機械学習とは？革新的な科学による人間の創意工夫の加速
- 機械学習は、データを使って問題を解決し、システムを接続し、仕事のやり方を変えることで業界を変革している。
- 先陣を切る企業は、新たなデジタル エコシステムを実現できる強いポジションにいる。
- より効率的な顧客ニーズの予測方法は、プロジェクトの成功と顧客成果の向上につながる。
機械は考えることができるのか？ この疑問を1950年代に投げかけた英国の数学者アラン・チューリングは、AI (人工知能) 研究の基礎を築いた。その直後にMITが最初の人工知能研究所を開設。その後数十年間に渡り、研究者たちは論理的に推論し、自然言語を理解し、マシンビジョンを利用し、人間の脳をモデル化できるコンピューターシステムの構築を試みてきた。だが、AI研究は常にボトルネックに直面し、その原因のほとんどは計算能力やデータの欠如、手法や資金の不足によるものだった。
2000年代半ばになると、数学や計算能力、ビッグデータ、クラウド接続のブレークスルーにより、より深く複雑なモデルの開発が可能になる。こうした進歩はほぼ同時に起こった。技術的進歩の収束は、恒星衝突後の超新星の爆発のように機械学習を推進する連鎖反応を引き起こしたのだ。
機械学習が日常生活へどのように入り込んだかを示す簡単な例が、グーグルマップだ。グーグルマップの道路網モデルに情報提供する地理空間道路データには、誤りや古い情報が含まれていることが多いが、機械学習アルゴリズムはグーグルのストリートビュー画像を使い、誤りを素早く修正することができる。元のマップデータで特定の交差点に一時停止標識が表示されていないが、ストリートビューの画像には表示されている場合、システムはその誤りを認識し、自動的に修正することが可能だ。
データは機械学習の原動力である。クラウド・コンピューティングの普及と、インダストリアルIoT (IIoT) による何十億ものセンサーが、機械学習を可能にするデータを取り込んでいる。効果的な機械学習システムの成功は、処理するデータの広さと関連性、多様性に基づくものだ。
今日、機械学習システムは既に人間よりも優れた顔認識や癌の検出ができる。機械学習ツールの進化は段階的に起こり、ものづくりのプロセスを合理化し、強化し続け、人々の働き方を変えていくだろう。機械学習によって、人間はクリエイターに加えてキュレーターやファシリテーターになり、そこには可能性が広がる世界、限界のない自由な創造性の時代が待っている。
ここではAIや機械学習、その現在の能力と明日の可能性を詳しく見ていこう。
機械学習とは？
機械学習とAIは同じ意味で使われることも多いが、実際には機械学習とはAIの一部分だ。これらのテクノロジーの未来を理解するため、その現在の姿を知っておこう。
従来のコンピューターは、受け取った情報を学習したり、それに適応したりすることはできない。単に情報を保持するだけで、同じエラーを繰り返したり、同じ問題を解決できなかったりする。機械学習の場合は、特定の結果を明示的にプログラムされることなく、コンピューターにデータと結果の理解と解釈を教えることができる。それにより、このテクノロジーは過去の経験に基づいて、ほぼ無限のシナリオと驚異的なスピードで意思決定を下すことができるのだ。
機械学習の仕組みは？
機械学習のプロセスの中核となるのは、取り組んだデータの大規模なサブセットから、人間であれば何日も、場合によっては何年もかかるようなパターンの発見を、数分から数時間で実現することだ。コンピューターはそれらの学習を適用して将来の結果を予測できるため、よりスマートで効率的な選択を推奨できる可能性がある。機械学習は、人間によるプログラミングや指示なしにこれらすべてをコンピューターが行う。つまり機械学習は、コンピューターが自ら「学習」する力を利用するものだ。
最も単純な言葉で言えば、機械学習とは、読者がオンラインで買い物をしたり、トピックを調べたりするときに経験することだ。検索エンジンやeコマースサイトは、訪問者が何を見て、何をクリックし、何をカートに追加し、何を長時間見ていかを観察している。AIは読者の行動に基づいて、よりお勧めの商品を提案するのだ。
これは「教師あり学習」と呼ばれる機械学習の一種である。アルゴリズムは、あるソースからデータとフィードバックを収集し、それを分析して特定の結果につながる関係を見つける。そして、そのデータを新たなデータと組み合わせて使用することで、より良い結果を予測することができる。このタイプの機械学習は、例えば企業が特定の製品について顧客の好みを理解し、その属性を強調し、顧客を将来の購入に誘うのに役立つ可能性がある。
