機械学習情報工場になるためには、企業はリーン製造からこれらの6つの基本を学ぶ必要がある

【51CTO.com クイック翻訳】調査機関Forrester Researchが最近発表した調査レポートによると、機械学習（ML）は企業のビジネス成功に不可欠です。 IT リーダーの 98% は、機械学習運用 (MLOps) が自社に決定的な競争上の優位性をもたらすと考えています。しかし、自社の MLOps 機能が成熟しており、そのメリットを享受する準備ができていると考えている企業はわずか 6% です。

[[355522]]

機械学習 (ML) と機械学習オペレーション (MLOps) とは具体的に何でしょうか?

答えを見つけるために、まず用語の定義から始めましょう。機械学習 (ML) は、人間の介入なしにデータから学習できる人工知能の一種です。成功を目指す企業は、従業員の生産性の向上、顧客満足度の向上、収益の増加など、ビジネスのあらゆる側面を最適化するために機械学習 (ML) を使用しています。

過去数年間でデータの量はほぼ指数関数的に増加しましたが、機械学習 (ML) を使用してそのデータを整理および分析する能力は大幅に遅れています。これは課題となります。さらに大きな課題は、機械学習 (ML) モデルを本番環境に適用して、アプリケーションをよりスマートにすることです。 Forrester の調査によると、回答者のわずか 14% が、機械学習 (ML) モデルを反復可能かつ信頼性の高いプロセスで本番環境に導入していることがわかりました。

多くの企業が採用しているアプローチの 1 つは、機械学習運用 (MLOps) を採用することです。機械学習運用 (MLOps) は、機械学習のライフサイクル全体を通じてデータ サイエンティストと運用チーム間のコラボレーションとコミュニケーションを実践することです。多くの点で、機械学習運用 (MLOps) は、DevOps がアジャイル ソフトウェア開発で達成したのと同じ機械学習の生産性、効率性、品質のメリットを獲得することを目指しています。

機械学習オペレーション (MLOps) を導入するだけでは、企業が機械学習 (ML) を実装する際に直面する問題は解決されません。これは最初の一歩であり、重要な一歩ですが、さらなる取り組みが必要です。機械学習 (ML) 機能の導入に成功した企業は、主要なプロセス、ツール、継続的な改善の実践を通じて機械学習運用 (MLOps) を強化しています。これらの実践のいくつかは、工業製造業界での経験と教訓から直接得られたものであるため、馴染みのあるものに聞こえるでしょう。

リーン生産方式の6つの本質

50 年以上にわたり、世界中の製造企業は品質の問題に対処するためにシックス シグマとリーン製造手法を使用してきました。今日、多くの企業がこれらのテクノロジーの一部を使用してデータから価値を生み出しており、実質的に情報工場になりつつあります。

（１）自動化（自働化）

自動化は、製品の品質、生産性、スループットを向上させるという現代の生産エンジニアリングにおいて重要な役割を果たします。自働化とは、人間の知能を活用した自動化を表す日本語の用語で、問題が検出されると機械やオペレーターが停止し、ラインが停止したり生産が終了するまで待たずに、すぐに問題を修正できるようにします。

自動化（Jidoka）の概念は、分析生産ラインにも同様に当てはまります。自動化 (Jidoka) 機能を備えたセルフサービスにより、機械学習 (ML) プロセスに関与するすべての役割に必要なインフラストラクチャ、ツール、データを提供できます。このタイプの自動化により、効率が向上し、標準への準拠が保証されます。その結果、適切な環境にアクセスするまで待ったり、インターネットからダウンロードした新しいツールを構成しようとしたりして時間を無駄にすることがなくなります。機械学習プロセスの各段階は自動的にスケジュールできるため、システム全体が予測可能かつ効率的になります。

（２）ツール

ツールは現代の生産設備において基本的な役割を果たします。ツールを賢く使用することで、規模の拡大を実現できます。品質を向上させ、価値実現までの時間を短縮し、生産性とスピードを高めながら、必要な従業員のスキルを削減できます。

今日の情報工場では、あらゆる役割に適合し、生産のあらゆる段階のニーズを満たすさまざまなツールが必要です。新たな、より困難なビジネス上の問題が解決されるにつれて、新しいツールが必要になります。ここで、情報ベースの工場の次の重要な要素である R&D ラボについて説明します。

