AI の基礎を理解する

最新の AI は、データ サイエンスと機械学習に基づいて構築され、人間のような判断の恩恵を受けるタスクを自動化します。 ビジネス リーダーの目標は数学ではなく、信頼性が高く反復可能な価値であり、より迅速な分析情報、より優れた意思決定、より効率的な運用です。

データ サイエンスとは

データ サイエンスは、データを実用的な分析情報に変える学際的な分野です。 統計、エンジニアリング、ドメインの専門知識を組み合わせて、問題を定義し、データを準備し、結果を評価します。 ほとんどの組織では、データ サイエンティストが AI ソリューションの設計と検証を主導しています。

機械学習とは

機械学習は、システムがデータからパターンを学習し、予測または分類を行えるようにする一連の手法です。 提供する関連性の高い高品質のデータが多いほど、結果の信頼性が高くなります。

機械学習の例:

• 電子メールスパム検出: 機械学習は、不審な単語、ブロックされたドメイン、不一致の URL などのシグナルを識別して、不要なメッセージをフィルター処理します。
• クレジット カード詐欺の検出: 機械学習では、異常な場所や突然の支出の急増などの異常なパターンにフラグを設定して、リスクを軽減します。

ディープ ラーニングとは

ディープ ラーニングは ML のサブセットであり、階層型ニューラル ネットワークを使用して、特に非構造化データ (画像、テキスト、オーディオ) で複雑なパターンを検出します。 手動でエンコードするのが難しい微妙な特徴やリレーションシップを認識する必要がある場合に有効ですが、大規模なデータセットと重要なコンピューティングも必要です。

ディープ ラーニングの例: 医療画像では、ディープ ラーニングは、多くの画像のピクセル レベルのパターンを分析し、時間の経過と共に検出精度を向上させることで、病気に関連する特徴を特定するのに役立ちます。

機能を成果に変える

AI のしくみを理解することは、ほんの始まりにすぎません。 ビジネス リーダーにとって、本当の問題は、機能を信頼性の高い反復可能な価値に変換する方法です。 次のアクションは、パイロットから運用環境に移行し、リスクを軽減し、AI が実際に意思決定、カスタマー エクスペリエンス、サービスコストを改善するのに役立ちます。

• ビジネス上の問題から始めます。ニーズに合わせて適切な機能を使用します。検索と要約には説明 AI を使用し、予測と異常検出には予測 AI を使用し、推奨と最適化には規範的な AI を使用します。
• データ品質への投資: クリーンで一貫性があり、ラベルの付いたデータが信頼できる AI の基盤です。ない場合は、最良のモデルでもパフォーマンスが低い。
• 運用の計画: パフォーマンスの監視、ドリフトの検出、条件の変化に応じてモデルの再トレーニングを行い、結果を時間の経過と同時に安定させる方法を定義します。
• 人間をループ内に留める: AI を使用して専門知識を強化し、それを置き換えるのではなく、特に監視、コンテキスト、判断が重要な高リスクの意思決定に使用します。
• 重要な事項を測定する: AI イニシアチブを結び付けて主要業績評価指標 (KPI) (値までの時間、精度、コスト削減、顧客満足度など) をクリアし、A/B/N テストを使用して影響を検証します。

次に、AI 導入に対する Microsoft のアプローチについて説明します。