教師なし学習はデータの集合をくまなく調べ、結果がどうあるべきかの明確な指示なしに、関係性や結果を見つけ出す。このタイプの機械学習は、求めている答えが分からない場合に役立つ。例えば顧客からデータを収集している場合、「教師なし学習」を使って、顧客をより小さなクラスターに分類し、そこにマーケティングや戦略的コミュニケーションを割り当てることができる。
強化学習とは、個々の行動で最大の報酬を生み出すことを目的とした、簡略化されたアルゴリズムだ。ゲームにおいては、強化学習アルゴリズムは、勝利が望ましい結果であることを理解してゲームを学習することができる。そのアルゴリズムは、勝利を収める可能性が最も高い手 (その選択の強化) を探し出して選択し、時が経てば、最初にゲームを開発したコンピューターシステムを打ち負かせるようになる。
機械学習の利点
人間の頭脳は、コンピューターが実行できること以上に多くの能力を持っている。だが結局のところ、人間はすべてをモデル化することはできない。人間は、良くも悪くも利用可能なデータに基づいて選択と仮定を行う。しかし、AIはそれを根本的に変え、あらゆる産業や顧客と企業の関係の未来をも変えるだろう。AIは仮定と意思決定を簡素化し、ビジネスの方法、顧客の獲得方法、解決策の発見方法をも変えることができる。
より多くのアイデアとイノベーション
創造性と革新性は、日常業務の退屈なタスクの下に埋もれていることが多い。そうした作業をAIが完了、除去、簡素化できれば、例えばデザイナーは新たなアイデアを探求する自由が得られる。ラピッドプロトタイピングは、より速いペースで行えるようになるだろう。機械学習はプロトタイプに、現実世界のどのテスト方法よりも迅速にデータを適用できる。その結果、成功する可能性の高い、より良い製品が生まれる。
機会の拡大
将来的には、AIはある会社を全く異なるタイプの会社に変える可能性がある。何十年もの間、市場の特定の分野で建設を行ってきた建設会社を想像してみよう。その間にデジタルデータを収集してきたため、その市場でのベストプラクティスを示すデータソースを手にしている。それをモデルとして公開し、マーケットプレースに置くことで、駆け出しの別の建設会社がそれを活用して、よりシームレスな移行を実現できる可能性があるのだ。そのモデル・ライセンスを所有している会社にとっては、何年もかけて収集したデータがデジタル収益源となる。
より深い探査
ほとんどの設計の問題は、非常に多くの要素が相互に関連しており、そのすべてを予見することは不可能だ。AIを使えば、以前は人間の手に負えなかったデータの奥深さや複雑さを見通すことができる。アイデア出しやイノベーションのための時間が増えたことで開発できる新たなアイデアに取り組むことで、機械の個々の部品のようなミクロの選択から、都市計画のようなマクロの選択に至る可能性を探ることができる。
より強力なリーダーシップ
時代をリードする企業は、人間と機械の能力を融合させる秘策を見つけ出そうとしている。デジタル化とは、コンピューターやケーブルをモノに接続することだけでなく、機械や工場、建設現場、メディア制作のパイプラインが潜在能力を発揮できるようにすることだ。
それより、企業は単なる製造業や建設会社からシフトし、自社の仕事を変えられるようなポジションに立つことができる。企業は、新たな種類のデジタル・エコシステムを実現する、より広範なイネーブラーになることができるのだ。
より多くのプロジェクト
スタンディッシュ・グループの調査によると、現在のビジネスモデルで成功しているプロジェクトはわずか35%に過ぎない。企業規模の大小にかかわらず、これは企業のリソースに大きな負担を強いることになる。また、プロジェクト自体も複雑化している。多くの業界で、こうしたプロジェクトに取り組むスキルを持った人材が不足しており、データやデジタルツールが氾濫しているため、合理的なシステム・アプローチが必要なときにワークフローが分断されてしまう。
プロジェクトマネジメントの近代化は、企業が無駄や非効率を削減し、より成功するワークフローを開発するのに役立つだろう。その結果、一般的なプロジェクトが増え、プロジェクトが成功する可能性がある。簡単に言えば、プロジェクトはビジネスを意味し、ビジネスは成長を意味する。AIを活用することで、より迅速なアイデア発想が可能になり、チームは現在の能力をはるかに上回るペースで夢を描き、開発し、実行することができる。
