ビジネスで使う機械学習-谷田部卓

# ビジネスで使う機械学習 ## Metadata * [[谷田部卓]] ![image|150](https://m.media-amazon.com/images/I/81-a47RwczL._SX1024.jpg) * ASIN: B01JHLAIPO * Reference: https://amazon.co.jp/dp/B01JHLAIPO * [Kindle link](kindle://book?action=open&asin=B01JHLAIPO) ## 要約 ## 読書メモ ## Highlights >[!quote] >例えば E メールのスパム判定は、機械学習で迷惑メールを自動的に判別します。 — location: [95](kindle://book?action=open&asin=B01JHLAIPO&location=95) ^ref-32885 --- >[!quote] >入力単語を予測して変換しますが、これも機械学習の応用です。 — location: [97](kindle://book?action=open&asin=B01JHLAIPO&location=97) ^ref-58130 --- >[!quote] >・予測：最も実用化が進んでいる領域です。一般的に、数値処理なら機械学習は比較的簡単に実用化ができ、その出力精度も高いので、現時点で最も使われている領域です。 — location: [105](kindle://book?action=open&asin=B01JHLAIPO&location=105) ^ref-63131 --- >[!quote] >・識別：近年の深層学習（ Deep Learning）の登場により、一気にその精度が高まり、実用化が急速に始まったばかりの領域です。今後はさらに注目されていくことでしょう。 — location: [107](kindle://book?action=open&asin=B01JHLAIPO&location=107) ^ref-7489 --- >[!quote] >・実行：自動車の自動運転技術が AI 技術の応用として、最も分かりやすいため、マスコミに頻繁に取り上げられている領域です。目 — location: [109](kindle://book?action=open&asin=B01JHLAIPO&location=109) ^ref-27587 --- >[!quote] >日本語のいわゆる「 AI 会話」が急速に発達したので、自然言語処理分野では一気に実用化が始まると思われます。 — location: [111](kindle://book?action=open&asin=B01JHLAIPO&location=111) ^ref-60091 --- >[!quote] >・教師あり学習：最も一般的な機械学習です。まず様々な種類の大量にある正解付きのデータを分析し、予測モデルを作成します。 — location: [120](kindle://book?action=open&asin=B01JHLAIPO&location=120) ^ref-61623 --- >[!quote] >・教師なし学習：未知のデータのため、どの観点から分析すべきか不明な場合の方法です。 — location: [124](kindle://book?action=open&asin=B01JHLAIPO&location=124) ^ref-45926 --- >[!quote] >試行錯誤が必要になります。最近は深層学習（ Deep Learning）の登場で、その応用が広がりつつあります。 — location: [126](kindle://book?action=open&asin=B01JHLAIPO&location=126) ^ref-11737 --- >[!quote] >・強化学習：試行錯誤をしながら、目的に合った結果を得られると「報酬」が得られ、最も報酬が得られるように学習していく方法です。 — location: [127](kindle://book?action=open&asin=B01JHLAIPO&location=127) ^ref-50355 --- >[!quote] >・回帰（ Regression）：売上予測などのような、過去の実績ある数値から、未知の数値を予測する際に用います。単 — location: [136](kindle://book?action=open&asin=B01JHLAIPO&location=136) ^ref-46222 --- >[!quote] >・クラス分類（ Classification）：迷惑メールの判定などのように、データを適切なクラスに割り当てる手法です。 — location: [139](kindle://book?action=open&asin=B01JHLAIPO&location=139) ^ref-28979 --- >[!quote] >・クラスタリング（ Clustering）：値やデータの類似性をもとに、データを自動的にグループ分けする手法で、 k-means 法が有名です。クラス分類と似ていますが、教師なし学習です。 — location: [143](kindle://book?action=open&asin=B01JHLAIPO&location=143) ^ref-51729 --- >[!quote] >・情報圧縮・次元圧縮（ Dimensionality Reduction）：かつて顔認証で用いられてきた手法で、（画像）データの特徴的傾向をできる限り残しながら、データ総量を減らします。 — location: [146](kindle://book?action=open&asin=B01JHLAIPO&location=146) ^ref-44304 --- >[!quote] >・レコメンデーション（ Recommendation）： Amazon などの EC サイトで、以前から用いられてきた手法で、購入履歴から興味がありそうな商品を推測します。 — location: [149](kindle://book?action=open&asin=B01JHLAIPO&location=149) ^ref-49902 --- >[!quote] >アルゴリズムの種類は、長い研究の中から多数の種類が考えられてきました。つまり全ての課題に汎用的に利用できるアルゴリズムは、現時点で存在しません。このため利用目的に適したアルゴリズムを見つけるためには、試行錯誤しながら決定する必要があります。 — location: [154](kindle://book?action=open&asin=B01JHLAIPO&location=154) ^ref-39922 --- >[!quote] >機械学習の基本は統計学にあり、その出力データはすべて確率で表現される — location: [160](kindle://book?action=open&asin=B01JHLAIPO&location=160) ^ref-5449 --- >[!quote] >回帰」は、過去の実績データを学習させて、未知の数値を予測させます。 — location: [165](kindle://book?action=open&asin=B01JHLAIPO&location=165) ^ref-60893 --- >[!quote] >機械学習で、アルゴリズムとはこの数式のことで、教師データとは実績値のことです。 — location: [177](kindle://book?action=open&asin=B01JHLAIPO&location=177) ^ref-47563 --- >[!quote] >クラス分類は、与えられたデータを適切な「クラス」に分類する、教師ありの機械学習です。左の「決定木」は、木構造でクラス分類を行う手法です。この特徴は、分類モデルを視覚的に理解できることです。しかし学習速度は速いのですが、一般的には精度があまりよくないと言われています。 — location: [186](kindle://book?action=open&asin=B01JHLAIPO&location=186) ^ref-52655 --- >[!quote] >ロジスティック回帰」は、過去のデータをもとに、「あるクラスに該当する確率」を予測します。この確率に対して、「閾値」を設定し、それ以上か未満でクラスを割り当てる手法です。 — location: [190](kindle://book?action=open&asin=B01JHLAIPO&location=190) ^ref-59864 --- >[!quote] >迷惑メールの判定閾値を上げると、「誤判定」は減りますが「判定漏れ」が増えるトレードオフの関係にあります。 — location: [194](kindle://book?action=open&asin=B01JHLAIPO&location=194) ^ref-26022 --- >[!quote] >このロジスティック回帰の「判別式」をクラス毎に用意すると、「多クラス分類」が可能となります。 — location: [195](kindle://book?action=open&asin=B01JHLAIPO&location=195) ^ref-54398 --- >[!quote] >クラスタリングとは、与えられたデータの値の類似性をもとに、自動的にグループに分ける手法です。クラス分類と似ていますが、正解付データの不要な教師なし学習です。 — location: [201](kindle://book?action=open&asin=B01JHLAIPO&location=201) ^ref-18197 --- >[!quote] >レコメンデーションは、 EC サイトなどで利用者が興味を持ちそうな商品を推測し、利用者に対して推奨する仕組みです。推測する方法としては、まず EC サイト上で投稿したレビュー点数、行動履歴、商品購入の有無などから、その利用者に「評点」を付けます。その評点から利用者の嗜好を分析して、お薦め商品を推測するのが「協調フィルタリング」です。 — location: [217](kindle://book?action=open&asin=B01JHLAIPO&location=217) ^ref-15296 --- >[!quote] >利用者が高い評点を与えた商品と、類似した商品をお薦めするのが「アイテムベースレコメンド」 — location: [222](kindle://book?action=open&asin=B01JHLAIPO&location=222) ^ref-406 --- >[!quote] >対象者と似た嗜好の利用者を複数選び出して、その利用者の多くが高得点の商品の中で、対象者がまだ購入していない商品をお薦めするのが「ユーザーベースレコメンド」です。 — location: [223](kindle://book?action=open&asin=B01JHLAIPO&location=223) ^ref-56649 --- >[!quote] >回帰やクラス分類などの「教師あり学習」の場合、この教師データをもとに数式の変数（パラメータ）をコンピュータが自動的に決定します。 — location: [232](kindle://book?action=open&asin=B01JHLAIPO&location=232) ^ref-2325 --- >[!quote] >教師データに合わせ過ぎた状態を「過学習 over-fitting」と呼び注意が必要です。これを避けるためには、教師データとは別に正解付きの評価用のデータも用意して、検証する必要があります。 — location: [239](kindle://book?action=open&asin=B01JHLAIPO&location=239) ^ref-20973 --- >[!quote] >ただ教師データの件数が膨大にあれば、このような過学習は解消します。 — location: [241](kindle://book?action=open&asin=B01JHLAIPO&location=241) ^ref-57918 --- >[!quote] >「自然言語」とは、人が日常に使っている日本語や英語などの言語のことです。コンピュータで使用する C 言語や Java などのプログラミング言語と区別するため、このような呼び方をしています。自然言語は、人間の長い歴史の中で自然に発達してきたため、プログラミング言語と比べると、曖昧性が非常に高く、「自然言語処理（ Natural Language Processing）」という特別な処理を行う必要があります。 — location: [248](kindle://book?action=open&asin=B01JHLAIPO&location=248) ^ref-33930 --- >[!quote] >単語や文章の「特徴量」です。この特徴量を数値化することで、文章を数値で扱えるようになり、文章のデータ量を大幅に圧縮することができたのです。 — location: [259](kindle://book?action=open&asin=B01JHLAIPO&location=259) ^ref-20558 --- >[!quote] >単語や文章の特徴量は、英語の場合では上の図にあるような「 N-gram 処理」や「 TF-IDF 処理」が一般的です。どの文章でも使われているような単語は重要でなく、対象となる文章内では高頻度の単語が特徴的である、 — location: [261](kindle://book?action=open&asin=B01JHLAIPO&location=261) ^ref-793 --- >[!quote] >英語のように、単語と単語の間がスペースで区切られている言語は比較的処理が容易だったため、先行して発達しています。 — location: [270](kindle://book?action=open&asin=B01JHLAIPO&location=270) ^ref-14227 --- >[!quote] >文章を単語に分割してクリーニングした後、その文章の「特徴量」を抽出することで「ベクトル化」 — location: [272](kindle://book?action=open&asin=B01JHLAIPO&location=272) ^ref-41588 --- >[!quote] >まず国語辞典や文法の知識、一般常識等をデータベース化しておく必要があります。 — location: [281](kindle://book?action=open&asin=B01JHLAIPO&location=281) ^ref-53207 --- >[!quote] >多数の解釈の中から最も「妥当な」解釈を判断していると言われます。その「妥当性」を、コンピュータに実装することは難しいのです。 — location: [284](kindle://book?action=open&asin=B01JHLAIPO&location=284) ^ref-34512 --- >[!quote] >自然言語処理の難しさの根本原因は、自然言語が本質的に持ち、多様な解釈を可能とする「曖昧さ」にあるのです。 — location: [286](kindle://book?action=open&asin=B01JHLAIPO&location=286) ^ref-52297 --- >[!quote] >自然言語処理の最も身近な例は、「かな漢字変換」です。 — location: [288](kindle://book?action=open&asin=B01JHLAIPO&location=288) ^ref-64744 --- >[!quote] >検索エンジン」は、日本語の自然言語処理のおかげで利用することができ、「機械翻訳」の研究成果で自然言語処理は発達してきたとも言えます。 — location: [289](kindle://book?action=open&asin=B01JHLAIPO&location=289) ^ref-32919 --- >[!quote] >まず文章から単語を切り出す必要があります。この処理を「形態素解析」 — location: [292](kindle://book?action=open&asin=B01JHLAIPO&location=292) ^ref-4214 --- >[!quote] >さらに、「意味解析」、「文脈解析」と進みますが、未だに研究段階であり精度の良い確立した手法はありません。 — location: [294](kindle://book?action=open&asin=B01JHLAIPO&location=294) ^ref-38149 --- >[!quote] >単語分割に加えて「品詞付与」などの処理も同時に行います。 — location: [304](kindle://book?action=open&asin=B01JHLAIPO&location=304) ^ref-50775 --- >[!quote] >形態素解析ソフトウェアとして有名なのが、「 MeCab」というオープンソース（ OSS） — location: [307](kindle://book?action=open&asin=B01JHLAIPO&location=307) ^ref-22681 --- >[!quote] >① 研究段階：機械学習（ ML）は人工知能（ AI）における研究課題として、 1960 年頃から研究されてきました。 — location: [318](kindle://book?action=open&asin=B01JHLAIPO&location=318) ^ref-44867 --- >[!quote] >② 実用化段階：そして近年、成績が良く実績ある ML アルゴリズムは、コンピューターパワーの急激な進化と伴って、大学などの研究機関がオープンソース（ OSS）化しました。 — location: [321](kindle://book?action=open&asin=B01JHLAIPO&location=321) ^ref-60113 --- >[!quote] >OSS のフレームワークが火付け役となり、機械学習は一気に実用化段階に入ってきます。 — location: [323](kindle://book?action=open&asin=B01JHLAIPO&location=323) ^ref-65513 --- >[!quote] >③ クラウド ML の登場： 2014 年末に IBM Watson が ML の API を公開すると、 2015 年からは主たるパブリッククラウドで、続々と実用的な ML アルゴリズムがライブラリとしてサポートされます。こうして機械学習は、本格的な実用化の段階に突入したのです。 — location: [325](kindle://book?action=open&asin=B01JHLAIPO&location=325) ^ref-5003 --- >[!quote] >AI や機械学習の応用先は「予測」、「識別」、「実行」になります。現時点では、この中で「予測」が最も実用化が進んでおり、応用しやすい分野と言えます。「識別」は比較的専門性が高く、「実行」は現時点で実用化があまり進んでいません。 — location: [331](kindle://book?action=open&asin=B01JHLAIPO&location=331) ^ref-16256 --- >[!quote] >現状ではアナリストが過去の実績データをもとに、 BI ツールを用いて経験と勘で行う場合が多いと思います。 — location: [338](kindle://book?action=open&asin=B01JHLAIPO&location=338) ^ref-48768 --- >[!quote] >機械学習の利点は、最初に適切な「予測モデル」を作成すると、その後は専門家の常駐が不要になるところです。 — location: [341](kindle://book?action=open&asin=B01JHLAIPO&location=341) ^ref-33382 --- >[!quote] >ただし、「教師あり機械学習」の場合は、どの分野でも同じですが、その出力精度は教師データの質・量・種類に大きく依存 — location: [344](kindle://book?action=open&asin=B01JHLAIPO&location=344) ^ref-964 --- >[!quote] >① 店舗への来客者数の予測 — location: [348](kindle://book?action=open&asin=B01JHLAIPO&location=348) ^ref-19374 --- >[!quote] >最初は、入手可能なあらゆる種類のデータを集めることをお薦めします。 — location: [354](kindle://book?action=open&asin=B01JHLAIPO&location=354) ^ref-36808 --- >[!quote] >② 売上の予測 — location: [359](kindle://book?action=open&asin=B01JHLAIPO&location=359) ^ref-12579 --- >[!quote] >売上データや顧客の平均購入単価ならあると思いますので、来客数（予測数）と購買率のデータがあれば精度の良い売上予想も可能 — location: [361](kindle://book?action=open&asin=B01JHLAIPO&location=361) ^ref-37962 --- >[!quote] >③ 顧客の店舗内動線分析 — location: [367](kindle://book?action=open&asin=B01JHLAIPO&location=367) ^ref-44853 --- >[!quote] >顧客が店舗内をどのように回遊するか、どの商品の前に顧客が集まるか、買い物の順番はどうなのかなど、顧客の動線分析に注目が集まっています。これは、品揃えや陳列棚の改善により、売上アップを目的 — location: [368](kindle://book?action=open&asin=B01JHLAIPO&location=368) ^ref-12571 --- >[!quote] >店舗内にビデオカメラ、赤外線センサー、レーザーセンサーなどを一定期間設置して、データを収集します。 — location: [371](kindle://book?action=open&asin=B01JHLAIPO&location=371) ^ref-24498 --- >[!quote] >④ 工場での作業員動線分析 — location: [375](kindle://book?action=open&asin=B01JHLAIPO&location=375) ^ref-32952 --- >[!quote] >作業員の動きを分析することで、作業工程を効率化したり、危険エリアに入らないような通路を確保したりすることがあります。 — location: [377](kindle://book?action=open&asin=B01JHLAIPO&location=377) ^ref-46983 --- >[!quote] >作業員にタグを付けたり、スマホを持ってもらい、作業員の位置データを収集 — location: [378](kindle://book?action=open&asin=B01JHLAIPO&location=378) ^ref-18732 --- >[!quote] >機械学習の場合は作業員全員の総移動量を計測・分析することができるので、大きな改善効果が期待できます。 — location: [380](kindle://book?action=open&asin=B01JHLAIPO&location=380) ^ref-61454 --- >[!quote] >⑤ EC サイトでの商品レコメンデーション — location: [382](kindle://book?action=open&asin=B01JHLAIPO&location=382) ^ref-38149 --- >[!quote] >以前から Web サイトへの来訪者の行動をログから分析し、サイトデザインを改良 — location: [384](kindle://book?action=open&asin=B01JHLAIPO&location=384) ^ref-12546 --- >[!quote] >来訪者個別のデータを取得できるので、来訪者特性に合わせたレコメンデーションやバナー広告を出すことなど、きめ細かな制御ができます。 — location: [385](kindle://book?action=open&asin=B01JHLAIPO&location=385) ^ref-6408 --- >[!quote] >EC サイトのこのような顧客別対応は、元々リアル店舗での接客術、つまり優秀な店員のお得意様対応を自動化しようとしたものでした。 — location: [387](kindle://book?action=open&asin=B01JHLAIPO&location=387) ^ref-22907 --- >[!quote] >⑥ フライトデータと気象データから飛行機の遅延時間予測 — location: [391](kindle://book?action=open&asin=B01JHLAIPO&location=391) ^ref-33385 --- >[!quote] >飛行機の詳細な発着データと気象データから、飛行機の遅延時間を予想することができます。 — location: [393](kindle://book?action=open&asin=B01JHLAIPO&location=393) ^ref-55861 --- >[!quote] >⑦ 路線バスの遅延時間予測 — location: [396](kindle://book?action=open&asin=B01JHLAIPO&location=396) ^ref-44230 --- >[!quote] >曜日と時間帯別交通量データ、これに停車時間の実績データを入手し、予測モデルを構築すれば、各停留場への到着時刻を予想することも可能となるはずです。同様なデータを用いれば、運送業におけるトラックの到着予想時刻も可能でしょう。 — location: [400](kindle://book?action=open&asin=B01JHLAIPO&location=400) ^ref-62824 --- >[!quote] >識別とは、大量にあるデータを複数に分別することです。 — location: [404](kindle://book?action=open&asin=B01JHLAIPO&location=404) ^ref-24035 --- >[!quote] >① 機器異常や故障の事前検知 — location: [408](kindle://book?action=open&asin=B01JHLAIPO&location=408) ^ref-45746 --- >[!quote] >機器の異常を事前検知するためには、製造設備に組み込まれている電動機・モーター類の挙動データを詳細に監視していれば可能です。 — location: [415](kindle://book?action=open&asin=B01JHLAIPO&location=415) ^ref-17517 --- >[!quote] >長期間のデータ収集が必要となります。しかし機器のダウンタイムによる機会損失と、在庫管理費用を勘案し、費用対効果次第では検討 — location: [420](kindle://book?action=open&asin=B01JHLAIPO&location=420) ^ref-59751 --- >[!quote] >② Twitter の評判分析 — location: [422](kindle://book?action=open&asin=B01JHLAIPO&location=422) ^ref-15814 --- >[!quote] >テキストデータは非構造化データであり、分析するには日常の言葉で書かれているやっかいなデータです。