門戸を開くと、エンタープライズ機械学習が急成長

[[394391]]

自動運転から機械翻訳、不正取引の特定から音声認識、衛星画像認識からビデオストリーミングサービスが私たちが見たい映画を予測するのを支援することまで...

機械学習 (ML) は人工知能 (AI) アプリケーションの爆発的な増加を促進し、不確実で予測不可能な現実世界をソフトウェアが理解できるように支援します。

データ量の増加、コンピューティング能力の豊富さ、アルゴリズムの進歩により、機械学習は現在最も成功した人工知能技術であると考えられており、業界の競争環境と私たちの日常生活を完全に変えたことは間違いありません。

機械学習により、これまでは人間だけが実行していたタスクをコンピューターが処理できるようになります。ガートナーの調査によると、2020 年に各企業が導入した ML プロジェクトの平均数は 10 件で、この数は 2021 年までに 20 件に達すると予想されています。機械学習は世界中で最大 2.6 兆ドルの価値を生み出すでしょう。

では、エンタープライズ サービスにおける現在の機械学習のブームは何に依存しているのでしょうか?今後、どのような分野でより大きな役割を果たすことになるのでしょうか?

1. 機械学習アプリケーションは私たちの身の回りにあふれている
すべての Google 検索では、クエリ言語をモデル入力として使用してパーソナライズされた結果を提供するさまざまな機械学習システムが使用されています。したがって、釣り愛好家が「バス」を検索しても、ギターの検索結果が大量に表示されることはありません。

同様に、Gmail のスパムおよびフィッシング識別システムは、膨大な量のデータでトレーニングされた機械学習モデルを使用して、受信トレイに悪意のあるメッセージが入らないようにします。

機械学習機能の最も目に見える現れの 1 つは、Apple の Siri、Amazon の Alexa、Google Assistant、Microsoft Cortana などの仮想アシスタントです。これらのアシスタントはいずれも、音声認識と自然言語理解機能をサポートするために機械学習に大きく依存しています。

これらの明らかな用途以外にも、機械学習はほぼすべての業界で何らかの用途が見出されています。

例えば、自動運転車、ドローン、配達ロボット向けのコンピュータービジョン、チャットボットやサービスロボット向けの言語認識と合成、セキュリティシステムや無人スーパーマーケット向けの顔認識、ビジネス会議向けのかなり正確な文字起こしと音声翻訳の提供、放射線科医がX線から腫瘍を見つけるのを支援すること、研究者が疾患関連の遺伝子配列を発見し、医薬品におけるより効果的な薬物分子を特定するのを支援すること、IoTセンサーデータを分析してインフラストラクチャの予測メンテナンスを実行することなどです。

では、機械学習とは何でしょうか?

機械学習とは、データを入力したときに正確な予測を行う方法をコンピューター システムに教えるプロセスです。これらの予測は、「写真の果物はバナナですか、それともリンゴですか？」という質問に答えたり、自動運転車の前で道路を横断する人を見つけたり、電子メールがスパムかどうかを判断したり、音声合成を使用してTikTokの字幕を自動的に生成したりすることができます。

機械学習とは、既存のデータ、知識、または経験に基づいて意味のあるパターンを自動的に識別することです。最も基本的な意味では、機械学習はアルゴリズムを使用してデータを解釈し、データから学習し、同様のコンテキストで決定や予測を行います。

機械学習モデルは、大量のデータでトレーニングすることで、果物を確実に区別する方法を学習してきました。この場合、バナナやリンゴが含まれているとラベル付けされた大量の画像データが存在する可能性があり、これを使用してモデルをトレーニングできます。

機械学習のプロセスでは、機械学習システムが未知の環境についてどのように決定または予測を行うべきかについて、人間による指示はありません。このプロセスは、機械学習アルゴリズムによってデータから学習されます。意思決定主体は機械学習アルゴリズムであり、決定または予測は非決定論的な結果であり、通常は晴れの確率が 80% などの確率の形で出力されます。

機械学習と従来のコンピュータ ソフトウェアの主な違いは、バナナとリンゴの違いを判別する方法をシステムに指示するコードを人間の開発者が書いていないことです。

対照的に、従来のアプリケーションでは、ソフトウェア エンジニアが、登録の成功と失敗をそれぞれ示すために 0 と 1 を出力するなど、プログラムまたはソフトウェアに特定の動作を実行するように指示するコード (特定の命令セット) を 1 つずつ記述する必要があります。決定を下す主体は実際には人間であり、プログラムはアクションを実行するための単なるツールです。このため、機械学習は従来のプログラミングとは対照的に、間接プログラミングとして分類できます。

人工知能と機械学習の違いは何ですか?