（３）研究開発室

これまで、ほとんどの機械学習 (ML) ツールはモデル開発にほぼ専念してきましたが、これは変わりつつあります。新しい機械学習 (ML) ツールは、運用プロセスとモデルのライフサイクル管理に対応します。これらの新しいツールは、機械学習 (ML) モデルの効率を向上させ、下流の運用、標準仕様、およびモデルガバナンスをサポートします。

R&D ラボを使用すると、データ サイエンティストは、安全で管理しやすい環境で新しいツールを評価し、ベスト プラクティスを文書化し、潜在的なメリットを評価できます。新しいツールは、チーム全体で使用されるようになると、セルフサービス プロビジョニング プロセスで使用できるアプリケーション カタログに統合できるようになります。

（４）改善

「カイゼン」とは、より良い方向への変化や継続的な改善を意味する日本語です。これは、作業慣行というよりも哲学であり、より高い品質を確保し、無駄を排除し、効率を高めます。

より多くの企業がデータサイエンスの能力を拡大し始めると、新たなニーズが生まれます。これらには、より多くのプロセスを標準化または自動化する機会が含まれる場合があります。

情報ファクトリーと関連チーム (DataOps、データ サイエンス、MLOps、DevOps、運用、ビジネス インテリジェンスなど) 内の作業は統合されているため、カイゼンの実践に適しています。誰もが直面している課題に対して異なる視点を持っているため、情報工場のプロセスを改善する方法を継続的に評価するよう奨励する必要があります。

（５）サプライチェーン

長年にわたり、製造業者は部品の配送にジャストインタイム (JIT) アプローチを採用してサプライ チェーンを最適化してきました。ジャストインタイム (JIT) により、在庫が最小限に抑えられ、在庫への部品の出し入れにかかる時間と労力が削減されます。

情報工場でも同様にデータを処理する必要があります。ほとんどの企業は、複数のデータ ウェアハウス、運用データ ストア、データ レイクに大量のデータを保有していますが、有用なデータの発見とアクセスが最初の課題となることがよくあります。多くの場合、データ サイエンティストは、データを変換して機械学習 (ML) モデルの構築に適したものにするために読み取りおよび書き込みアクセスが必要になるため、大規模なデータセットを複製するためにデータ エンジニアの支援を必要とします。この遅延は、理想的なジャストインタイム (JIT) プロセスからは程遠いものです。

機械学習 (ML) 競争に勝つ企業は、データ サプライ チェーンに重点を置き、包括的なデータ カタログとビジネス用語集を提供します。また、データの品質を定期的に評価し、報告します。また、ほとんどの場合、データを複製するのではなく、読み取り専用のスナップショットを使用します。現在、多くの企業が、データの準備方法を標準化することでモデル開発を大幅にスピードアップする、特殊な機械学習 (ML) 機能ストアの検討を始めています。

（６）ポカヨケ

最後は「ポカヨケ」です。これはエラー防止を意味する日本語です。良い例は携帯電話の SIM カードです。製造元は、誤った挿入を防ぐために SIM カードの小さな角を切り落とします。

ポカヨケは欠陥の発生を防ぐのに役立ちます。このタイプのエラー防止は、上で説明した継続的改善プロセス (カイゼン) の一部です。エラー防止の考え方は些細なことのように思えるかもしれませんが、人々が関わるすべてのプロセスにそれが組み込まれているとしたらどうなるでしょうか。データ サイエンティストが自動化ツールをさらに使用してより複雑なタスクを実行するようになると、エラー防止は非常に重要になります。

プロセス、ツール、人材を通じて機械学習（ML）を成功させる

機械学習 (ML) と機械学習運用 (MLOps) は組織のビジネスの成功に不可欠ですが、ほとんどの組織は目標を達成できていません。この課題に対処するための最初のステップは、機械学習運用 (MLOps) を実装することです。ただし、機械学習オペレーション (MLOps) だけに頼るだけでは不十分です。上記の 6 つの実証済みのエッセンスを獲得することで、企業はデータから価値を創造し、より大きな成功を収めることができます。

原題: ML 情報工場になる - リーン製造から学べる 6 つの教訓、著者: Doug Cackett

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]