構造化データから非構造化データへ、機械学習の適用範囲が拡大

　機械学習は人工知能のプログラムが学習する仕組みのことで、すでにあらゆる産業で活用が進んでいる。アナリティック・ソリューション・サービスで活躍するPwC米国のAnnand Rao氏は、機械学習に関する具体的な事例を紹介した。

「銀行や保険といった金融業界では、優良顧客を囲い込むために機械学習が利用されている。しかし、このデータは構造化されたものであり、全体の5％程度に満たない」（Annand Rao氏）

　これから注目されそうなのが、非構造化データに区分されるソーシャルメディアや音声データへの適用だ。

「大手銀行では、ソーシャルメディアから得られたデータを分析し、住宅ローンに対する顧客の考え方を理解しようとしている。またコールセンターの会話を分析し、顧客対応への利用も考えている。さらにイメージングの適用もある。自動運転のビデオデータをリアルタイムで収集し、運転状況を分析することが、現時点で最も高度化された機械学習の利用法だろう」（Annand Rao氏）

機械学習の産業での活用における3つの課題

　その一方で、PwC米国のDan DiFilippo氏は、機械学習のオペレーションに以下3つの課題があることを指摘した。

「適切な人材を見つけること。適切なテクノロジーでインフラを構築すること。適切なサポートとオペレーティングモデルをつくることだ。その際には人とマシンのインターフェース、さらにデータとのやりとりが求められる。しかし、まだ企業は機械学習に使えるデータの把握ができていない」（Dan DiFilippo氏）

　アナリティック・ソリューション・サービスのリーダーを務めるPwC米国のPaul Blase氏も「機械学習のパワーについては、まだ産業分野では数％しか発揮できていない。具体的に何ができるのかを実務で示し、ビジネス的な価値を広めていく必要がある」と付け加え、企業側で解決すべきポイントについて触れた。

　まず1点目は、企業のエグゼクティブが機械学習について正確に理解することだ。「我々は、どこに機械学習を適用し、どのような価値が得られるのかを示したい。例えば、自動車産業では、イメージのライブラリーを蓄積し、理想的なクルマのモデルを作れる。何度も繰り返してイメージの精度を高め、最適なスタイルを予測できるようになる」（Paul Blase氏）

　2点目のポイントは、機械学習はソリューションではないという点を認識することだ。同氏は「機械学習には、複雑なプロセスが関わってくる。ユースケースの各プロセスで、一体どんなアルゴリズムを適用するのかを考えなければならない。包括的な分析工程のなかで、数多くの方法を試していくことが求められる」と説明する。

企業の成熟度に応じて機械学習の適用せよ

　このような各リーダーの解説に対し、モデレータを務めたPwCコンサルティング 松崎 真樹氏は、より議論を掘り下げる討論テーマを振った。「企業の成熟度によって、どのように機械学習を適用し、インテグレーションすべきか？」と、Paul Blase氏に最初の質問を投げかけた。

　この点について、同氏は企業の成熟度に応じて説明した。まず社内と社外のデータを理解する“データ発見”が第一ステップだ。「社内システムのデータだけでなく、政府や第三者機関など、第三者が有するデータも取れる時代になっている。たとえば、ソーシャルデメディアならば写真データも入っており、それもリソースの1つになりえる。どのような価格帯の消費財が売れており、その特徴の比較も行える。目標を設定すれば必要なデータが見えてくるだろう」（Paul Blase氏）

　第二ステップに入ると、知見をもってデータを処理し、理解できるようになる。ただし、まだ企業は予測や処方に役立てられる段階まで至っていない。

「本来なら財務から、マーケティング、サプライチェーン、販売まで役立てられるはずだが、インサイトを使った判断ができない。機械学習は診断まで役立つが、用途は限定的。各企業の分析チームを見ると、さらに成熟度がわかる。ほとんどの企業では、チーム内に判断能力が埋め込まれておらず、人材も確保できていない。そこで協力体制やコスト面などを含め、我々に相談にやってくる」（Paul Blase氏）

　成熟度という面では、グローバルでの地域間格差もある。Annand Rao氏は「機械学習を行う際には、それなりの大量データが必要だ。その点、先進国が持つ構造化データはうまく処理されている。一方、新興国ではデータが整備されいない。これが地理的な差異になっている。オープンソースとして公開されるソフトウェアがあっても、データが十分に活用できない点が問題だ」と指摘する。

　オープンソースですぐに技術が手に入る時代になり、企業規模による差異も縮まっているため、データの整備のほうが重要なのだ。そしてもう1つの問題は人材だ。「社内に高度な人材を抱えているかがカギ。人材確保は数の問題ではない。少数でも適切な人材がいれば、パイロット的に機械学習を導入できるし、適用も短期化できる。企業はオペレーティングモデルを適用し、新たなデジタル時代に合わせなければならない。その実力が企業の差として現れる。こちらのほうが技術より難解な課題だ」（Ralf Hombach氏）。

【次ページ】インダストリー4.0実現にも期待できる機械学習