クラウドで身近になる機械学習
GoogleやAWSが提供する機械学習サービス、ビジネスにどう活用する？
コンピューティングの新境地ともいえる機械学習が、パブリッククラウドのおかげでかつてなく手頃で使いやすくなった。ただし慌てて飛びつく必要はない。
機械学習はかつての人工知能のコンセプトに基づく。1959年、継続的に更新しなくても学習できる能力を持ったシステムと定義されたのが始まりだった。機械学習はパターン認識やコンピュータ学習から生まれ、最近になって大手パブリッククラウド事業者が独自の機械学習サービスの提供に乗り出したことから脚光を浴びている。
機械学習の応用例
Amazon Machine Learning では、入力データセットの可視化と調査に役立つインタラクティブな図が提供されている（出典：Amazon Web Service）《クリックで拡大》
現代では機械学習といえば、一般的にはデータのパターンを把握して学習する能力を持ったアルゴリズムの研究を指す。静的プログラミングよりも優れたアプローチとする見方も多い。機械学習は人間が経験を通じて学習するやり方をまね、手作業で新しいコードや設定情報を追加しなくても、時間の経過とともに進歩する。
クラウドのおかげで機械学習はより使いやすく、手頃で役に立つものになった。今や、コンピューティングやストレージは購入せずに、レンタルで利用できる。ユーザーは、オンプレミスハードウェアに比べてごくわずかなコストで、ペタバイト級のデータを、機械学習アプリケーション用に利用できる。機械学習があらためて注目を集めているのは、機械学習の昔ながらの機能そのものというよりも、この技術の新たな機能やコストに由来するものだ。
一般的な機械学習の使用事例には、不正検出、在庫管理、モノのインターネット内部のマシンの制御などが挙げられるが、データのパターン把握の恩恵を受けられる用途であれば、ほぼ何にでも応用できる。
他にも機械学習のより高度な応用もある。例えば、MIT Sloan Management Reviewに掲載された「Sales Gets a Machine-Learning Makeover」という記事の中で、Accenture Institute for High Performanceは、年商5億ドル以上の企業を対象にした調査結果を紹介している。調査対象の企業の76％は、機械学習を使って売り上げの増大を図る計画があると回答した。そのために機械学習を使って予測の精度を高め、それに従って営業リソースを割り当てるとしている。
パブリッククラウドにおける機械学習
Google Cloud Platformの「Google Cloud Machine Learning」と、Amazon Web Services（AWS）の「Amazon Machine Learning」は、パブリッククラウド機械学習サービスの筆頭事例に挙げられる。いずれもそれぞれの環境内で機械学習技術を提供し、自社のクラウドプラットフォーム上でのアプリケーション開発に対する関心を高めている。両社とも機械学習サービスと、データ源となるビッグデータ管理システムを、低コストで提供している。
プロバイダーの選定に当たっては、機械学習に対するニーズの全局面と、パブリッククラウド事業者がそのニーズを満たせるかどうかを検討する必要がある。機械学習サービスそのものだけでなく、そのクラウドプラットフォーム上でデータ、ミドルウェア、分析機能がいかに連係してビジネス問題を解決できるかも考慮しなければならない。
パブリッククラウド事業者の機械学習システムでは、開発者が機械学習機能をアプリケーションに取り入れるためのソフトウェア開発キットとアプリケーションプログラミングインタフェースも提供する。これは、機械学習能力とその技術の実際の利用の橋渡し役となる。例えば、組織はローンアプリケーションの不正について、そのローンアプリケーション内部の過去と現在のデータのパターンに基づき判断できる。
パブリッククラウドの機械学習サービスには難点もある。まず、そのパブリッククラウド事業者のネイティブのサービスを使わなければならない。つまり、データを、他のクラウドやオンプレミスに移植しなければならない場合は問題が生じるかもしれない。
第2に、多くの企業は、機械学習を過剰に使って、実際にはこの機能を必要としないアプリケーションにまで実装する傾向がある。機械学習は、手順性の強い単純なビジネスプロセスにとっては行き過ぎだ。単純な構造化された連続的処理を行うアプリケーションは一般的に、機械学習には向かない。例えば売り上げの記録や出荷の追跡など定義が確立されたプロセスの処理においては、機械学習の真の恩恵は受けられない。
もちろん、そうした評価をする前に、全てのアプリケーションの条件について検討しなければならない。飛びつく前にまず、AWSやGoogleといったプロバイダーの機械学習サービスの違いを入念に調べ、全てアプリケーションがこの技術に適しているわけではないと認識する必要がある。
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
-
事例
[ServiceNow Japan合同会社] 脆弱性対応のリードタイムと工数を大幅削減、事例に学ぶセキュリティ基盤刷新術 -
製品レビュー
[ServiceNow Japan合同会社] AIによる業務の自律化はどう実現する？ 企業に求められる新たな業務基盤とは -
技術文書・技術解説
[Jamf Japan 合同会社] MDMだけでモバイルセキュリティは十分？ 不足する対策を16項目でチェック -
技術文書・技術解説
[Jamf Japan 合同会社] MDMだけでは防げない？ Appleデバイスに潜む5つのセキュリティギャップ -
市場調査・トレンド
[オープンテキスト株式会社] 2026年のサイバーセキュリティには何が必要か？ 最新データに学ぶ傾向と対策
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
なぜ「全社配布Copilot」は使われないのか？ 失敗に学ぶAI定着
-
2
なぜ「Gemini 4 Argon」は出遅れたのか？ Googleが狙う“逆転のシナリオ”
-
3
【漫画付き】ひとり情シス協会が明かす、RAG導入でしくじる企業「2つの共通点」
-
4
情シスの約8割が転職や退職を意識 調査で分かった“辞めたくなる最大の理由”
-
5
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
-
6
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
-
7
「Wi-Fi 7」経由でWindowsが乗っ取られる？ 最高権限奪取の恐怖
-
8
法務と開発者で「言葉が通じない」問題 トヨタやソニーが語るOSS管理の真実
-
9
「Linux」の脆弱性を生むのは誰か？ ベテラン開発者の意外なミス
-
10
「中堅・中小企業のネットワーク・セキュリティ運用実態」に関するアンケート
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
家庭用Wi-Fiルーターの業務利用は危険？ 避けるべき理由と具体的な対策
-
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
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
-
6
「オンプレミス回帰」せざるを得ない“合理的な理由”
-
7
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
-
8
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
-
9
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
-
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