このため「機械学習の原理」の章で説明した、自然言語処理（ NLP）が必要となります。一般的には「テキストマイニング」用のツールを用いて、アナリストが分析しています。 — location: [426](kindle://book?action=open&asin=B01JHLAIPO&location=426) ^ref-42724 --- >[!quote] >商品や店舗に関して日本語でつぶやかれた Twitter を大量に収集し、その評判が良いか悪いかを機械学習で自動分析することは、（簡単ではありませんが）不可能ではありません。 — location: [431](kindle://book?action=open&asin=B01JHLAIPO&location=431) ^ref-49640 --- >[!quote] >日本語の自然言語処理」の章で説明したように、 Twitter のテキストを形態素解析し、あらかじめベクトル化してある「良い言葉」と「悪い言葉」との類似度を計算すれば、評判分析ができるはずです。ただ実際には、これでは精度が悪いため、十分な数の教師データと「感情辞書」を準備し、再起型ニューラルネット（ RNN）などのアルゴリズムを用いての実験が必要でしょう。 — location: [435](kindle://book?action=open&asin=B01JHLAIPO&location=435) ^ref-21875 --- >[!quote] >② ソフトウェアの品質判定 — location: [440](kindle://book?action=open&asin=B01JHLAIPO&location=440) ^ref-54020 --- >[!quote] >ソフトウェアの品質は、静的解析ツールから出力されるメトリクスデータで数値化が可能です。 — location: [441](kindle://book?action=open&asin=B01JHLAIPO&location=441) ^ref-27662 --- >[!quote] >ソフトウェアの品質特性全体ではなく、主に「可読性」を対象としています。 — location: [443](kindle://book?action=open&asin=B01JHLAIPO&location=443) ^ref-14196 --- >[!quote] >このメトリクスデータに、既に品質判定した結果を組み合わせて教師データとします。 — location: [444](kindle://book?action=open&asin=B01JHLAIPO&location=444) ^ref-63864 --- >[!quote] >新しいソースコードの品質判定を自動で行えるようになります。この方法の有効性は、実際に確認できています。 — location: [445](kindle://book?action=open&asin=B01JHLAIPO&location=445) ^ref-47600 --- >[!quote] >機械学習を実際に利用する場合には、上の図にあるように「情報科学」、「計算環境」、「ビッグデータ」の 3 要素が必須 — location: [451](kindle://book?action=open&asin=B01JHLAIPO&location=451) ^ref-53677 --- >[!quote] >2015 年になり、 IBM や Microsoft、 AWS が続々と「クラウド ML」（最近ではクラウド AI とも言います）のサービスを始めると、その様相が一変します。 — location: [455](kindle://book?action=open&asin=B01JHLAIPO&location=455) ^ref-65138 --- >[!quote] >は、「アルゴリズム」と「計算環境」がパッケージで提供されたので、「データ」さえあれば誰でも容易に機械学習が利用できるようになりました。 — location: [458](kindle://book?action=open&asin=B01JHLAIPO&location=458) ^ref-38107 --- >[!quote] >適切なアルゴリズムを見つけるには、試行錯誤が必要です。従来なら、このアルゴリズムを利用するにはプログラミングする必要があり、この試行錯誤に非常に時間がかかっていました。 — location: [468](kindle://book?action=open&asin=B01JHLAIPO&location=468) ^ref-33835 --- >[!quote] >① 対象データの収集： — location: [474](kindle://book?action=open&asin=B01JHLAIPO&location=474) ^ref-33386 --- >[!quote] >対象データの整形： — location: [478](kindle://book?action=open&asin=B01JHLAIPO&location=478) ^ref-35740 --- >[!quote] >クラウド ML には、このデータクレンジングを自動的に行えるライブラリも準備されています。 ③ アルゴリズムの選定： — location: [484](kindle://book?action=open&asin=B01JHLAIPO&location=484) ^ref-56345 --- >[!quote] >ビジネスにおいては結果が重要なので、最も出力結果が良かったアルゴリズムを選定する、という試行錯誤でやることになります。