2017 年の機械学習開発に関するトップ 10 の予測: 悲観的か現実的か?

「分析の時代」はまだ始まったばかりですが、私たちには多くの刺激的なアイデアと期待がもたらされています。本日の記事では、BigML の副社長である Atakan Cetinsoy が、2017 年の機械学習技術と関連エコシステムの開発動向についての見解を明らかにします。

毎年年末になると、テクノロジーの専門家は常に新しい 12 か月に目を向け、慣れ親しんだテクノロジー ソリューションが次の段階でどのように変化するかを考えます。 BigML では、2016 年の機械学習の発展と進化、そして新年の将来について考えます。

[[189869]]

強調する必要がある最初の点は、企業は機械学習の概念を取り巻く誇大宣伝を払拭し、それを自社のビジネス システムに実際に導入する効果的な方法を模索する必要があるということです。具体的には、企業は社内環境に基づいてプラットフォームを選択するための厳格な決定を下し、独自のデータセットを活用するために、より小規模でアクセスしやすい機械学習プロジェクトを徐々に構築する必要があります。時間の経過とともに、このような漸進的なプロジェクトは肯定的なフィードバックを生み出し、最終的には意思決定を自動化し、アジャイルな機械学習チームが業界の運用基準に革命を起こすことにも役立ちます。

いつものように、まずは機械学習技術の実際の応用における発展について見てみましょう。

機械学習はもはや不可逆的な歴史的潮流となっており、これを基盤として、部門横断的な日常業務をどのように遂行し、自社の業務を市場全体の経済状況とどのように統合していくかを検討していく必要があります。

36 年の歴史を通じて、企業は機械学習テクノロジーと関連するベスト プラクティスの進歩を理解し、採用し、その恩恵を受けるために懸命に取り組んできました。しかし、これを真にビジネス上の利点に変えることができる企業はほとんどありません。

いわゆる「新しい専門家」が大量に出現し、彼らは数冊の関連書籍を読んだり、オンライン講座を数回受講したりしただけで、安価な資本の助けを借りて世界を「変え」始めました。同時に、多くのトップテクノロジー企業は、急成長する AI 経済のためにエネルギーを蓄えておくことを期待して、機械学習のスキルを真に理解している人材を「採用」するために全力を尽くしています。

さらに、機械学習の分野で生まれたスタートアップ企業の多くが、「ユニコーン」になるという野望を掲げてその道を歩み始めています。しかし、魔法のような新しい機械学習アルゴリズムを使用して実現できると彼らが信じている、汎用的で低コストかつスケーラブルなソリューションは、多くの場合、単なる希望的観測に過ぎないことを認めなければなりません。

2017 年には、一連の回避可能な挫折を経て、機械学習エコシステムがようやく正しい方向に進み始めると期待しています。

具体的な予測に入る前に、2016 年は歴史上初めて、世界で最も価値のある企業 5 社がすべてテクノロジー企業であったため、極めて重要な年であったことを強調しておくことが重要です。これら 5 社には、大規模なネットワーク効果、データ中心の文化、最先端の分析に基づく付加価値サービスへの新しい経済的アプローチなど、いくつかの共通の特徴があります。

さらに重要なのは、これらの企業が自社のアイデアや意図を推進しており、機械学習を自社の将来の進化の重要な支点とみなしていることです。 UberやAirbnbなどのユニコーン企業の参加により、テクノロジー業界が世界経済において主導的な地位を占める状況は今後も続くと予想され、これは世界経済の大規模なデジタル変革によっても強く推進されることになるだろう。

しかし、これは数兆ドルの行方を左右する可能性のある新たな疑問を提起します。つまり、従来の企業（大量のデータを持つ非テクノロジー企業や、大企業から部分的に解体され、転換した小規模なテクノロジー企業など）は、この新たなバリューチェーンに適応し、その一部となるにはどうすればよいのでしょうか。新しい時代に生き残るだけでなく、繁栄するにはどうすればよいのでしょうか。

現在、相当数の企業が、ビジネス インテリジェンス システムを経験に基づいた固定観念で理解しようとし、時代遅れのワークステーション ベースの従来の基盤を使い続け、単純な回帰モデルを使用してシステムの運用状況を統計的に分析しています。つまり、実際の生活に反映される具体的な傾向を捉えることができず、ユース ケースの複雑さを正確に予測することもできません。

同時に、これらの企業は、大量の独自データが十分に活用されていないというジレンマに直面しています。 McKinsey Global Institute が発表したレポート「分析の時代: データ主導の世界で競争する」によると、過去 5 年間に登場したさまざまな新しい技術的ソリューションを除けば、2011 年のレポートで言及された最新の分析技術のうち、これまでに実現されているのは 30% 未満です。

さらに悪いことに、業界間でデータテクノロジーの発展に深刻な不均衡があり（米国では、ヘルスケア業界でのデジタルテクノロジーの導入率は10％と低いのに対し、スマートフォン分野では60％と高い）、分析能力と競争レベルに前例のない差別化が生じています。

