機械学習:ビジネスの主流ツール

われわれは情報の海に住んでいて、私たちのビジネス全体からのデータの消防隊に入浴しています。私たちはそれを使う必要があることを知っていますが、問題はどうですか?どのようにしてその情報から価値を引き出すことができますか?また、明日のインターネットから来るであろうより速く、より大きく、より深い流れに備える準備ができていますか?

Google

イノベーション;•ブラジルでのM2M市場の復活:3D印刷、3D印刷、木材加工、銀行業務、バークレイズとのモバイル決済、フィンテックイノベーション、イノベーションのためのCommBankパートナー、地元の技術者の夢の実現を目指す

アナリティクスは過去に起こったことから洞察を得ることができますが、私たちが得ている情報に基づいて何が起こるかを予測する方法が必要です。その顧客は詐欺師ですか?冷蔵された配送トラックのコンプレッサーは今日または来週に失敗するでしょうか?今夜私の普通のルートには多くの交通量がありますか?上海の私の同僚は、Skypeコールは今すぐ何を話しましたか?

彼らはすべての答えがないように見えるよくある質問です。しかし、私たちが持っているデータと、私たちが得ているデータを、より広い世界の大量のデータとともに活用すれば、合理的に正確な答えを得ることができます。そのため、機械学習(ML)が始まります。予測分析を提供して、適切なビジネス上の意思決定を支援し、しばしばプロセスを自動化する技術。多くの場合、すでにスマートフォンやタブレット上の自動修正キーボード、SiriとCortanaの音声認識、文書をスキャンしてOCRするたびに、読み込んだときには機械学習ツールを使用していますあなたのFacebookフィードなど。

しかし、Microsoft、Google、IBM、Amazonから現在入手可能なクラウド規模のサービスを利用して、独自のツールやアプリケーションに機械学習を組み込むと、本当のメリットが得られます。次に、FacebookのAI Researchグループがテキスト分析が文脈を推測する方法を探るために使用するオープンソースツールを利用して、独自のツールを使用するオプションがあります。このアプローチは、たとえばメールメッセージの気分を特定するのに役立ちます。顧客関係システムを構築しています。

最初のパブリッククラウド規模のMLシステムの1つは、GoogleのPrediction APIでした。大量の履歴データに基づいてトレンドを予測するように設計されているため、データから洞察を得るための高速かつ比較的安価な方法です。すべてのMLシステムと同様に、データから良い結果を得るための鍵は、まずは良いモデルを持っていることです。これは、トレーニングデータに大きなサンプルセット(この場合は最大2.5GB)と、使用しているデータ用に設計された列構造を備えていて、クエリに複製する必要があることを意味します。さらに、標準のPredictive Model Markup Languageもサポートされているため、オンプレミスの機械学習ツールや分析ツールのモデルをクラウドに持ち込むことができます。

Prediction APIは、Googleの他のクラウドサービスを活用して、BigQueryとCloud Storageのプラットフォームを利用するように設計されています。 GoogleのPaaS App Engineデベロッパーツールでもサポートされています。 6カ月無料の体験版では、予測アプリケーションを比較的短期間で構築することができます.1日に100件の予測と1日に5 MBのトレーニングデータに制限されています。生産ではまだ比較的安価で、1,000回の予測でわずか50セントのコストがかかります。

Googleは、開始に役立つホスト型予測モデルのライブラリを提供しています。これらには、言語を特定し、ソーシャルメディアの感情を理解するためのツールが含まれています。これらは事前に訓練されたモデルですが、最初のPrediction APIアプリを書くために使用することができます。 REST APIを使用すると、アプリケーションがGoogleのサーバーやデータセンターで実行されている場合でも、Prediction APIをアプリケーションに簡単に組み込むことができます。

マイクロソフトのAzure Machine Learningプラットフォームは、Microsoft Researchの機械学習科学者が開発したフレームワークを基盤として、さらに多くのことをもたらします。 Azure MLツールは、アプリケーション開発のためのデータ駆動型アプローチを採用しており、問題のニーズに合った学習ツールを提供するために、さまざまなアルゴリズムを組み合わせてデータからパターンを抽出することができます。モジュラーアーキテクチャーは、Microsoftが将来的に追加のMLツールを追加して、使用しているコードに影響を与えやすいことを意味します。

このサービスの中心には、機械学習システムの設計、事前処理と学習セットとライブデータの準備、データの探索とモデルの構築、最後にモデルのテストを行うツールを提供するMachine Learning Studioがあります。紺碧の雲。最後に、コードからモデルを呼び出すために必要なAPIを提供します。 ML Studioはブラウザにドラッグ&ドロップのビジュアルプログラミング環境を提供し、独自のコードモジュールをAzure MLのMLアルゴリズムのセットとともに追加するオプションを提供します。 Azure MLの前処理ツールには、欠損値をデータに追加する機能と、Rなどの言語で数学的な前処理を使用する機能があります。

Azure MLの実験オプションを使用すると、さまざまな学習アルゴリズムを試し、適切な結果が得られるようにトレーニングデータのサブセットで使用できる候補モデルを構築できます。分類、回帰、およびクラスタリングの問題のサポートを使用して、さまざまなタイプの問題に異なるアルゴリズムを選択できます。ビルドとテストが完了したら、モデルを調整して、生成された偽陽性と陰性の数を制御するのに役立てることができます。