したがってアルゴリズムの種類ができるだけ多いクラウド ML を選ぶべきです。 ④ 実験： — location: [489](kindle://book?action=open&asin=B01JHLAIPO&location=489) ^ref-32702 --- >[!quote] >⑤ 実験結果の評価： — location: [496](kindle://book?action=open&asin=B01JHLAIPO&location=496) ^ref-2220 --- >[!quote] >正解付の教師データを 7 対 3 などに分割し、 70% で学習させ残り 30% で評価する「ホールドアウト法」などを用いる方法が一般的です。 — location: [498](kindle://book?action=open&asin=B01JHLAIPO&location=498) ^ref-11859 --- >[!quote] >精度の評価に使う指標としては、正解率（ Accuracy）、真陽性率（ TPR）、偽陽性率（ FPR）、 ROC 曲線、適合率などがあります。 ⑥ パラメータ調整： — location: [500](kindle://book?action=open&asin=B01JHLAIPO&location=500) ^ref-46160 --- >[!quote] >・専門家が不要：従来は、 AI や機械学習の専門家がいない限り、機械学習をビジネスに利用することは考えられませんでした。 — location: [518](kindle://book?action=open&asin=B01JHLAIPO&location=518) ^ref-44223 --- >[!quote] >深い専門知識は不要で、試行錯誤をある程度繰り返して経験を積めば、様々なビジネスシーンに応用することができるようになります。　・手軽に始められる：クラウド ML は、インターネットに接続された PC さえあれば、誰でも手軽に始められます。 — location: [521](kindle://book?action=open&asin=B01JHLAIPO&location=521) ^ref-50619 --- >[!quote] >・費用が最小限で済む：クラウド ML を利用する際のユーザー登録は通常無料で、テストするだけなら利用料金も無料というサービスもあります。 — location: [526](kindle://book?action=open&asin=B01JHLAIPO&location=526) ^ref-14509 --- >[!quote] >・ビジネスでの利用が容易になる：クラウド ML は、実際のビジネス現場で既に多数利用されています。 — location: [530](kindle://book?action=open&asin=B01JHLAIPO&location=530) ^ref-61310 --- >[!quote] >ユーザー接点は、すべてデジタル化されており、従来と異なりユーザーに関する大量のデータが取得できるようになったのです。 — location: [620](kindle://book?action=open&asin=B01JHLAIPO&location=620) ^ref-15582 --- >[!quote] >さらに 2015 年からは、「 Web 接客ツール」という従来の EC サイトにはなかった「接客」を行うシステムが登場しています。 — location: [625](kindle://book?action=open&asin=B01JHLAIPO&location=625) ^ref-11689 --- >[!quote] >集客から再来訪までの一連のマーケティングフローを、システム化しようとするのが「マーケティングオートメーション」 — location: [631](kindle://book?action=open&asin=B01JHLAIPO&location=631) ^ref-31151 --- >[!quote] >まだチャットは人が回答していますが、ある程度の自動回答なら今のチャットボットでも可能です。 — location: [636](kindle://book?action=open&asin=B01JHLAIPO&location=636) ^ref-1717 --- >[!quote] >・高度化：人の能力では発見困難な知見や規則性を見つけ出す・高速化：処理に要する時間の劇的な短縮・効率化（自動化）：人がいなくても業務が進むようになる — location: [651](kindle://book?action=open&asin=B01JHLAIPO&location=651) ^ref-13251 --- >[!quote] >機械学習を応用することにより「判断の進化」が可能 — location: [654](kindle://book?action=open&asin=B01JHLAIPO&location=654) ^ref-15588 --- >[!quote] >これを克服し先行して市場を押さえることが出来れば、その分野におけるトップランナーになることも可能なのです。 — location: [673](kindle://book?action=open&asin=B01JHLAIPO&location=673) ^ref-59410 --- >[!quote] >には、「 No Free Lunch 定理」という有名な定理があります。