現実はまだ大手ベンダーや研究会社の誇大宣伝（「認知コンピューティング」、「マシンインテリジェンス」、さらには「スマートマシン」など）ほどではありませんが、機械学習は確かにビジネス用語の重要な部分となり、多くの企業に広範かつかなりの潜在的な開発スペースをもたらしました。この大きなチャンスは、より多くの伝統企業と新興企業が 2017 年に独自の機械学習探究の旅を始めることを意味します。賢明な企業は、失敗から教訓を学び、新たな技術的成果を活用して競争上の優位性を拡大するよう努めます。しかし、新たなものに対して人類が一貫して愚かで保守的であることを考慮すると、私たちはより悲観的な態度で次の 10 の発展傾向を探ります。

予測1: 機械学習は「ビッグデータ」を実現するための重要な手段となる

ビッグデータの動きから学んだ教訓は何度も繰り返され、技術専門家は、複数の実用的な「ビッグデータ」ソリューションを組み合わせることによってのみ、彼らが述べた目標を達成できることに気づくでしょう。

一般的に、「ビッグデータ」とは未来を予測できるデータを意味します。それだけです。ガートナーは最近、ハイプサイクルレポートから「ビッグデータ」を削除した。これは、ビッグデータが正式に実装段階に入ったことを意味する。これらすべては、分析機能の重要性、特に顧客がインテリジェント アプリケーションやデータ テクノロジー関連のプロジェクトを使用するように導く上で機械学習が果たす重要な役割を強調することになります。さらに、これまで批判されてきたサンプル分析ソリューションは、企業がこのようなアプリケーション シナリオで新しい予測ユース ケースを模索するのに役立つ重要なツールになります。

予測2: ベンチャーキャピタル企業はアルゴリズムベースのスタートアップに積極的に資金を提供し続ける

ベンチャーキャピタル企業は今後も探索と学習の段階にあり、学習プロセス全体が遅く困難なものとなるでしょう。ベンチャーキャピタリストは、誤解を招くような、あるいは空想的な発言をしたとしても、学術的な経験を持つアルゴリズムのスタートアップ企業に資金を提供し続けるだろう。たとえば、機械学習をディープラーニングの同義語として使用する人もいますが、機械学習アルゴリズムと機械学習モデル、さらにはモデルのトレーニングとトレーニングされたモデルの予測結果との間の大きな違いを完全に無視しています。関連分野を深く理解することは歴史的な課題であり、投資業界全体は依然としてこれに十分な注意を払っていません。しかし、少数のベンチャーキャピタル企業が機械学習の発展がもたらす巨大な開発プラットフォームを認識し始めていることは肯定する価値がある。

予測3: 機械学習の人材は今後も人気があり、不足するリソースであり続ける

メディアによるAIと機械学習技術の宣伝と誇張により、関連する技術人材は引き続き市場の寵児となり、関連する投資は若い学者の手に集中するでしょう。しかし、残酷な現実は、ほとんどのアルゴリズムが広く適用可能ではなく、かなりの数のアルゴリズムが元の基盤にわずかな改良を加えただけであることを示しています。直接的な結果として、ほとんどの機械学習アルゴリズムは、単なる小道具や、関連する技術人材を必死に採用する理由として見られるようになるでしょう。最悪のシナリオでは、バイサイドは分析技術をどのように開発するかについて明確な考えすら持たず、他のトレンドと同様に AI / 機械学習技術に単純に追従しているだけです。

予測4: ほとんどの機械学習プロジェクトはPowerPointプレゼンテーションのみになり、期待どおりの結果が得られない

従来の企業幹部は、トップダウンの分析戦略の構築や複雑な「ビッグデータ」技術コンポーネント計画の開発を支援するコンサルティング会社を積極的に雇用しますが、洞察の実現可能性や正確な投資収益率を正しく理解していません。その理由の 1 つは、データ分析手法を実装するための適切なデータ構造と柔軟なコンピューティング インフラストラクチャが今日では入手困難ではなく、36 年間の継続的な蓄積を経て、機械学習は安価なコンピューティング リソースのサポートがあればもはや実現不可能な実験室製品ではなくなったためです。

予測5: 商業分野でのディープラーニングの成功例は非常に少ない

AlphaGoなどディープラーニングにおける様々な著名な研究成果は、今後もメディアの注目を集め続けるでしょう。しかし、音声認識や画像認識に代表される実用的なアプリケーションソリューションこそが開発の真の原動力であり、この技術が企業環境における機械学習のシナリオで実用的な役割を果たすのに役立つでしょう。説明の難しさ、高度な技術専門家の不足、大規模なトレーニング データ セットへの高い依存度、コンピューティング リソース割り当てに対する非常に高い需要などにより、2017 年のディープラーニングの発展は制約を受けることになります。

現状では、機械学習テクノロジーはポロに少し似ています。富裕層や有名人とコミュニケーションを取る機会をもたらし、会社を瞬時に進歩させることもできますが、高価な乗馬トレーニングサービス、メンテナンス費用、機器購入費用、高額なクラブ会費も伴います。したがって、大きな研究上の進歩や独自の利点がないディープラーニングと比較して、企業は通常、強化学習と機械学習の技術に重点を置くことで、より迅速かつ現実的な結果を達成できます。

