機械学習とは、大量のデータをもとにデータ内に潜むパターンを学習させる技術です。さまざまな分野で使われており、業務やビジネスへの活用も広がっています。自社で活用することを検討しているのであれば、まずは機械学習でどのような課題を解決できるかを知ることが大切です。本記事では、機械学習について紹介するとともに、業務での活用例を紹介します。
機械学習とは
まずは、機械学習の定義と必要性について説明します。
機械学習の定義－ディープラーニングとの違いも紹介
機械学習とは、コンピューターに大量のデータを読み込ませ、データ内に潜むパターンを学習させることです。未知のデータを予測・判断できるようにするデータ解析技術であり、AI（人口知能）の能力のひとつです。
この後紹介するように、機械学習には大きく分けて、「教師あり学習」「教師なし学習」「強化学習」の3つの学習方法があります。
機械学習に似た言葉にディープラーニング（深層学習）がありますが、ディープラーニングは機械学習の手法のひとつです。
従来の機械学習では、通常コンピューターに「特徴量（分析すべきデータの特徴を定量化したもの）」を準備し、人間の手で読み込ませる必要があります。一方で、ディープラーニングは特徴量を人間の手で読み込ませる必要がなく、コンピューターがデータ内で抽出します。ディープラーニングアルゴリズムにデータが入力されることで、AIは自動で学習していくのです。
機械学習とディープラーニングの違いについて詳しくは、「ディープラーニングと機械学習の違いは？それぞれの意味と関係性を解説」をご覧ください。
機械学習の必要性
インターネットやそれに伴うIoTの発達、デジタル機器の精度向上や低廉化により、現在は取り扱うデータ量が膨大になっています。この膨大なデータを人間だけで解析するには処理に時間を要し、かつ正しく予測できない可能性が高くなります。
短時間で正確な分析が実現することから、データ解析に機械学習を活用することが必要とされるようになりました。
機械学習の種類
機械学習には主に以下の3つの学習方法があります。
教師あり学習
データを入力する際に、あらかじめ入力データに対する回答方法を学ばせておく方法です。入力データと回答方法の間にあるルールを導きだすことで、その後の新しい入力データに対しても対応できるようになります。
教師あり学習には次のようなアルゴリズムがあります。
- 線形回帰
ひとつ以上の独立した予測子変数を使うことで線形方程式の係数を推定し、応答変数の最適な予測を行うアルゴリズムです。予測子の数により分化され、単一の応答変数にひとつの予測子のみを持つ単回帰、複数の予測子を持つ重回帰、複数の応答変数に対するモデルを多変量回帰といいます。線形方程式として簡略化したモデルで予測を生成することから、さまざまな分野で活用されています。
例えば、応答変数に平均乗降客数を設定し、その売上高実績をプロットすることで線形方程式の係数を推定することができます。そうすることで、平均乗降客数に対する売上高が予測できるようになります。
- ロジスティック回帰
さまざまな予測が立てられるなかで、特定の事象のみ起きる確率を予測するために用いられる多変数解析モデルです。マーケティング施策において、さまざまな活用がされています。
例えば、特定の日にちや場所などに対し、雨、台風、落雷などの天気の確率を予測することができます。天気の予測ができれば、イベント開催日や商品の仕入れ量を調整するのに役立てることが可能です。
- ニューラルネットワーク
人の脳神経系であるニューロンを数理モデルに応用したアルゴリズムで、パラメータを誤差逆伝播法と呼ばれる計算法を用いて調整します。もっとも広く使われているのが、ディープニューラルネットワーク(DNN)です。
近年は畳み込みニューラルネットワーク（CNN）という、ニューラルネットワークを多層に重ねた学習モデルが注目を浴びています。CNNは、ディープラーニングアルゴリズムのひとつで、画像認識の分野で多用されています。
例えば、類似したデザインのネイル画像を検索する機能に利用されています。画像の中からネイルを判別し、抽出したネイル画像からデザインやカラーを識別するようになっています。
このほか、ランダムフォレスト、サポートベクターマシン、k-NN（k近傍法）などのアルゴリズムがあります。
教師なし学習
入力データのみを与え、回答方法は学習させない方法です。AI自身に入力データから規則性を見つけさせ、未知のデータに対する予測・識別をできるようにさせます。
教師なし学習には次のようなアルゴリズムがあります。
- K-means法（k平均法）
いくつかのクラスタを設定し、各クラスタの平均に近いデータを格納していくことでクラスタリングを行う手法です。さまざまな分野で利用されています。