機械学習は最近大きな成功を収めていますが、それは人工知能へのアプローチの 1 つにすぎません。

1950 年代に初めて造られたとき、AI は通常は人間の知能を必要とするタスクを実行できる機械として定義されていました。

AI システムは通常、計画、学習、推論、問題解決、知識表現、知覚、移動、操作、そして程度は低いものの社会的知性と創造性といった特性を示します。

機械学習に加えて、進化計算やエキスパートシステムなど、AI システムを構築するためのさまざまなアプローチがあります。進化型コンピューティングでは、アルゴリズムはランダムな突然変異と世代の組み合わせを経て、最適なソリューションに「進化」しようとします。エキスパート システムでは、自動操縦システムが人間が操縦する航空機の飛行を模倣するなど、コンピューターは特定の分野における人間の専門家の動作を模倣します。

今では機械学習システムが私たちの周りで利用されており、現代のインターネットの基礎となっています。

さらに驚くべきことは、2020年にOpenAIのGPT-3が、想像できるほぼあらゆるトピックをカバーし、人間のように書くことができる能力で話題になったという事実です。

GPT-3 は、オープン ウェブ上で利用可能な数十億の英語の記事でトレーニングされたニューラル ネットワークであり、テキスト プロンプトに基づいて記事を生成できます。

エンタープライズ サービスの分野では、AI は次のような多くの注目領域で活用されています。

生産設備の故障を予測し、メンテナンス サイクル/計画を策定し、24 時間 365 日の全天候型運用を実現するために使用されます。

銀行・保険業界における融資や保険契約の自動引受および意思決定、ならびに詐欺の早期検出および予測のための AI。

AIは医療診断、特にグラフィックや画像のパターン認識を支援します。

セキュリティ侵害の防止、侵入検知、データセンターのハードウェア、ソフトウェア、環境のメンテナンスのため。

消費者の消費行動、パターン予測、マーケティングおよび販売戦略の意思決定など。

2 機械学習がなぜこれほど成功しているのでしょうか?

機械学習は最も広く使用されている AI テクノロジーになりました。ガートナーの調査によると、約 37% の組織が業務で何らかの機械学習テクノロジーを使用しており、2022 年までに最新テクノロジーの 80% が機械学習と人工知能テクノロジーに基づくものになると予想されています。

デロイトが発表した「世界の人工知能開発白書」は、人工知能の多くの分野の中で、機械学習が人工知能の中核研究分野の一つであると指摘している。 AI特許出願の89％とAIの範囲内の関連特許の40％は機械学習の範囲内にあります。

機械学習は新しい技術ではありませんが、近年、エンタープライズ サービスの間でこの分野への関心が高まっています。機械学習がなぜこれほど成功しているのでしょうか?

これらの成功を可能にした主な要因は 2 つあります。1 つ目は、機械学習システムのトレーニングに使用できる画像、音声、ビデオ、テキストなどのデータが大量にあることです。

さらに重要なのは、クラスター化して機械学習エンジンを形成できる最新のグラフィックス プロセッシング ユニット (GPU) の登場により、大規模な並列処理機能を実現していることです。

現在、インターネットに接続できる人なら誰でも、Amazon、Google、Microsoft、Alibaba Cloud、Tencent Cloudなどの企業が提供するクラウドサービスを通じて、コンピューティングクラスターを使用して機械学習モデルをトレーニングできます。

機械学習の利用が普及するにつれ、多くの半導体企業やクラウド サービス企業が、機械学習モデルの実行とトレーニングに特化したハードウェアを開発しています。

Google の Tensor Processing Units (TPU) は、Google DeepMind や Google Brain のモデルのトレーニングだけでなく、Google Translate や Google Photo の画像認識を強化するモデル、さらには Google の TensorFlow Research Cloud を使用して一般の人が機械学習モデルを構築できるサービスにも使用されています。