予測6: 不確実性に基づく推論と計画的な探索により、機械学習は新たな高みへと進む

機械学習自体は AI のほんの一部にすぎません。相当数のスタートアップ企業が、関連する原因と計画された探査作業の根拠として不確実性に基づく研究アプリケーションの提供を開始しており、これはパターン認識を超えた技術拡張の新たな空間を見つけるのに効果的に役立ちます。 Facebookのマーク・ザッカーバーグ氏は、AI/機械学習の研究を開始してからわずか1年余りで、自身のパーソナルインテリジェントアシスタント「ジャービス」を考案した。その基本的な機能は、映画「アイアンマン」に登場する架空の賢い執事とほぼ同じである。

予測7: 機械学習の導入は拡大し続けますが、意思決定において人間が中心的な役割を果たすことは変わりません。

一部の企業は、より高速で証拠に基づく意思決定アプローチを採用する機械学習ソリューションを最初に導入しますが、意思決定においては依然として人間が中心的な役割を果たすことになります。インテリジェント アプリケーションにおける初期の遅れは特定の業界に集中しますが、差別化された規制枠組みと厳密に不均衡な分析機能の存在により、革新的な管理方法、競争圧力、複雑な顧客ニーズ、高品質のエクスペリエンス、その他のバリュー チェーン要素に関して、経済レベルで矛盾した指針が提供されます。

今日、機械学習や人工知能が未来をどう変えるかについて盛んに議論されていますが、冷静な技術リーダーたちは、真にインテリジェントなシステムが実際に登場してくるまでには長い時間がかかることを十分に認識しています。同時に、企業は徐々に自社のモデルとその予測を信頼するようになり、そのようなソリューションがさまざまなタスクで実際に超人的なパフォーマンスを発揮できることに気づくでしょう。

予測8: アジャイル機械学習が静かにAIマーケティングの主力となる

機械学習の導入に対するより現実的で機敏なアプローチが、新年には静かに定着するでしょう。実装チームは、自ら手を動かして豊富な企業データを活用することを楽しんでいますが、同時に「ビッグデータ」にまつわる誇大宣伝を完全に回避することもできます。彼らはより実用的であり、成熟したアルゴリズムと小規模なサンプリングデータを通じて、最もターゲットを絞った適用可能な予測手段を使用して問題を解決したいと考えています。

その過程で、徐々に分析能力に対する自信が高まり、実際の製品に適切なソリューションが展開され、より実行可能なユースケースが追加されます。データ アクセスの問題や導入ツールの複雑さに制約されることがなくなり、データ テクノロジーを真に活用してコア ビジネスを改善しながら、リスクが高く報酬も高い実験的アプローチを積極的に試し、新しいブランド収益源を実現する方法として予測的なユース ケースを検討できるようになります。

予測9: MLaaSプラットフォームは、従来の企業における機械学習導入の「AIバックボーン」となる

MLaaS プラットフォームは、アジャイルな機械学習の実践を加速する「AI バックボーン」になります。この基盤により、MLaaS インフラストラクチャに基づくアプリケーションの新しい波は、特に次の方法で機械学習を「民主化」することにより、商用機械学習ソリューションの実装コストをさらに削減します。

• サプライヤー契約の複雑さや先行投資を排除することで、コストを大幅に削減します。
• 多数の効率的なアルゴリズムを含む事前構成済みのフレームワークを提供します。
• 抽象化により、エンドユーザーはインフラストラクチャのセットアップと管理の複雑さから解放されます。
• REST API とバンドルを通じて、簡単な統合、ワークフロー自動化、および展開オプションを提供します。

予測 10: データ サイエンティストが十分であるかどうかに関係なく、開発者は組織にさらに多くの機械学習を導入し続けるでしょう。

新年には、企業がすでに十分なデータサイエンティストやその他の関連人材を擁しているかどうかに関係なく、開発者は機械学習分野に積極的に投資するでしょう。開発者は、MLaaS プラットフォームに基づいてこのようなアプリケーションを迅速に構築および拡張できるため、難しい詳細 (クラスターの構成と管理、タスク キュー、監視と配布など) を抽象化して排除できます。 「サービスとしての」ソリューションの普及により、開発者は、LR(1)パーサーを理解してJavaコードをコンパイルして実行したり、情報ゲインやウィルソンランキングのメカニズムを習得して決定木に基づく予測ユースケースを実装したりすることなく、慎重に設計され、十分に文書化されたAPIを通じて機械学習技術を実装できるようになります。

私たちはまだ「分析の時代」の初期段階にあるので、過去の挫折に落胆するのではなく、明るい未来に期待すべきです。この記事ではかなり悲観的な予測をいくつか行いました。これは、興奮に圧倒されている人たちが落ち着きを取り戻し、ビジネスの成功、数学の謎、ソフトウェアと管理のベストプラクティス、データサイエンスの実装能力の間に埋めるべきギャップに気付くのを助けるためだけのものです。全体として、2017 年が皆様にとって素晴らしい年になりますようお祈り申し上げます。