人工知能はデータを「食べる」

機械学習 (ML) プロジェクトに取り組んだことがある人なら、機械学習ではアルゴリズムをトレーニングするために大量のデータが必要であることを知っています。データは多ければ多いほど良いと言う人もいるでしょう。通常、データの量と結果として得られる機械学習モデルの複雑さの間には正の相関関係があります。 AIが新たな分野に拡大し、使用されるAI機能がより複雑になるにつれて、データに対する欲求はますます強くなるばかりです。 AI の複雑さに加えて、他のいくつかの傾向が問題を悪化させており、「AI プロジェクトを成功させるのに適切なデータを持っているか」という疑問が生じます。リソースがない場合、AI ブームに備えるためにもっと努力すべきでしょうか?

図1: AI/データの連続体

組織が収集したビッグデータがすべて正しいデータである可能性は低いですが、AI の方向性を理解することで、今後数十年にわたって AI が発展するにつれて、組織はより適切なデータを選別して収集するための「足がかり」を得ることができます。

人工知能の発展はデータゲームを変えた

機械学習は自身の動作を修正するために大量のデータを必要としますが、人工知能機能の複雑さが増すにつれて、データの需要も急速に増加します。機械学習からディープラーニング (DL) への移行は大きな前進であり、ディープラーニングでは機械学習よりもはるかに多くのデータが必要になります。その理由は、ディープラーニングでは通常、ニューラル ネットワークのレイヤー間の概念的な違いしか認識できないためです。数百万のデータ ポイントにさらされると、ディープラーニングは概念の境界を決定できます。ディープラーニングにより、機械は人間の脳のようにニューラルネットワークを通じて概念を表現できるようになり、より複雑な問題を解決できるようになります。 AI は、答えがより不確実または曖昧になることが多い、より曖昧な問題も解決できます。これは通常、判断や認識の問題であり、創造やその他の右脳活動にまで及ぶ可能性があります。その結果、データに対する需要が高まり、場合によっては緊急性やリアルタイム性が求められることもあります。

データ主導から結果主導への変革

AI が複雑な問題を支援または解決する中で進化するにつれて、AI はデータ駆動型、目標/結果駆動型になります。つまり、AI は特定の問題を解決したり、特定の推論を行ったりするときに、その場でデータを要求する可能性があり、データ管理がより複雑になります。目標仮説を達成するためには、ソリューションの帰納的データ駆動型部分とデータの演繹的要件との相互作用が必要になる場合があります。結果指向の問題には、このタイプの動的な相互作用が必要です。これは、興味のあるイベントやパターンを探して単にデータを取得することとは大きく異なります。意思決定主導型のアプローチは、これら 2 つの異なるモデルのちょうど中間に位置します。データと結果を一致させることで、いくつかの決定がどのように機能しているかに焦点を当て、改善することが可能になります。帰納的にも演繹的にも、より戦略的な決定が生まれるでしょう。これは、データ使用の需要を促進する要因の 1 つにすぎません。

問題の範囲を変更するとデータ要件に影響する

AI ソリューションの範囲は通常、最初は狭い範囲から始まり、時間の経過とともに範囲が拡大し、より多くのデータが必要になります。複雑なソリューションでは、多くの場合、複数の回答を目指しており、分岐するソリューション セットをサポートするためにより多くのデータが必要になるため、結果が複雑で混合したものになります。意思決定、行動、結果の範囲が組織の内外のより多くのシナリオに及ぶにつれて、各シナリオとそれらの相互作用を理解するために、より多くのデータが必要になります。これらのシナリオはそれぞれ異なる速度で変化し、変化する可能性があるため、より多くのデータが必要になります。

要約する

明らかに、より多くのデータが AI 支援ソリューションの特徴となるでしょう。データへの渇望は、より困難な問題、高度な AI/分析のより有効な活用、またはエンドツーエンドのバリュー チェーンの成長から生じる可能性があります。確かなことはただ一つ。組織は「AI/データの相互作用」という新しい世界に備える必要があります。データ管理戦略、方法、テクノロジーを変更または拡張します。