顧客満足度の向上
AI活用の最終的な成果として望まれるのは、すべての人とプロジェクトがより成功することであり、それは顧客の成果にとって特に重要である。機械学習はデータと結果を活用し、企業が顧客の期待と現実のギャップを埋めるのに役立つ。
企業はAI対応ツールを使って、過去の購入履歴から顧客のニーズをより的確に予測することができる。特定の部品を再注文する時期になったら、電話や電子メール、機械にリマインダーを送ることが可能だ。顧客からのデータを使用することで、こうしたメッセージのタイミングはより正確になり、関連サービスや二次的なコンテンツの提供ができる。
AIを搭載したチャットボットは、顧客と企業の間でリアルタイムの「対話」を提供し、質問をナビゲートして解決を早めることができる。問題がチャットボットの知識や学習を超える場合には、顧客をパーソナライズされたサービスのために通話ログに加えることが可能だ。2022年のデータによると、68％のユーザーがチャットボットによるレスポンスの速さを楽しんでいる。
機械学習 対 AI 対 ディープラーニング
機械学習は、あらゆる業界にとって重大な意味を持つ概念だ。その膨大な可能性はまだ顕在化し始めたばかりだが、現在のところAIには人間の創造性や好奇心、共感性、その他の属性を反映するようなダイバーシティのインプットが欠けている。だが複雑なシステムを直接解釈する機械学習の能力と人間の強みを組み合わせることで、変革的な創造力を生み出すことができる。
AIは、通常は人間の知性と指示を必要とするタスクをコンピュータに実行させる科学の分野だ。この科学は、人間が解決する能力を持たない結果を、データセットを使って調べ、説明し、予測する。AIは最も広範な用語であり、他の概念を説明するために使用されることも多い。
機械学習はコンピュータサイエンスの一種で、プログラミングや人間からの直接入力なしに、コンピュータがデータセットから独自に「学習」することを可能にする。
機械学習の一種であるディープラーニングは、データを理解するために処理のレイヤーを増やしていく。こうした処理層は、人間の脳が本来持っているデータ処理の構造や能力にヒントを得ている。
機械学習が世界の問題解決に革命をもたらす
世界で最も困難な問題の解決には、利用可能な従来のメカニズムを超え、新たなアプローチと新技術が必要になる。
例えば、気候変動はコンピューターだけでは解決できない。文脈を十分に理解できないからだ。また個々の人間が、建物の気候への影響に影響を与えうる設計のあらゆる要素を理解することもできない。非常に創造的な人々が非常に強力なソフトウェアと協力することで、AIの真の可能性を実現することができる。だが、その前に現在の障害を取り除かなければならない。その障害物のひとつである複雑なソフトウェアは、アイデアを持つ人々と彼らが求めるソリューションの間に立ちはだかることが多い。
デザインと製造の業界は、いまだに多くの古い、ファイルベースで互換性のないプロセスとフォーマットから抜け出せないでいる。データはバラバラの場所にあり、特定のプログラムや機能以外では使用できない。
古いソフトウェアで稼動している設備のある、従来の工場を考えてみよう。ソフトウェアが古いため、その設備と接続して工場にCADデータを入れることには難しい問題がある。設計を工場に送る場合、そのデータは設備に対応したインターフェースのために再解釈されなければならない。自動車メーカーのように、機械加工や生産ラインの変更に1年以上かかる工場があるのも不思議ではない。プラットフォームやネットワークを超えて会話できるAIを搭載したテクノロジーを使えば、企業は全く異なる方法で市場の需要に対応できるようになり、競争力を高めることができる。
都市化もまた、機械学習が劇的な影響をもたらす可能性のある深刻な問題である。都市における都市化の問題を解決するには、何が起きているのかの十分な現実データが必要だ。コンピューターは遭遇したことのないものをモデル化することはできないし、人間は複雑すぎて処理できないものを無視することが多い。その答えは、データを収集し、それをシステムに取り込み、データフローの一部にすることだ。従来、この種の作業は、ファイルベース・ソフトウェアの制限や、ある場所から別の場所へファイルを移動する複雑さによって滞っていた。