ファイナライズされたAzure MLコードは、標準APIセットを使用して残りのアプリケーションに公開することができます。アプリケーションは、Azureイベントハブを使用してストリーミングされたデータ、または他のアプリケーションのデータセットを使用して作業することができ、Azureコンピューティングファブリック上で実行されるように、 Azure Marketplaceでモデルを販売するオプションもあり、追加の収益源を提供します。

Amazonが詐欺の検出と推薦サービスを推進するために使用される独自の機械学習システムを実行していることを知ることは驚くことではありません。同じコードがAmazon Machine LearningサービスとしてAWSで利用可能になりました。 Azure MLのように、モデルを構築するためのビジュアルツールと、データ管理ツールを提供します。

Amazon MLは、S3ストレージバケットやRedshiftクラウドデータウェアハウスなど、Amazonのさまざまなストレージサービスに格納されているデータを処理します。トレーニングデータセットが取り込まれ、適切なスキーマとターゲットを選択できます。ラーニング・モデルは、ターゲット・データ・タイプに基づいて選択され、データ・セットに基づいて自動的にモデルを構築します。モデルをチューニングするオプションはありますが、デフォルトで開始するのが最善です。テストはトレーニングデータの70〜30分割で処理され、30%がテスト用に予約されています。テスト結果は結果を表示するだけでなく、さまざまな入力が結果にどのように貢献したかを示します。完了すると、データセットのバッチ予測、またはリアルタイムデータフィードの連続予測にモデルを使用できます。

両方のオプションにはAPIがあるので、自分のコードから呼び出すことができます。 Amazon MLはまだ無料トライアルとして利用できませんが、開発に使用するには十分安く、生産には十分に堅牢です。モデルを作成したら、サービスのグラフィカルツールを使用して、ビジネスニーズに合わせて誤検出や偽陰性を調整することができます。 Amazonは、ほとんどの一般的な開発環境とプラットフォームに一連のSDKを提供し、MLツールを使用するアプリケーションの構築を簡素化します。

IBMのWatsonは、おそらくテレビクイズショーで最もよく知られていますが、IBM ResearchはこれをIBMのBluemixクラウドプラットフォームに移行しました。これは、IBMが「認知サービス」と呼ぶものを提供するさまざまなサービスです。 Watson Developer Cloudは、自由形式の機械学習ツールではなく、あらかじめ作成されたソリューションに焦点を当て、アプリケーションにサービスを含めることができるエンドポイントを提供します。自然言語ツールや分析ツールや認識ツールを素早く追加できます。

Watson開発者サービスカタログの各サービスは、サンプルコードとライブデモだけでなく、サービスAPIへの簡単なリンクを提供します。アプリケーションは、WebまたはEclipse IDEのいずれかでBluemixのツールを使用して構築されます。コマンドラインツールを使用すると、Cloud FoundryにWatson APIも含めることができます。 Node.jsツールを使用すると、マイクロサービスWebアプリケーションにWatsonサービスを簡単に組み込むこともできます。

ワトソンのタスクフォーカスは、他の機械学習サービスに比べて柔軟性に欠けますが、コードにAIテクニックを組み込むプロセスを簡単にする迅速なオンランプを得ることができます。

自然言語とテキスト分析に焦点を当てて、機械学習とは非常に異なるアプローチが必要な場合は、Facebook AI Research(FAIR)グループの作業を利用できるようになりました。 FAIRは、オープンソースのTorchマシン学習プラットフォームを使用しており、GPUコンピューティングを使用して畳み込みニューラルネットの使用を拡張し、ニューラルネットの構築と実行のプロセスをスピードアップしています。 Torchは非常に学術的なAIツールですが、画像やテキストを素早く分析したり、構造化されていないデータから意味を抽出したりするツールの設計に役立ちます。

FAIRのオープンソースツールは、Microsoft ResearchのProject Adamの画像認識の深い学習プロジェクト(AIの次のビッグバンを提供することに重点を置いた技術)のようなインセンティブと比較できます。私たちはすでにSkype Translatorのようなサービスで、スピーチの認識と翻訳をリアルタイムで行い、Microsoft ResearchのProject Oxford APIでこのようなツールを使い始めることができます。ここでは、顔検出、音声認識、コンピュータビジョン(招待のみの自然言語サービス)にアクセスできます。

機械学習技術は、クラウドサービスのコンピューティング機能とAPIベースのサービス開発モデルをベースに、主流のツールになりつつあります。 RESTfulなAPIは、アプリケーションに簡単に追加できることを意味し、一般的なクラウドストレージプラットフォームとの統合によってトレーニングが容易になり、クラウドプライシングモデルは意外にも経済的です。このようなツールを使用すると、アプリケーションに予測分析を追加することができます。特に、パーソナライゼーションや外部イベントの特定に重点を置いている場合は特にそうです。

ちょうど数年前にSFのように見えたものは今では普段使いやすく使いやすいものです。多くの企業の研究開発の中核となるAI研究では、次に来るものを見ることが面白くなるでしょう。

M2M市場はブラジルに戻ってくる

マイクロソフト

アマゾン

3D印刷の手作業:木材を使った作業

?CommBankはモバイル決済、fintechイノベーションのためのBarclaysと提携

ビクトリア州は、地元の技術才能の夢のフィールドを目指しています

IBM

フェイスブック

見通し