機械学習の解き放ち：業界リーダーへの実践的洞察

機械学習（ML）は、それに不慣れな人にとっては難解に見えるかもしれません。MLが何であり、製造業にとって何を意味するかという理解の欠如が、時として人類を支配しようとする知的マシンという突飛なアイデアを生み出します。しかしMLは基本的に、情報技術（IT）の発展における大きな進歩です。その仕組みと限界を、自組織の最大の利益のために活用したい人々が完全に理解する必要があります。

MLは、製造業ではまだほとんどの人が持っておらず、必要とされてこなかった特定の統計とITスキルを必要とすることを認めます。しかしその原理はかなりシンプルで、直感的に理解できるものでもあります。私にとって、かつてはむしろ平凡だと考えていたオンライン言語翻訳サービス、すなわちGoogle翻訳が、MLの変革的潜在力を気づかせてくれました。

シンプルに言えば、言語翻訳ソフトウェアは長らく、辞書のプログラミング、文法規則とその多数の例外に基づいてきました。このアプローチには相当な労力がかかります。

「ルールベース」から「データ駆動」プロセスへ

・新しい方法論は、よりシンプルなアイデアから生まれました：ゼロからルールと語彙テーブルを定義しようとせず、ソフトウェアにそれらを「発見」させる。国際機関から数百万ページの既翻訳ページを収集します。

・ユーザーが翻訳用テキストを送信すると、ソフトウェアはそれを基本要素に分割し、翻訳済みページ内で同じ言語の同一または類似の要素を検索します。

・最も可能性の高い翻訳を抽出し、ユーザーに提案します。

データ内で見つかった関連統計パターンが、翻訳ルールに取って代わるのです。痛stakingにプログラミングされる代わりに、それらはソフトウェアによって自動的に「学習」されます。このアプローチのコスト削減価値は、結果の翻訳品質が通常それと同等であることを考慮しても、従来アプローチと比較して明確です。

製造業では、生産性向上に大幅な品質改善が複合的に加わります。自動化プロセスを指定したことがある人なら、機能ドメイン専門家が関与していても、ソフトウェアが本番環境で直面しうるすべての可能な状況を予測することがいかに複雑か知っています。ソフトウェアの機能ルールは、限られた観測数に依存する仮定に基づいています。しかし現実は期待以上に複雑であることが多く、自動化が最終的に最適でなかったり、ソフトウェアが高価な修正を必要としたりします。

一方、機械学習は、データ量に関わらず利用可能なすべてのデータを吸収し、自己開発します。つまり、パターンやユースケースが見落とされるリスクが限定されます。

人間が主導権を握り続ける必要がある

マシンはまた、人間の知能の「認知バイアス」を回避します。それは利用可能なデータの不完全な選択と不適切な意思決定につながります。

良い例は、銀行が受け取る融資申請の自動処理です。アルゴリズムは借り手の主要情報と返済情報を調べ、借り手プロファイルとデフォルトリスクのありそうな関係をハイライトします。新しい融資申請に適用すると、アルゴリズムは十分と見なされる精度で、借り手が返済するかどうかを予測します。これにより、偏見や銀行担当者の気分で引き起こされる悪い決定のリスクが排除されます。

それでも、人間が最終的な意思決定者であり続けることが極めて重要です。

第一に、ソフトウェアは明らかに完璧ではないからです。人間が設定した設定によって統治されます。例えば、「偽陽性」（デフォルトする借り手に融資が実行される）を避けるよう最適化されている場合、特定の融資申請を却下する方向に傾きます。したがって、ユーザーはシステムの推奨が正当かどうかをチェックし、必要なら却下しなければなりません。これによりシステムは新しい基準を学習し、次回は類似プロファイルの申請を受け入れるようになります。

もう一つの重要な理由は、特に決定が個人の権利に関わる場合、倫理的基準を満たすことを保証すべきは人間だけだからです。

データがすべてに優先（Data über alles）

対象となる製造プロセスとそれを支えるデータタイプに適したアルゴリズムモデルを選択し設定することが不可欠です。自動化パフォーマンスは、データ品質とトレーニングセットの代表性という2つの命題を満たすかどうかに依存します。つまり、MLがバイアスのない観測に基づいて実行されるとき、自動化はより効率的になります。

データへのアクセスはML成功の鍵です。なぜなら、究極的には、どんなレベルのアルゴリズム的洗練も、貧弱なデータセットを補うことは決してできないからです。

コンピュータの性能向上とデジタル化の進展により、データ駆動アプローチを活用してより効率的な自動製造プロセスを設計することが、可能になっただけでなく、おそらく不可欠になりました。必要な科学的スキルを超えて、これらのソリューションの成功は、関連データの収集と、人間による運用監視にかかっています。機械学習は恣意的な振る舞いを排除する傾向があります。それらを不適切な過度の一般化で置き換えないよう確実にするのは、私たち次第です。

著者：ジャン＝シリル・シュッターレ氏、Sidetrade VP Product & Data Science