クラウドベースのプラットフォームは、こうした問題を解消し、迅速なイノベーションへの道を開く。過去数十年の間に、クラウドベースのプラットフォームを使用する企業は、データを分解し、粒度の細かいパーツに分割し、適切なデータを適切なタイミングで、適切な担当者に提供できるようになった。これにより、非効率なソフトウェアやインターフェースの重荷を背負うことなく、社内の各担当者や各機能に柔軟なワークフローを構築することが、ずっと容易になった。
オートデスクは顧客の現在をどうサポートしているか
オートデスクは数十年にわたりデータとクラウドプラットフォームの学習を収集し、活用することで、顧客を成功に導くソリューションを開発してきた。設計・製造サービスに対する需要は、年々飛躍的に高まっている。顧客はAIを活用した、住宅に関するより優れたソリューション、建設に関するよりスマートなオプション、制作とレンダリングに関するよりスケーラブルな選択肢を必要としている。そのすべてが高品質でコスト効率に優れている必要がある。オートデスクは顧客ニーズへのAI導入に、以下の3つの分野を中心に取り組んでいる。
拡張: 人間の生来の創造性を置き換えることは不可能だ。しかし、大量のデータを扱うために計算技術を使用することで、従来の人間の範囲を超えたシナリオや結果を可視化することができる。
自動化: 創造的な仕事には多くの時間と労力を要し、そこには退屈で非創造的な作業が含まれる。例えば、デザイナーは、工場に送る技術図面一式を発行する必要がある。こうした図面の作成にAIを使うことで、デザイナーはより革新的で想像力豊かな作業に時間を割くことができる。
分析: 分析とは、データを活用することだ。膨大な量のデータを収集するだけでは有用なデータにはならない。AIや機械学習はデータを分析し、傾向をつかみ、シグナルを拾い上げ、本当に役立つ洞察を明らかにすることができる。
こうしたプロセスの多くは、デザインや製造の業界やサービスにおいて、既に実用化されている。Formaは日照時間分析を使って建物の採光を最大化し、居住者の快適性を高める手助けをする。また、迅速な騒音解析や迅速な風況解析を使って、エネルギー効率、騒音公害、気象条件を最適化することもできる。
マークアップインポートとマークアップアシストは、AutoCADの修正とマークアップを手作業で面倒な作業を軽減する。手書きを認識し、テキストに変換し、図面上に重ね合わせることが可能。その後、レイヤーを拡大縮小、移動、回転して共有できる。Maya Assistは、AIを搭載したテキストプロンプトを使用してアニメーションを強化し、デザインやビジュアルエフェクトの漸進的な要素を合理化されたプロジェクトにもたらす。
今日、ビジネスにおけるAIや機械学習の進化が続いているにもかかわらず、一部の企業はこうしたクラウドベースのプラットフォームやAIを顧客に導入することに消極的だ。自社のインフラを大きくシフトさせるには、効率化のステップ機能が必要だ。5％、あるいは10％しか効率が上がらないのであれば、企業は移行を行わないだろう。しかし、500％、1,000％の飛躍をもたらすのであれば、それは投資に値する。そして今現在、AIはテクノロジーの展望の中で唯一、そのレベルの加速を生み出す可能性を秘めたものなのだ。
こうした潜在的なゲインの典型例が建設業だ。建設は世界中のどの都市でも、毎日至るところで行われている。建設には多くの場合、何十社もの企業が関与し、あちこちに収集されたデータがある。このような環境では、複雑な問題の解決に着手するのは非常に難しい。データの流れは非常に粘着性があり、情報はプロセスのある部分から別の部分へと変換されない単発のプログラムやファイルに捕らわれているからだ。
クラウド・プラットフォームは、こうした問題を解決できる。もちろんすぐには無理だが、データがこれらのプラットフォームを流れるようになれば、洞察が集められ、最終的には新しいワークフローが生み出される。
AIはワークフォース・ダイナミクスに根本的な変化をもたらし、世の中のより多くの問題を解決するためにますます有用なテクノロジーとなるだろう。
AIの仕事は新興であり、まだほとんど知られていないが、海洋の廃棄物や気候変動といった難問に取り組む人々を支援し、今日のテクノロジーと明日の成果の間のハードルをクリアする、変化の生態系を生み出す可能性を秘めている。