ノーコードAI(人工知能)により、以前は複雑だった機械学習(ML)テクノロジーが小規模企業の手の届くものになった。イノベーションは加速し、新興企業や中小企業の成長が促進されている。

機械学習(ML)アルゴリズムの操作は、ボタンをクリックしてコンピューターに次の最高値の株を予測するよう指示したり、短いテキストの説明に基づいてアートを生成したりするという単純なことではない。実際はデータサイエンティストや機械学習エンジニアが開発する統計アルゴリズムが必要である。

しかし、この分野では、機械学習アルゴリズムを作成するエンジニアや、多くの企業で高まる人工知能(AI)の需要を満たすためにデータを分析し使用するのに必要なスキルを持つ人々が不足している。

ノーコード AI/ML プラットフォームは、複雑な AI コードを使いやすくアクセスしやすいインターフェイスに置き換えている。現在、企業はAI/ML エンジニアチームを雇うことなく、AI/ML の機能を中核事業の最前線に持ち込むことができる。

このようなノーコードAI/ML ツールは、AI/MLソリューションの展開とメンテナンスを簡素化する一方で、予測タスクや分類タスクを含むAI対応機能一式の導入を容易にするので、進化を続ける分野で見られる人材不足に直接対応することができる。中小企業にとって大きなメリットとなろう。

空白を埋める

AI/ML アプリケーションの中心になるのはデータである。機械学習とはAIの一部であり、明示的なプログラミングがなくても過去のデータから機械が自動的に学習することを可能にする。プログラムによるコマンドの代わりに、データを入力し、統計モデルが構築される。学習用データが足りないと、データ内の基本的なパターンを特定する能力が影響を受け、入力データに存在しない状況に対応するとき、モデルの信頼性、堅牢性、および回復力の低下につながる可能性がある。逆に、データが多すぎると、無関係なデータによって有用な統計的パターンを発見する能力が損なわれるという、好ましくない結果になることがある。

機械学習アプリケーションの構築では高品質なデータの取得が重要なのだが、倫理的問題、物流上の問題、個人情報保護法、その他多くの技術や規制に関するボトルネックによりデータ取得が妨げられることがある。たとえば、保険業界では、顧客が常に個人情報を開示することを望んでいるとは限らないため、収益モデルを強化するために消費者データを分析することは問題になる可能性がある。これにより、データには大きなギャップやバイアスが発生し、ML モデルの全体的な正当性が低下するかもしれない。

この障害を克服するために、シンガポールを拠点とするイノベーターたちは、ギャップを埋める合成データ生成エンジンを開発した。このテクノロジー商品では、ML アルゴリズムが、希少ではあるが実際のデータセットの複雑性を学習して補足する。その後、複製しようとしているデータと同じくらい複雑な合成データを大量に生成する。データの生成は迅速に行われ、わずか 8 分で最大 10,000 行 8 列のデータが生成される。

合成データの生成は、難読化技術によって情報のプライバシーを保護すると同時に、データ不足およびデータ取得の難しさという課題を解決する。

イノベーションの加速

一部の業界では、AIアプリケーションを学習させることのできる信頼できるデータを取得することが本質的に困難である。例えば、新型コロナウイルス感染症(COVID-19)の流行初期には、消費者行動が急速かつ不規則に変化したため、市場研究者が新しいトレンドを追跡するために使用する製品需要データが使い物にならなくなった。加えて、従来の市場分析は、通常は数か月かけて行われていたが、このような変化の激しい状況では、従来通りに行うことは困難であった。

このような場合、AI を活用した消費財 (CPG) 製品イノベーションのような市場分析ツールが役に立つことがある。このテクノロジー商品はSNS、 e コマース プラットフォーム、検索エンジン、製品レビューなどといったさまざまなソースから膨大な量のデータを収集し、消費者行動に関するバイアスのない見解を生み出す。市場調査チームはこの見解を使い、市場でのポジショニングや製品のプロモーションに関して、より多くの情報に基づいた決定を下すことができる。

このデータ駆動型の手法は、特定の製品のトレンドを見つけ、将来の成長軌道を予測するのに役立つだけでなく、新製品の発売前にコンセプトの実現可能性を評価することもできる。ホワイトスペースの機会が特定されれば、企業は新製品を作り、顧客が語ることのないアンメットニーズに対応し、新しい収益の流れを築き、市場の破壊者として台頭することができる。

品質管理の強化

品質管理システムで使用される ML モデルのトレーニングに使用されるデータの作成の中でも、非構造化データのアノテーション付与は、手作業のアノテーションを必要とする膨大な量の画像のため、最も面倒で骨の折れるプロセスの1つである。

データのアノテーション付与過程で人的エラーに起因する不一致や不正確性が起こると、高精度の医療、製薬、または半導体分野の企業にとって災いとなる。

この製造業欠陥検出プラットフォームにはAIによるデータアノテーション機能が組み込まれており、人間の検査員よりも一貫して迅速に組立ラインの欠陥を特定できるMLモデルの学習プロセスを加速させることができる。このテクノロジー商品では、複数のAIモデルを評価して最も性能がよいものを決定し、そのモデルは目的に応じて自動的に展開される。 また、AIプラットフォームは、分類に透明性を与えて顧客の信頼を向上させ、モデルの劣化が発生した場合にはエンドユーザーに警告する機能も持つ。これらのメリットを合わせて活用することで、製造エラーをなくし、手作業を減らし、検査から得られる洞察によって改善やイノベーションの機会を得ることができる。

これらのテクノロジー商品は実にアクセスが容易であり、使いやすく、手間のかからないノーコードAI/MLプラットフォームであり、新興企業や中小企業は製品やサービスを開発、拡張、展開、維持するために必要なリソースを利用できる。

もっと強力なテクノロジー商品について知りたければ、こちらにあるIPI のイノベーション・マーケットプレイスにアクセスされたい。

(2022 年 09月01 日公開)