例えばマーケティング分野では、クラスタを顧客のセグメントとし、嗜好や行動パターンを整理します。そのデータにもとづき効果的な戦略的マーケティングを立案することが可能です。
K-means法のほかに、混合ガウス分布、主成分分析などのアルゴリズムがあります。
強化学習
AIに試行錯誤させることで、成果が最大となる方法を学習させていく方法です。将来的には人間にも出せないような正解をも導き出せる可能性を秘めており、人間を超える能力を持つことが期待されています。ゲーム分野で活用されており、将棋でAIがプロ棋士に勝利した事例があります。
強化学習には次のようなアルゴリズムがあります。
- モンテカルロ法
計算を乱数（ランダム性）で行う乱択アルゴリズムで、多くは近似的に確率を求める手法として使われます。
簡単な例として、2つのサイコロの和をシミュレーションする事例があります。例えば、100回投げて、サイコロの和が10になったのが15回であれば、その確率は15%です。100回程度では確率の精度として信頼できるものではありませんが、モンテカルロ法では投げる回数を多くすることで、信頼性を向上させ、正確な予測を実現していきます。
そのほか、Q学習、SARSAといったアルゴリズムがあります。
機械学習で解決する課題
業務に機械学習を導入すると、どのような課題を解決できるのでしょうか。事例とともに紹介します。
業務効率化・省人化
下記のような業務で機械学習を活用すると、データの回帰や分類などを高速で自動処理できるため、人の手で作業するよりも効率的です。業務に割り当てる人員を削減して、多忙な部署や重要な業務に人員を振り分けるといった人員配置の最適化も可能になります。
- チャットボットなどによるAI接客
本来であれば対応にノウハウや経験が必要である接客業務を、機械学習により、機械が自動で対応できるようになります。
- 自動ピッキング
ピッキングではまず、対象の物品や場所を把握する必要があります。また、持ち運びは肉体的負担のかかる作業で、場合によっては危険を伴います。機械が自動でピッキングすることで、そのような労力が不要になり、作業時の危険もなくなります。
- 自動車の自動運転
交通事故が後を絶たないなか、機械に乗用車を自動で運転させることで事故防止につなげます。また、運送業の課題である、慢性的なドライバー不足の解決策としても注目されています。
- エレベータの制御
エレベータが複数台ある場合でも、利用人数が増えると待ち時間が発生してしまいます。機械が日々の運行データを学習し、効率的な運行をすることで、待ち時間の減少を実現できます。
- 伝票や用紙などの手書き文字データ入力の自動化
伝票など旧来人の手で記入していたさまざまな書類の手書き文字を認識し、自動化することで事務作業の効率化を図ります。
収益向上
先に紹介した業務の効率化や省人化は、当然収益向上へとつながります。
また、下記のようなデータ分析を機械学習を用いて行うことで、より正確な分析や予測が可能になり、新たな顧客獲得や既存顧客に対するアプローチの適正化に役立ちます。その結果、いっそうの収益向上が見込めます。
- 需要予測
これまでのデータから今後の需要を予測することです。需要が高い製品を多く準備し、見込めない製品は生産量を抑えるといった在庫管理の適正化が図れます。
- 来店者分析
来店者の分析によりどのような製品を必要としているかを判断し、営業戦略に役立てられます。また、来店者が多い時期や時間を予測できれば、最適な人員配置につなげられます。
- インターネット閲覧者に対するレコメンド機能
インターネット閲覧履歴などから閲覧者の興味がありそうな分野を予測し、適切な商品をレコメンドする機能によって、購入の可能性を高めます。
セキュリティ向上
機械学習はデータの不一致を正確に検出できるため、セキュリティ面でも向上が期待できます。
- 会員サイトへの不正ログインやクレジットカード不正利用などの検知
今までの利用履歴にはない経路からのログインやクレジットカードの利用がある場合に、アラートを出すことで情報を即座に伝え、不正を防ぎます。
- 顔認識・画像認識によるエラー検知
学習したデータと一致しない顔や画像を認識しエラーを検知することで、不正利用や入場を防ぐことが可能です。
機械学習の活用は業務のデジタル化から
業務を正確に且つ効率化し、将来の予測を可能にする機械学習はすでにさまざまな製品やサービスにいられており、今後もビジネスの発展に大きく貢献することが期待されています。しかし機械学習を活用するには、日々多くのデータが生成される環境でなければなりません。よってまずは日常的に行う既存業務のデジタル化を徹底し、機械学習への置き換ることがおすすめです。ビジネス改善につながるテクノロジー活用で、企業競争力を強化しましょう。
