前編「優秀なAI人材を得る3つの方法とは? 汚いデータを使えるようにするには?」では、AI(人工知能)専門家の確保やビジネスでのAI活用、AI技術の代表例である機械学習に関するデータの収集・整形方法を紹介した。後編ではAI活用の取り組みに必要な体制やデータに対する考え方について解説する。
AI活用プロジェクトのチームが発足し、まず機械学習の実験を開始するとなると、次のような疑問が浮かぶだろう。
これらの疑問に答えを出すには、より多くのデータに機械学習アルゴリズムを適用する必要がある。だが必要なデータが、実験に使ったものとは別のデータベースにある場合がある。クリーニングが必要な場合は、すぐ手に入らないこともある。
こうした事情でデータの入手が難しくなる場合、データの性質や収集方法に応じて、モデル作成が数日から数カ月遅れることがある。実験をするたびに得られる新たな洞察がさらに疑問を呼び起こし、そのために別のデータを追加で収集しなければならなくなる。企業にとってAI技術を利用することとは、データ収集、実験、検証のプロセスを忍耐強く繰り返すことを意味する。
多種多様な可能性を秘めるAI技術だが、大きな問題の一つは「どこから手を着けるか」だ。
残念なブランド体験で8割の顧客は「もう買わない」――Sitecore調査
消費者にとって不都合な事象が発生した際にも、ブランドを好きでいられるのは10人に1人。
ナイキとアディダスに学ぶ ファンを増やす企業文化とは?
スポーツにおけるトップブランドの座を巡ってし烈な競争を繰り広げてきたナイキとアディ...
DXにおける「コンサルティング力」とは?
DXが加速する中でコンサルティング人材へのニーズが高まっています。DXにおける「コンサ...