データ準備機能も機械学習プラットフォームを検討する際に考慮に入れる必要がある。データ準備機能には「データの収集」「分類」「フィルタリング」「統合」などのプロセスが含まれる。

　視覚化、調査の機能も重要だ。多くのデータ検出ツールは、視覚化の機能を採用している。こうしたツールは、データセット内からパターンや特定のデータを見つけ出し、ダッシュボード、レポート、グラフ、表といった形式で視覚化する。

　従来、データ視覚化の機能ができることは、標準グラフの作成、簡単なグラフィックス表現、主要業績の指標化といった単純な作業に限られていた。だが、ビッグデータやデータ分析の利用が増加することに伴い、顧客ベースの分析やデータ検出、大量のデータへのアクセス、高度なプレゼンテーションの作成機能などにも重点が置かれるようになった。

自動化に関する機能

　企業活動のあらゆる場面で自動化が求められている。業務効率を高め、製品を市場に投入するまでにかかる時間を短縮することがその目的だ。同様に、機械学習のプロセスにも自動化が必要だ。

　機械学習プラットフォームの中には、プロセス自動化の機能が組み込まれている製品がある。こうした製品は「機械学習モデルの作成」「トレーニング」「調整」「導入」などのプロセスを自動化できる。これらのプロセスを短時間で完了できれば、その分、機械学習を開始してからビジネスで成果を出すまでの時間を短縮できる。

　例えば監視ツールを製品内に組み込んでいる機械学習プラットフォームがある。こうした製品は、機械学習モデルのパフォーマンス測定、再トレーニング、新しいデータの取り込み、などを自動的に実行する。また、ユーザーが指定した時間内に自動的に機械学習モデルのトレーニングと調整を実行する機能を持った機械学習プラットフォームもある。

　自動化の他、時間とコストを節約できる可能性のある領域がもう一つある。それはITリソースのプロビジョニングだ。機械学習プラットフォームの中には、ITリソースの割り当て、管理といったプロビジョニングを自動化できるものがある。これにより担当者は、インフラの管理、運用に手間をかけることなく機械学習モデルの開発、導入に専念できる。

アルゴリズムとモデリングの手法

　機械学習におけるアルゴリズムとモデリングの手法は多様だ。それぞれの手法に独自の長所と適したユースケースがある。機械学習プラットフォームを比較する際は、その製品がどういった仕組みを採用しているかを確認する必要がある。

　手法は、大まかに「教師あり学習」と「教師なし学習」に分類できる。教師あり学習では、データサイエンティストやデータアナリストが、機械学習モデルにトレーニングデータを与える。与えるデータは機械学習モデルに学ばせたい内容に基づいている。そして出力結果を調べ、望ましい結果が得られるまで、必要に応じてパラメーターを変更する。その後、機械学習モデルに新しいデータを与え、結果を適切に予測できるようになったかを確認する。

　教師あり学習は、過去の財務実績に基づき、顧客の潜在的な財務リスクを判断するといったタスクに利用できる。これらの機械学習モデルは、顧客の過去の活動に基づき、特定の状況において顧客がどのように反応するのかといったことや、何を優先するのかに関する洞察を提供してくれる。

　教師なし学習は、対象となるデータセットの中から、パターンを見つけ出すことに利用できる。パターンは最終的に統計的な特性に基づきクラスタに分類される。教師なし学習の例として、レコードリンケージに使用されるクラスタリングのアルゴリズムがある。レコードリンケージは個人や組織を特定するために、データの関連性を抽出する機能だ。

　ディープラーニング（深層学習）は、教師なし学習または強化学習に利用できる手法の一つだ。人間の脳が学習する仕組みを模倣したニューラルネットワークを利用する。データの特性を細かく特定することができ、詐欺の検出や予知、予防に利用できる。

　機械学習プラットフォームを比較する際に考慮すべき点がもう一つある。機械学習プラットフォームで使う機械学習モデルを、事前にトレーニング済みのものにするか、自分で構築するか、という点だ。独自のデータを使用した機械学習モデルを構築する場合は、機械学習モデルを自ら管理、トレーニングする必要がある。一方でトレーニングデータが付属する、ベンダーが事前にトレーニングした機械学習モデルを導入することが適する場合もある。事前トレーニング済みの機械学習モデルを利用するメリットは、自らトレーニングする時間をかけずに、すぐに新しいデータを評価し、分類できることだ。