優れたビジネス機械学習のユースケース 5 つ

ビッグデータと機械学習を組み合わせることで、ビジネスの競争優位性を獲得するために必要な、すでに保有しているデータの価値を引き出すことができます。

[[327102]]

2 つの機械学習 (ML) モデル ビルダーのリリースにより、ソフトウェア エンジニアは専門的なトレーニングを受けなくても、ML モデルを簡単に作成および実行できるようになります。

Microsoft と Amazon Web Services (AWS) の Gluon は、人工知能 (AI) システムの開発に必要な大変な作業の一部を排除するオープンソース プロジェクトです。ディープラーニング システムの 2 つの重要なコンポーネントであるトレーニング アルゴリズムとニューラル ネットワーク モデルを提供し、開発者はこれらを使用して独自の ML システムを開発できます。

Google のクラウド プラットフォームの一部である ML エンジンは、開発者があらゆるタイプ、あらゆるサイズのデータ​​で動作する ML モデルを構築するためのマネージド サービスです。 Gluon と同様に、Google のサービスは、開発者が独自のカスタム ML モデルを生成できるように、事前トレーニング済みのモデルを提供します。

今こそ、ML を詳しく調べて、それをビジネスにどのように適用できるかを検討する良い機会です。ビッグデータと機械学習を組み合わせることで、製品の作成や改善、競争上の優位性獲得に使用できるパターンを明らかにし、既存のデータの価値を最大限に引き出すことができます。

ここでは、企業が ML を活用して製品やサービスを革新する 5 つの方法を紹介します。

1. 自動運転車

自動運転車は、より安全で、よりクリーンで、より効率的な交通の未来をもたらす可能性があります。ソフトウェア開発者は、ML とディープラーニング (DL) アルゴリズムを使用してコンピューター ビジョンを強化し、車両が人間と同様の方法で意思決定を行えるようにします。

Drive.ai (https://www.drive.ai/) は、DL を使用して自動運転車の「頭脳」を構築しています。同社のチームは、マネージドワーカーを使用して、生の画像の非構造化データを構造化データに変換し、境界ボックスを使用して道路標識、信号、歩行者などのオブジェクトに注釈を付けます。

これらの豊富な画像は、道路を走行する際に物体を認識し、適切な対応を決定する方法を自律システムに「教える」ために使用されます。

2. ライティング指導

人々に書き方を教えることは測定が難しい。経験豊富な高校教師や大学教授にとっても、すべてのクラスのすべての生徒に書面による課題をレビューし、有意義なフィードバックを提供するのは難しい場合があります。

Ecree は、ML を使用して自動ライティング評価ソフトウェアを強化しています。学生がエッセイを提出すると、アルゴリズムは学生が論文や志望動機を記載したかどうかを識別し、その内容の質を評価します。

このソフトウェアは 36 の指標を使用して生徒の課題を採点し、1 分以内に生徒にフィードバックを提供できます。生徒は、必要な数だけ下書きを提出し、リアルタイムのライティング指導を受けながら、構成、明確さ、裏付けとなる証拠、分析といった優れたライティングの要素を学ぶことができます。このツールにより、すべての学生が同じ基準を使用して平等に評価されることも保証されます。

3. IoTとIIoTによる予知保全

機器のメンテナンスは、現場に大量の機械を配備する企業が直面する多くのコストのかかる課題の 1 つです。モノのインターネット (IoT) と産業用モノのインターネット (IIoT) は、燃料計からタイヤまで、日常の物体に組み込まれたセンサーを使用してデータを収集し、ネットワーク上で共有します。このシステムは ML を使用して温度や湿度などのデータを分析し、パフォーマンスと将来の結果を予測します。

船舶用電力システムを製造するキャタピラー社は、IoT と機械学習を使用して、機器やデバイスのデータ内のパターンを発見しています。ある例では、キャタピラー社は、燃料計の数値が船上の冷蔵コンテナの電力使用量と相関関係にあることを突き止めました。彼らはこのデータを活用して、発電機の出力を変更し、動作パラメータを最適化します。これは、50 隻の船舶で 1 時間あたり 30 ドル、つまり年間 65 万ドルの節約に相当します。

4. 輸入物流計画

物流計画により、適切な人が適切な量の物資を適切な場所で適切なタイミングで受け取ることが保証されます。インバウンド ロジスティクスは、サプライヤーとサプライヤーが企業に送る商品の管理に重点を置いています。これは、注文、出荷、倉庫保管、在庫管理、使用状況を管理する複雑なプロセスです。既存の計画に関するデータを収集し、それを ML モデルに取り込むことで、企業は将来のプロセスを予測して推奨することができます。

Walmart は ML を使用してビジネス効率を最適化しています。 同社の Retail Link 2.0 システムは、サプライ チェーン全体に流れる情報を活用してプロセスからの逸脱を特定し、リアルタイムで調整できるようにします。

自動車メーカーのホンダは、保証返品フォームの自由記述フィールドや整備士のレポート内のパターンを識別することで、機械学習を使用して組み立てラインを超えた品質問題を検出しています。

5. 小売業

店舗やオンラインで商品を販売する企業は、以前からビッグデータを収集してきました。消費者、消費習慣、嗜好に関する人口統計データを収集します。課題は、オンラインとオフラインのデータを収集し、価格設定、在庫、顧客体験、収益性にプラスの影響を与える可能性のあるデータのパターンを特定することです。

機械学習により、小売業者は顧客のブランド体験に影響を与えるために使用できるデータ内のパターンを発見できるようになります。電子商取引小売業者は、買い物客が自社のサイトで商品を閲覧して購入する際のデータを収集し、その情報と市場動向を使用してパーソナライズされた商品の推奨を提供することで、売上を伸ばすことができます。

小売大手の Amazon は、買い物客の閲覧履歴や購入履歴に基づいてパーソナライズされた製品推奨を実装した最初の企業の 1 つです。 ML は、この推奨エンジンのさまざまな側面と、デジタル音声アシスタント Amazon の Alexa で使用される自然言語処理機能を強化します。

高級衣料品小売業者の Rebecca Minkoff は、Alexa を使用してデータから詳細を素早く抽出しています。 ShopTalkカンファレンスで、共同創設者のUri Minkoff氏はAlexaに同ブランドの春コレクションで最も購入された商品について質問し、1秒以内に正しい回答を得た。

ビジネスで ML と DL を使用することを決定したら、データは採掘すべき金となります。 ML モデルは、非構造化データと構造化データを使用して、多くの基本プロセスをイノベーションと競争上の優位性をもたらすインテリジェント システムに変換できます。