機械学習を通じて実際のビジネス価値を掘り出すにはどうすればよいでしょうか?

運用効率の向上から継続的なイノベーションの実現まで、機械学習はビジネス開発に不可欠なものとなっています。しかし、IDCの「2020年人工知能戦略観察：エグゼクティブサマリー」によると、現在、世界中で生産現場で使用されている人工知能および機械学習技術ソリューションは約4分の1に過ぎず、多くの企業がこの技術の恩恵を十分に受けていないことが示されています。機械学習モデルを迅速に実装および拡張し、企業全体のさまざまなアプリケーションをサポートすることによってのみ、組織は機械学習を最大限に活用して真のビジネス価値を引き出すことができます。

ただし、機械学習モデルを大規模に導入すると、企業にとって多くの課題が生じる可能性もあります。たとえば、大規模な展開では、データからモデル、結果に至るまで、複雑で反復的なエンドツーエンドのワークフローが必要です。さらに、企業は自社のガバナンス機能を向上させ、モデルの展開がエンド カスタマー サービスに及ぼす影響 (プライバシーの問題など) に適切に対処し、データ アプリケーションのコンプライアンスとセキュリティ、およびモデルを本番レベルのモデルに変換できるかどうかに重点を置く必要もあります。

機械学習はデータに依存する

機械学習技術はデータ駆動型であるため、データ過負荷の問題はありません。実際、機械学習ツールは、利用できるデータが増えるにつれて、より正確になります。人々、企業、都市のつながりが深まるにつれ、世界は大量のデータを生み出し続け、機械学習技術を活用する企業にさらなるメリットをもたらすでしょう。

しかし、機械学習はデータに依存するため、特に複数の異なるプラットフォームでデータを生成、保存、処理する必要がある場合、組織はより優れたデータ管理機能を備える必要があります。 IDCが発表した「2020年グローバルエンタープライズクラウド予測レポート」によると、今年、アジア太平洋地域の企業の90％以上が、ローカルまたは専用のプライベートクラウド、複数のパブリッククラウド、従来のプラットフォームで構成されるハイブリッド環境の使用を選択する予定です。したがって、組織にとって、プラットフォーム間でデータを移行したり、すべてのプラットフォームにわたってデータを保護および管理したりすることが困難になる可能性があります。

5G とモノのインターネットの台頭により、企業はストリーミング データだけでなく、データベースに保存されている保存データも効果的に管理する必要があります。接続されたデバイスはリアルタイムの洞察に基づいて意思決定を行う必要があるため、ストリーミング データはネットワークのエッジで実行される機械学習システムにとって特に重要です。さらに、知識と実務経験を兼ね備えた機械学習オペレーターが依然として不足しており、企業組織がデータインサイト主導型に変革する妨げとなる可能性もあります。このような状況に対処するために、企業はデータアクセスの閾値を適切に下げ、より多くの従業員がさまざまなプロセスに参加し、データに基づいた意思決定を行えるようにすることができます。もちろん、このアプローチでは、データの一貫性と信頼性を確保し、データの悪用を回避するために、効果的なデータ ガバナンスが必要です。

エンタープライズデータクラウドがデータガバナンスを強化

機械学習システムによって生成される洞察の信頼性は組織のデータの品質に完全に依存するため、強力なデータ ガバナンス機能を備えることが組織内で機械学習をうまく拡張するための鍵となります。データが正確性、適時性、関連性の特定の基準を満たしていることを保証することによってのみ、ビジネス ユーザーはデータ ガバナンスの助けを借りて情報に基づいた意思決定を行うことができます。同時に、違反の被害者になったり、データプライバシー法などの規制に違反したりするリスクも軽減されます。