Google によると、2020 年の第 4 世代 TPU は、システムがトレーニング済みの ML モデルを使用して推論を実行する速度を測定するベンチマークである MLPerf において、前世代の TPU よりも 2.7 倍高速であるという。

2019年、アリババは人工知能（AI）プロセスを強化する初のチップ「Hanguang 800」をリリースした。同年、ファーウェイは自社の人工知能チップ「Ascend 910」がデータセンター向けであり、クアルコムやエヌビディアなどのアメリカのテクノロジー企業と競合できるとも発表した。

テンセントは、CITIC、CICC Capital、Primaveraを含む他の投資家とともに、上海に拠点を置くEnflame Technologyに18億人民元を投資した。 Enflame Technologies は、人工知能システムをトレーニングするために大量のデータを処理するために使用されるチップを製造しています。

ハードウェアがますます特殊化し、機械学習ソフトウェア フレームワークが継続的に改善されるにつれて、機械学習タスクはクラウド データ センターではなく、スマートフォンやコンピューターで実行されることが増えています。

エンタープライズ サービスでは、機械学習アプリケーションにおけるいくつかの主要な開発動向に注目する価値があります。

IT によって管理される ML プロジェクトの割合の減少。 TechRepublic Premium の調査結果によると、回答者の 23% が AI/ML プロジェクトは IT 部門と最終事業部門が共同で管理していると答え、19% が IT 部門がプロジェクトを管理していると答え、11% がデータ サイエンス部門が AI/ML プロジェクトを管理していると答えています。これは、AI/ML プロジェクトの 33% が IT によって管理されていた 2019 年より減少しています。

AL/ML プロジェクトの成功を確実にするために採用されている上位 3 つの戦略は、経営陣と協力して AI/ML のビジネス ユース ケースをより適切に特定すること (52%)、IT スタッフの準備とトレーニングを行うこと (48%)、データの準備、計算、自動化プロセスに投資すること (46%) です。

AI/ML プロジェクトの実装に関する懸念も変化しています。 2020 年の最大の懸念事項は、投資に見合うビジネス成果が得られないこと (48%)、従業員の準備状況/AI/ML の人材を見つけるのが難しいこと (38%)、実装に時間がかかりすぎること (37%) です。

ML はビジネスでより多く応用されています。調査回答者によると、47% が AI/ML を業務運営に適用しており、30% がマーケティング/販売に適用しており、27% がエンジニアリングと IT にこの技術を適用しています。

3. 機械学習はクラウドサービスの新たな成長ポイントとなっている

実際、機械学習の急速な普及は、クラウド コンピューティングの普及によるところが大きく、クラウド コンピューティングは、ますます普及する機械学習ワークロードのコンピューティング ニーズを満たすことができるコンピューティング能力を実証してきました。

現在、10 万社を超えるお客様が AWS の機械学習サービスを利用しており、すでに多くのお客様がコアビジネスに機械学習を活用しています。

AWS は 2016 年からクラウド上で機械学習サービスを提供し始めました。 AWS は近年の継続的なイノベーションを経て、機械学習の分野で「ファミリー」ツールセットを構築し、顧客が「すぐに」使用できるようにしました。

ツールセットの下部では、AWS は強力なコンピューティング能力、包括的なコンピューティング能力オプション、豊富な機械学習フレームワークの選択肢を提供します。

AWS の Amazon SageMaker は、ツールセットの中間層として、初のフルマネージド機械学習統合開発環境を提供し、ユーザーの機械学習の効率を最大化し、機械学習の敷居を下げます。

ツールセットの最上位レベルでは、AWS は、ビジョン、音声、会話、テキスト、ビジネスツール、カスタマーサービスセンター、検索、コード + 運用と保守、産業用 AI などをカバーする事前トレーニング済みモデルを提供します。

Tencent Cloud が提供する TI Machine Learning は、さまざまなデータ ソース、コンポーネント、アルゴリズム、モデル、評価モジュールを組み合わせることができるワンストップの機械学習エコシステム サービス プラットフォームであり、アルゴリズム エンジニアやデータ サイエンティストがモデルのトレーニング、評価、予測を簡単に実行できます。 Smart Titanium シリーズ製品は、パブリック クラウド アクセス、プライベート展開、専用クラウド展開をサポートします。