これは、どんな問題やどんなデータに対しても最高の精度を出せる万能なアルゴリズムは存在しないという定理です。 — location: [679](kindle://book?action=open&asin=B01JHLAIPO&location=679) ^ref-15152 --- >[!quote] >顧客の課題を機械学習で解決可能かは、事前に詳細検討が必要です。このためには顧客が保有している現場のデータを用いて、様々なアルゴリズムで試行錯誤しながら技術検証をする必要があります。しかも技術検証した結果、機械学習では顧客課題を解決できない、という結論になる場合も十分あり得ます。 — location: [684](kindle://book?action=open&asin=B01JHLAIPO&location=684) ^ref-37920 --- >[!quote] >ERP のような基幹系ソフトでは企業独自の商習慣に対応したカスタマイズされたソフトウェアが、日本では未だに主流となっています。そしてこの独自ソフトウェアの開発方法は、仕様が明確なら昔ながらのウォーターフォール型、不明確なら流行りのアジャイル型と、ある程度確立しています。 — location: [709](kindle://book?action=open&asin=B01JHLAIPO&location=709) ^ref-44202 --- >[!quote] >一般的に普及している多種多様なソフトウェアの中にも、様々なアルゴリズムが使われていますが、ユーザーからは隠蔽され意識する必要はありません。 — location: [715](kindle://book?action=open&asin=B01JHLAIPO&location=715) ^ref-47202 --- >[!quote] >長い間にアルゴリズムの利用方法が確立し、ソフトウェアのライブラリに組み込まれ、プログラマーも使い方を熟知しているからです。しかし機械学習の場合、アルゴリズムそのものはある程度確立してきましたが、ビジネスでの利用方法は手探りの状況です。 — location: [717](kindle://book?action=open&asin=B01JHLAIPO&location=717) ^ref-54107 --- >[!quote] >このため、ユーザーに「裸のアルゴリズム」そのものを提示し、ビジネス用途に利用可能かを検証してもらうしかないのです。 — location: [721](kindle://book?action=open&asin=B01JHLAIPO&location=721) ^ref-40287 --- >[!quote] >日本の企業、特に大企業では、実績や安全性を重視するために、ファーストユーザーとなることを嫌います。 — location: [725](kindle://book?action=open&asin=B01JHLAIPO&location=725) ^ref-48129 --- >[!quote] >もしそのソフトウェアが、同業他社より優位に立てるほど画期的なら、先行導入した企業が、その分野での先行者利益を独占して享受できる。だが様子見して実績が出てからの導入だと、他社と競争優位に立てないため「機会損失」が生じてしまう』という考え方です。 — location: [728](kindle://book?action=open&asin=B01JHLAIPO&location=728) ^ref-43528 --- >[!quote] >前置きが長くなりましたが、前述した機械学習ビジネスにおける「初期費用問題」は、ハイリスクハイリターンを狙うか、ローリスクローリターンにするか、の判断とも言えます。 — location: [737](kindle://book?action=open&asin=B01JHLAIPO&location=737) ^ref-37449 --- >[!quote] >機械学習のような AI 関連サービスは、最新技術が論文などで公開されてから、わずか数か月程でクラウド ML のサービスとして、利用できることが多くなっています。 — location: [752](kindle://book?action=open&asin=B01JHLAIPO&location=752) ^ref-28967 --- >[!quote] >Python や R などのプログラミング言語を知らなくても、機械学習を活用できる時代になりました。 — location: [771](kindle://book?action=open&asin=B01JHLAIPO&location=771) ^ref-27377 --- >[!quote] >この厳しい競争社会において情報を制する者が常に勝者なのです。本書に書いた機械学習などの AI 関連の知識は、今後必ずビジネス社会で求められていくに違いありません。 — location: [774](kindle://book?action=open&asin=B01JHLAIPO&location=774) ^ref-27386 --- >[!quote] >社会現象の予測は統計学を応用すればある程度可能で、この技術の延長線上に「画像認識」や「顔認証」、さらに「音声認識」、「機械翻訳」などがある、と考えると理解がしやすくなります。「教師あり機械学習」の場合は、教師データとして入力されたデータを、統計処理してモデル化し、対象データが統計的にみてどの教師データに、『統計的に近いか』を計算して判断をしています。 — location: [789](kindle://book?action=open&asin=B01JHLAIPO&location=789) ^ref-41760 ---