データがさまざまなプラットフォームに分散している場合、企業が従来のデータ管理ソリューションやポイントベースのデータ管理ソリューションを使用してデータ ガバナンスを効果的に実装することは困難です。 Enterprise Data Cloud は、データの収集、拡充、レポート、サービスから分析予測まで、エンドツーエンドで相互接続されたデータ ライフサイクル ソリューションを提供できます。このソリューションは、マルチクラウドおよびハイブリッド クラウド環境で実行でき、企業のデータ ガバナンスに役立ちます。また、メタデータ ベースのセキュリティ ガバナンス テクノロジの統合セットも提供し、すべての分析機能に永続的な環境を提供します。上記のソリューションに基づいて、企業や組織は、データの使用が常に承認、追跡、監査されることを保証しながら、データへのアクセスを確保できます。

Cloudera Data Platformは機械学習の基盤を構築します

機械学習の運用には、適切なテクノロジー プラットフォームを選択することが重要です。Cloudera Data Platform (CDP) などのエンタープライズ データ クラウドは、企業や組織が基本的なテクノロジー プラットフォームを構築するのに役立ちます。 CDP を使用すると、組織はデータの全体像を把握し、容量がさらに必要なときに大量のオンプレミス ワークロードをクラウドに移行したり、すべての場所のワークロードを分析および最適化したりできるようになります。さらに、エンタープライズ データ クラウドにより、データ ライフサイクル全体にわたって安全なガバナンスとコンプライアンスを実現できるため、これらの組織はリスクと運用コストを削減できます。 CDP のオンライン共有データ エクスペリエンス (SDX) は、メタデータ ベースのセキュリティ ガバナンス テクノロジーの統合セットを提供し、すべてのユーザー、分析、環境 (オンプレミス、プライベート クラウド、パブリック クラウド) のデータ アクセスとガバナンス ポリシーを統一された方法で管理および維持します。

データ ガバナンスが強化されれば、組織は機械学習サービスの上に機械学習運用 (MLOps) レイヤーを構築することもできます。 MLOps は、機械学習のライフサイクルを管理するためのデータ サイエンティストと運用スタッフ間のコラボレーションとコミュニケーションの実践であり、モデルを本番環境に導入する時間と難易度を軽減し、チーム間の摩擦を減らしてコラボレーションを強化し、モデルの追跡、バージョン管理、監視、管理を改善するように設計されています。また、最新の機械学習モデルの真の循環ライフサイクルの作成にも役立ち、ますます厳しくなる規制やポリシーに備えて機械学習プロセスを標準化します。

現在、多くの企業や組織が、データ ガバナンス機能を強化し、機械学習アプリケーションを拡張するために Cloudera Data Platform (CDP) を選択しています。ユナイテッド・オーバーシーズ銀行（UOB）を例に挙げてみましょう。同行は CDP を使用することで、コンプライアンス、リテール バンキング、資産管理、ホールセール バンキングなどのさまざまな業務部門のデータを一元化し、より包括的な顧客データと取引データを取得することに成功しました。さらに、CDP は UOB のデータ ガバナンスの確保を支援すると同時に、人工知能と機械学習のテクノロジをより多くのビジネス リンクに効果的かつ迅速に推進し、150 を超えるビッグ データ分析サンドボックスをサポートして、200 人を超えるユーザーがアイデアやデータに基づくイノベーションをテストできるようにしています。全体として、このソリューションは、マネーロンダリング防止の検出時間を短縮し、よりターゲットを絞ったオファーや推奨事項を提供することで顧客のコンバージョン率を向上させるなど、多くのビジネス上のメリットをもたらします。

要約する

機械学習技術は必然的に企業組織の変革を促進し、多くの機械学習アプリケーションがすでに企業組織に実用的なビジネス成果をもたらしています。機械学習はプロセスを自動化し、企業が新しい製品を開発したり、既存の製品やサービスを強化してより良い顧客体験を提供したりするために役立つ新しい洞察を発見することができます。しかし、データの品質が低く、関連データにアクセスできないと、企業による機械学習の導入が妨げられる可能性があります。したがって、企業や組織は、機械学習の可能性を十分に探求するために、包括的な運用変革を完了し、機械学習モデルを構築および開発する能力と、モデル全体を展開および運用する能力も必要とします。