基本的な仕組みを知る
データサイエンティストに縁遠い人のための「機械学習」入門
機械学習はより洗礼された意思決定において、有益なデータを抽出する最適なツールになり得る。機械学習がどのように情報を予測しているのか、基本的なアルゴリズムや仕組みについて紹介する。
ビッグデータ活用の目的と期待 出典：IDC Japan（TechTargetジャパン記事「“やるかやらないか”で二極化するビッグデータ活用 一般企業への浸透が進む」から）《クリックで拡大》
機械学習は、ビッグデータを活用して企業経営にインテリジェンスを持ち込むときの鍵となる。ただ、機械学習のアルゴリズムは魅力的ではあるものの、この技術は急速に複雑化している。われわれ全員がデータサイエンティストになる必要はないが、IT担当者は機械がどのように学習するか、しっかり理解していなければならない。
併せて読みたいお薦め記事
「機械学習」はどう使われる？
データサイエンティスト活用
アルゴリズムの謎を解く
有益なパターンの抽出やそれに基づく予測など、機械学習の実用的で実現可能な目的は次第に見えてきた。しばしば、そうした予測モデルは進行中の意思決定プロセスを最適化するための経営プロセスに用いられる。だが、機械学習は戦略的意思決定に不可欠な洞察や情報も提供する。
機械学習の基本的な考えは、特定の入力データが与えられたとき、一定の確率の範囲内で出力値を予測できるようにアルゴリズムを鍛えることだ。今日の機械学習技術は、帰納的手法であり、演繹（えんえき）的手法ではないことに留意しよう。すなわち、確率的相関性を導くものであっても、絶対的結論をもたらすものではない。
そうしたアルゴリズムを構築するプロセスは、予測モデリングと呼ばれる。いったん自分のデータでそれらのモデルをマスターする。そうすることで、時々オリジナルのデータを直接検証したり、あるいは何か重要なものを予測するための新しいデータにそのモデルを適用したりといったことが可能になる。一般的に、モデルからの1つのアウトプットは、何かの分類であったり、予想される結末であったり、隠された関連性や属性を示すものや予測値であったりする。
典型的に、機械学習技術はラベルや色、所属あるいは性質といった何らかの分類を示す値を予測する。例えば、その対象は囲い込むべき顧客グループに属するか、何かを購入する可能性のあるグループに属するか、あるいは特定のオファーに好意的に反応する可能性のあるグループに属すかなどである。
量的な推定や連続的尺度における値に注目する場合、予測は数値の形式をとる。このように出力形式が最適な学習手法を決定し、モデリングの品質を判定するときの測定値に影響を及ぼす。
誰が機械学習手法を指導するか？
日本IBMのコグニティブ・コンピューティング「Watson」のWebサイト《クリックで拡大》
機械学習手法には、教師付き学習と教師無し学習の2種類がある。その違いは、アルゴリズムが勝手気ままにふるまうかどうか、ではない。実際の有効な結果が含まれるトレーニングデータを基に学習するのかだ。すなわち、あらかじめ決められ、データセットに追加されている情報から指導を受けて学習するのか。あるいはそうではなく、与えられたデータセットの中だけで自然なパターンを発見するのかである。ほとんどの企業は予測モデリングを用い、トレーニングデータによる教師付き学習手法を利用して、決められたインスタンス（電子メール、個人、会社、取引など）が
- 興味深いカテゴリーに属すのか
- スパムなのか
- 見込み客からの連絡なのか
- 信用できるインスタンスなのか
- フォローアップのオファーに反応するか
などの予測を目指している。
教師無しの機械学習手法は、われわれが何かを始める前、正確に何を探し求めているかが分からないとき、新しい視点を提供してくれるものだ。教師無し学習は、データ間の関連性を示すクラスタリングチャートや階層チャートを作成し、どのデータフィールドが独立的か従属的かを示す。あるいはデータを説明、要約、一般化する法則を発見してくれる。そしてそれらの洞察は、より優れた予測モデルの構築に役立てることができる。
この辺りは、本格的なデータサイエンスのほんの初期段階にすぎない。機械学習モデルを構築するということは、反復訓練であり、データの精査と検証が要求される。データサイエンティストの力を借りることなく自動化に取り組めるツールや「ガイド付き」のモデリングツールも登場している。だが、そうした製品はよく知られた一般的な産業領域で効果を発揮するものがほとんどだ。本当の差別化を目指すのであれば、自分自身の手で取り組むことが重要となる。
Copyright © ITmedia, Inc. All Rights Reserved.
この記事の著者
関連記事
新着ホワイトペーパー PR
-
製品資料
[ゾーホージャパン株式会社] サイバー攻撃からネットワークを守る上で確実に押さえておきたいポイントとは？ -
事例
[アルプス システム インテグレーション株式会社] 中小企業でも安心して活用できる「手ごろなSOCサービス」とは？ -
製品資料
[株式会社シーイーシー] 脱VMwareに成功した企業は何をどう実践した？ 事例に学ぶ戦略立案＆実装のコツ -
製品資料
[株式会社オービックビジネスコンサルタント] ランサムウェア攻撃を“二重の防御構造”で防ぐ、クラウド型基幹システムの実力 -
製品資料
[株式会社オービックビジネスコンサルタント] 動画で知るランサムウェア被害企業のリアル、会計データが無事だった理由とは
こんなメディアも見られています
TechTargetジャパンに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
ベンダーコンテンツ PR
From Informa TechTarget
SpecialPR
アクセスランキング
-
1
鹿島建設のDXを阻む「10年前のAWS」 安全性と自由度を両立したモダナイズ
-
2
損保ジャパンはなぜ「COBOL」を捨てなかったのか？ 脱メインフレームの真相
-
3
なぜ「全社配布Copilot」は使われないのか？ 失敗に学ぶAI定着
-
4
NECの「BluStellar」に必要なデータ保護と活用のための技術とは
-
5
「Excel管理」では限界――製造現場の改善が進まない“隠れた原因”
-
6
Microsoft激怒のゼロデイ脆弱性「無断公開」 パッチを待つのが危険な理由
-
7
Windows Server 2025移行の“超難関”「Active Directory」問題解決ガイド
-
8
「Oracle Database」のサポート体系が変更 料金への影響は？
-
9
「結局使わなくなる」Microsoft 365 Copilotを半年で定着 キリンの3施策
-
10
経営幹部が期待を膨らませる「AIエージェント」は何に使えるのか？ 活用例5選
ホワイトペーパーランキング PR
-
1
不審メールの経路や見せ方に変化？ 2026年夏の3事例から見えた動向と対処方法
-
2
Microsoft 365を安全に運用 うっかりミスやサイバー攻撃に備えるデータ保護術
-
3
LLMが兵器化？ 元FBI高官が鳴らす警鐘とセキュリティツール統合のポイント
-
4
財務部門がAIを最大限に活用する方法 無駄のない戦略的リーダーシップへの道
-
5
生成AIを開発に導入しても効果が見えない？ 実証実験で分かった成果と課題
-
6
「オンプレミス回帰」せざるを得ない“合理的な理由”
-
7
システムの保守がモダン化を阻む？ 「変えない判断」から脱却する方法とは
-
8
経産省DX指針から読み解く、受発注業務デジタル化ロードマップ
-
9
“あのファイル転送”で暗躍するノーウェアランサム
-
10
HDDを使わない「SSDオンリー」が無謀なのはなぜ？
TechTargetジャパン SNS
@techtarget_itmをフォロー
インフォメーション
注目情報をチェック
TechTargetジャパンをフォロー