「市民データサイエンティスト」の台頭：人間化された機械学習が人間の知性をどのように強化しているか

IDC 世界のデータ量は2018年から2025年の間に61％増加し、最終的には175ゼタバイトに達すると推定されており、その多くは企業によって生成されています。では、これをどのように活用して、ビジネスプロセスを最適化し、日常業務を改善し、意思決定に情報を提供できるでしょうか。

答えは人間化された機械学習プラットフォームにあります、とマインドファウンドリーは言います リサーチディレクターのNathanKordaは、高度な機械学習機能をビジネス上の問題の所有者が利用できるようにし、「市民データサイエンティスト」の台頭を可能にしています。

データが多すぎ、時間が少なすぎる

今日の多くの企業は、毎日生成および収集される豊富なデータから完全な価値を分析および抽出するのに苦労しています。経営幹部、アナリスト、さらには運用管理者であるかどうかにかかわらず、ビジネス問題の所有者にある課題は、データを効果的に理解して、さらなるビジネス価値を推進し、プロセスを最適化する方法です。

彼らはデータでいっぱいのスプレッドシートを持っていて、限られた価値を抽出するために単純なデータモデルを使用しているかもしれませんが、どうすればこれをさらに進めることができますか？その答えは、ユーザー中心のプラットフォームを介した機械学習のアクセシビリティの向上にあります。これにより、ビジネス上の問題の所有者（特定の問題とその運用への影響についての深い知識を持つ所有者）が、高度な機械学習機能をビジネス価値に結び付けることが初めて可能になります。

特典はすべての人が利用できます

機械学習は、従来、広範なリソース、時間、技術的な専門知識を必要とすると見なされてきました。これには、データサイエンティストの採用が含まれることがよくあります。これは、人材の需要が現在供給を上回っている高度に専門化された分野です。これを超えると、データサイエンティストはビジネス上の問題から離れすぎて、それをコンテキスト化し、運用に与える影響を完全に理解できないことがよくあります。

市民データサイエンティストに参加してください。専任のデータサイエンスや分析の役割を担っていない従業員は、人間化された機械学習プラットフォームを使用してデータを探索し、モデルを簡単に展開してデータの価値を解き放つことができます。ユーザー中心のプラットフォームのおかげで、現在の従業員は専門家のトレーニングを必要とせずに機械学習テクノロジーにアクセスできます。これは、データ所有者が多大な投資や専門知識を必要とせずに、自分のデータをすばやく習得し、大規模な運用を完了することができるようにするための重要なマイルストーンです。

企業レベルでは、これにより、高度な機械学習ソリューションが、データサイエンスの専門知識が不足している可能性のある中小規模の組織とその従業員の手に渡ります。しかし、機械学習へのアクセスの向上は、データサイエンティストに新たな機会を生み出し、ビジネスの問題に近づき、デジタルトランスフォーメーションプロジェクトのイノベーションにスキルセットを集中させるための時間を解放します。

新しいビジネス機能–スピードと規模

機械学習プラットフォームは、市民のデータサイエンティストに、データをすばやく準備して視覚化し、その後適切なモデルを構築、展開、管理するために必要な機能へのアクセスを向上させます。データをクリーンアップして正しくフォーマットするためのアクションを提案する場合でも、データセットに最適なモデルを推奨する場合でも、人間化されたプラットフォームは、ユーザーに最初から最後までのプロセスをガイドするように設計されています。

このアプローチの中核となる側面は、ありふれたデータ準備タスクの量を減らすことです。反復的で、予算予測など、日常的に同様の方法でデータを分析することを伴うビジネスプロセスについて考えてみてください。マネージャーは、上級管理職のリソースを数週間拘束して、期待されるビジネス成果に基づいて予算を確定する代わりに、直感的な機械学習プラットフォームを使用して、毎年予算を修正するために再利用できるモデルをすばやく特定して設定できます。これにより、時間の投資が大幅に削減されます。このプロセスは今後も続きます。

または、精密部品を開発および製造する高度な製造会社を利用してください。彼らには、数十年の業界経験と機器センサーによって生成されたデータの深い理解を持つ機械の専門家がいるかもしれませんが、専任のデータサイエンスチームなしでは最適化のパターンと領域を特定することはできません。人間化された機械学習プラットフォームを使用すると、これらの専門家は数分でデータを入力、クレンジング、視覚化してから、適切なデータモデルを選択して、これまでに見られなかった洞察を明らかにすることができます。

人間と機械の出会い：補完的な機能

機械学習プラットフォームは、既存の従業員のスキルセットを拡大することを目的としています。機械学習をビジネスデータに適用するために従来投資されていた時間とリソースを大幅に削減しますが、プロセスの所有権と制御は依然としてユーザーにあります。これは、機械学習テクノロジーをうまく利用するための鍵です。

機械学習アプリケーションは、リスクの評価と管理、およびデータに基づく判断の呼び出しには優れていますが、人事のコンテキスト化と問題解決に必要な直感と創造性に欠けています。これは、人間化された機械学習プラットフォームが「人間」のタスクと「コンピューター」のタスクの間に線を引く場所です。彼らは、データクリーニング、データ駆動型モデルの発見、モデル検証などの労働集約的で反復的なタスクを引き受け、問題の所有者が目前のビジネス問題により直接的に時間とリソースを集中できるようにします。

最終的に、機械学習を適用する場合、コンピューターは常に人間と協力する必要があります。プロジェクトを確実に成功させるには、機械学習が人間のチームの一部を形成し、人間のスキル、インテリジェンス、能力を強化する必要があります。人間には、データと関連するエラーをコンテキスト化する独自の機能があります。大きなデータセットにエラーコードが存在する簡単な例を見てみましょう。機械学習プラットフォームはこれをコンテキスト化するのに苦労しますが、ビジネスプロセスに近い人間は、センサーが範囲外にあるなどの説明をすばやく提供できます。

機械学習プラットフォームは、当面のメリットに加えて、市民データサイエンティストが会社を辞めた後のレガシーの問題を解決します。これらの従業員は、特定のビジネス上の問題を解決するための機械学習ソリューションを開発できます。これらの成果は、作業を進めても、同僚が操作可能で直感的で再利用できるという知識を持っています。

機械学習はすべてのビジネスで実行可能になりました

機械学習は、日常業務の最適化を推進するにつれて、あらゆる規模の企業でますます一般的になるように設定されています。ビジネス上の問題の所有者は、特定の問題とその既存のビジネスの優先順位との関連性について、常に独自の親密な知識を持っていることを忘れないでください。初めて、大規模な機械知能をすばやく活用することで、データの価値を直接識別して強化できるようになりました。

機械学習をデータに適用することは、数か月にわたる困難でリソースを消費するプロジェクトである必要はありません。市民データサイエンティストの台頭により、中小規模の企業が高度な機械学習機能をすばやく活用して、データからより優れた洞察とビジネス価値を引き出す大きな機会がもたらされています。

Nathan Kordaは、オックスフォード大学の機械学習スピンアウトの研究責任者です。 マインドファウンドリー 。