Machine Learning in Support of Strategic Analysis
人工知能 (AI) がより高度になるにつれてこれらの革新的なテクノロジーを採用したいという組織の野心も高まっている。拡大する願望を考慮すると組織にとっての課題は最良の結果を達成するためにAIをどのように拡張できるかという事だ。その答えは組織が機械学習オペレーション (MLOps) を採用し実装する必要があるという事に他ならない。これは価値を提供しデータを活用するために複数の部門が協力する機能横断的な機能だ。コラボレーションはデータ主導の分析ソリューションから価値を生み出すという共通の目標に向かってビジネス プロダクト オーナー、データ エンジニアリング、データ サイエンス、IT、インフラストラクチャなど、組織のあらゆる側面にわたって行われる。 データ変換はMLの重要な側面だ。MLを完全に展開するにはデータが正しい形式でなくてはならない。MLを効果的に行うには大量のデータが必要であり収集、管理、保存には時間が掛かる。AIモデルには適切に管理され適切に変換された高品質のデータが必要だが実際には困難な場合がある。金融サービス業界などの確立された企業では多くの場合大量のデータがレガシー形式で保存されている。このため最新のMLモデルに統合して使用することが困難なのだ。 例えば企業データの従来の形式は利用が難しい非構造化テキストを含むデータベース、ファイル、システムだ。組織によってはMLモデルに使用されるデータは複雑で乱雑であり欠損値、外れ値、その他の異常が存在する。データ変換にはこのデータのクリーニングと前処理が含まれるがこれには時間がかかる場合がある。 機械学習オペレーション (MLOps) を実装する場合組織はソリューションを設計し文化をサポートするための専門知識を必要とする。これは新しい分野であり多くの組織では必要なスキルセットを備えたスタッフが不足している。技術人材の需要は今後5年間続くと考えられ業界全体でMLOpsエンジニアとITアーキテクトの需要が特に高まる事が予想される。Deloitte のデータによると26%の組織でMLOpsエンジニアが不足しており28%の組織でより多くのITアーキテクトが必要との事だ。これはAI 機能を拡張するためのMLOpsを開発するために必要な技術スキル セットにギャップがある事を示している。ビジネス リーダーの間ではビジネス プラクティスを再設計して単一ユース ケースだけでなくビジネス運営のあらゆる側面にMLOps機能を組み込む文化的な転換が必要なのだ。