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。