCHA テストを解読し、バックエンドのセキュリティを強化しています。

6. 金融における機械学習のユースケース

機械学習の職種のほとんどは金融分野にあります。それは当然です。結局のところ、金融は究極のデジタル領域なのです。最近まで、多くの銀行機関は、数字を計算するために、単純な機械学習アルゴリズムであるロジスティック回帰を使用していました。

金融分野では機械学習の使用例が数多くあります。ここで、遭遇する可能性のある 2 つの一般的な使用例を見てみましょう。

（１）銀行詐欺の摘発

クレジットカード詐欺の被害に遭ったことがありますか? それは辛い経験です。銀行が記入を求める書類の量が増えると、詐欺の影響がさらに大きくなります。

幸いなことに、機械学習はさまざまなレベルでこの問題に対処しています。不正行為の検出から不正行為の防止まで、機械学習アルゴリズムは銀行の業務方法を変え、顧客体験を向上させています。

現在の課題は、サイバー脅威のレベルに追いつくことです。こうしたサイバー攻撃者は、あらゆる段階で私たちより一歩、あるいは二歩も先を進んでいます。最新の機械学習ソリューションが登場すると、攻撃者は新しいソリューションに基づいて手法を改良するでしょう。

[[274788]]

それでも、機械学習はプロセスの効率化に役立ちます。これらのアルゴリズムは不正な取引を識別してフラグを立てることができるため、銀行はできるだけ早く顧客に連絡して取引が行われたかどうかを確認できます。

良い例としては、消費者の支出パターンを見ることが挙げられます。ユーザーの購入がパターンに当てはまらない場合（金額が高すぎる、別の国からの購入など）、アルゴリズムは銀行に警告し、取引を一時停止します。

サイバーセキュリティと機械学習の専門家が執筆した次の 2 つの記事では、強力なマルウェア検出モデルの構築方法について説明しています。

• サイバーセキュリティにおけるディープラーニングの活用（パート 1）: https://www.analyticsvidhya.com/blog/2018/07/using-power-deep-learning-cyber-security/
• サイバーセキュリティにおけるディープラーニングの活用（パート 2）: https://www.analyticsvidhya.com/blog/2019/05/using-power-deep-learning-cyber-security-2/

（２）パーソナライズドバンキング

もう 1 つのユースケースは、推奨エンジンです。ここでの推奨エンジンは、特に銀行分野向けです。パーソナライゼーションについては、すでによくご存知かと思います。そこで、読み進める前に、パーソナライズされたバンキングが何を意味するのか考えてみましょう。

私たちは、さまざまな顧客グループにカスタマイズされたサービスを提供する銀行について説明する記事を読みました。パーソナライズされたバンキングは、この概念をまったく新しいレベルに引き上げます。

[[274789]]

理想的なパーソナライゼーションのシナリオは、機械学習を使用して顧客のニーズを予測し、顧客ベースのすべての顧客をターゲットにすることです。ボストンコンサルティンググループのレポートでは次のように述べられています。

「銀行業務におけるパーソナライゼーションは、主に販売に関するものではなく、顧客にサービス、情報、アドバイスを毎日、場合によっては 1 日に複数回提供することです。営業担当者が顧客とほとんどやり取りをしない販売業務では、頻繁なやり取りが顧客の銀行業務体験の鍵となります。」

完全なレポートは次のとおりです。

銀行におけるパーソナライゼーションとは実際には何を意味するのでしょうか?

https://www.bcg.com/publications/2019/what-does-personalization-banking-really-mean.aspx

7. その他の一般的な機械学習のユースケース

ユースケースのこの部分は、上記のセクションに分類できません。このセクションも更新していく予定ですので、まずは非常に興味深いユースケースである自動運転車から始めましょう。

自動運転車

この記事で取り上げたすべてのユースケースの中で、私が最も気に入っているのは自動運転車です。これは、ハードウェアと機械学習における当社の成果の頂点です。

自動運転車の優れた点は、機械学習の 3 つの主要な側面、つまり教師あり学習、教師なし学習、強化学習がすべて車の設計に組み込まれていることです。

機械学習を使用した自動運転車の機能をいくつか紹介します。

• 車の周囲の物体を検出する
• 前方の車両、信号、横断歩道までの距離を検出します
• ドライバーの状態を評価する
• シーン分類など