その中で、インテリジェントチタン機械学習プラットフォームTI-ONEは、AIエンジニア向けに構築されたワンストップ機械学習サービスプラットフォームであり、データの前処理、モデル構築、モデルトレーニング、モデル評価からモデルサービスまで、フルプロセスの開発サポートをユーザーに提供します。 Intelligent Titanium 機械学習プラットフォームには豊富なアルゴリズム コンポーネントが組み込まれており、複数のアルゴリズム フレームワークをサポートし、さまざまな AI アプリケーション シナリオのニーズを満たします。自動モデリング (AutoML) のサポートとドラッグ アンド ドロップのタスク フロー設計により、AI 初心者でも簡単に始めることができます。

インテリジェント チタン弾性モデル サービスである TI-EMS は、仮想化された異種コンピューティング パワーと弾性スケーリング機能を備えたオンライン推論プラットフォームです。複雑なモデルの展開、リソースの無駄、非効率的な手動リソース拡張などの問題を解決するのに役立ちます。

インテリジェントチタン産業用 AI プラットフォームである TI-Insight は、AI トレーニング システムと AI 推論シ​​ステムという 2 つの機能コンポーネントを含む、インテリジェントチタンの基本機能に基づいて構築されたワンストップ産業用 AI プラットフォーム ソリューションです。

IDCが発表した「中国AIクラウドサービス市場（2020年上半期）追跡」レポートによると、Huawei CloudのワンストップAI開発プラットフォームModelArtsは、機械学習パブリッククラウドサービスの中国市場シェアで第1位となり、29%に達した。

Huawei CloudのワンストップAI開発プラットフォームModelArtsは、業界ユーザーの間で非常に高いアクティブ言及率を誇っています。

4. 機械学習は企業のデジタル変革の重要な方向性となっている

IDC のデータによると、現在の企業のデジタル変革プロジェクトの 40% で人工知能技術が使用され、機械学習技術が現時点で最も重要になっています。

この時代、人工知能とさまざまな産業との融合は大きな発展の潮流となっており、人工知能は技術実装の最良の時期を迎えたと言えます。人工知能技術の活用に長けた企業が、新たな発展の配当をもたらすと言えるでしょう。

ビジネスニーズに基づいて、ますます多くの業界ユーザーが組織内の人材、データ、その他のリソースを使用して、人工知能をビジネスプロセスやユーザーインターフェイスに組み込み、顧客に極めてパーソナライズされたエクスペリエンスを提供するようになります。

一方、企業内のデータ量は予想よりも速いペースで増加しています。専門家によると、世界のデータの90%は過去2年間に作成されたそうです。ソーシャル メディアやストリーミング コンテンツ、スマート ホームやウェアラブル デバイス、デジタル写真やビデオ、ビジネス情報、オンライン ショッピングなどのアプリケーションからのデータの大量生産により、過去 30 年間よりも多くのデータが生成されます。

IDC のデータによると、2010 年から 2020 年にかけて、世界中で生成されるデータの増加率は 5000% 近くに達し、従来「ビッグデータ」と呼ばれていたものが再定義されています。

一方、こうしたデータをすべて持っているからといって、ユーザーが自動的に知識を得られるというわけではありません。適切なデータを取得し、高度な分析プラットフォームを使用して、そのデータから価値を生み出すことが、機械学習開発の基盤となります。

IDCは、ハイパースケールコンピューティング、5G通信、産業用IoT（IIoT）、人工知能/機械学習（AI/ML）などの破壊的技術が、データの価値をより有効に活用するためのツールを提供すると述べています。

クラウド コンピューティングにより、企業が人工知能や機械学習を適用する際の障壁が取り除かれ、企業のデジタル変革が促進されました。

現在、デジタル変革を最も受け入れやすい業界は、インターネット企業、通信会社など、デジタルファーストの業界です。

製薬会社、金融会社、航空会社、製造会社など、データに基づく意思決定に依存する従来の企業は、機械学習などの AI テクノロジーを使用してデジタル変革を実現し、新たな競争上の優位性を生み出しています。

AI テクノロジーはデジタル変革において欠かせない存在となり、デジタルアップグレードを推進する可能性があるようです。