AutoMLは機械学習（ML）の一種で、機械向けの学習モデルを開発するタスクやプロセスを、開発者が反復的に構築するのではなく自動化します。企業が人間には処理しきれないほど大量のデータを収集するなか、AutoMLはMLモデルを迅速かつ大規模に構築することで役立ちます。
AutoMLで自動化され、より簡単になったMLタスクには、次のようなものがあります。
- 分類
- 回帰
- 最適なモデルの選択
- データのスケーリング
- データの正規化
- ハイパーパラメーターの調整と最適化
- 時系列の構築
こうしたタスクはますます複雑になっています。また、MLアプリケーションを導入する企業が増えるにつれ、MLの専門家やデータサイエンティストへの需要は、企業が人材を採用できる範囲をはるかに上回っています。そのため、Auto-sklearnやAuto-PyTorchなど、すぐに使えるAutoMLソリューションが普及しています。AutoMLは、コーディング経験がほとんどない、あるいはまったくない人でも利用しやすいためです。
関連記事： TinyML：機械学習をエッジへ
AutoMLのメリット
精度
AutoMLは、機械学習モデルの最適化やディープニューラルネットワークの開発に関わるタスクを自動化するため、人間の介入によるエラーの可能性を減らせます。ただし、AutoMLもバイアスとは無縁ではありません。検証データを生成する初期トレーニングデータは、最終的に人間が用意する必要があります。この検証データセットが、モデルの生成と選択におけるベンチマークになります。一方でAutoMLは、トレーニングデータと検証データセットに含まれる可能性のあるバイアスに対処するためにもトレーニングデータを使用します。
アクセシビリティ
前述のとおり、求められる役割を担えるMLエンジニアやデータサイエンティストは不足しています。AutoMLには事前のコーディング知識が必要ないため、機械学習を専門家以外にも開放し、企業の人材需要に応えます。知識の壁がなくなることで、AutoMLはより多くの関係者を開発に参加させ、開発・導入プロセスの透明性を高めます。
効率性
AutoMLは、これまで手作業で行っていたタスクを自動化することで、開発・導入プロセスを高速化します。モデルのテストやハイパーパラメーターの調整に伴う骨の折れる作業も、今では数分で完了できます。AutoMLは開発者、データサイエンティスト／アナリスト、ML専門家の時間を節約しますが、決して彼らを不要にするものではありません。
生産性
MLパイプラインのタスクが自動化・高速化されると、従業員は貴重な時間とリソースを、社内のほかの重要な業務に振り向けられます。たとえば、モデルのテストやニューラルネットワークのアーキテクチャにかかりきりになる代わりに、AutoMLから得られた洞察に注力し、それを実行に移して、より広範な戦略的ビジネス目標の達成に役立てられます。
AutoMLがビジネスを変革する4つの方法
AutoMLがもたらす一般的なメリットに加え、予測、物体／画像認識、自然言語処理の機能は、ビジネスのさまざまな領域を具体的な形で改善する力を持っています。
人事
AutoMLは、人間の言語を処理できるカスタムMLモデルの構築プロセスを効率化します。AutoMLの自然言語処理機能は、履歴書に特定のキーワードが含まれているかを検出し、採用チームが適格な候補者を選ぶのに役立ちます。
しかし、今日広く普及している応募者追跡システム（ATS）ソフトウェアの基盤技術には、欠陥があったり、差別的な性質があったりする可能性があります。たとえばATSソフトウェアは、適格な候補者を誤って大量に不合格にしたり、保護されるアイデンティティーのカテゴリーに属する可能性のある特定の属性を持つ人を一律に除外するようプログラムされていたりします。否定的な属性ではなく、肯定的な属性を重視するようモデルのパラメーターを調整することは、ATSソフトウェアのバイアスを人間が修正する方法の1つです。前述のとおり、AutoMLはバイアスを完全に防ぐものではありませんが、トレーニングデータを使用することで、トレーニングデータと検証データに存在する可能性のあるバイアスを相殺します。こうしたシステムがより倫理的な方法で学習・予測を始められるよう調整するうえで、人間の介入は確かに重要な役割を果たします。
関連記事： ITSMを通じてAIで人々を支援する
セキュリティ
AutoMLは分類モデルとラベル付けを簡素化し、セキュリティ目的で画像や物体の検出を導入しやすくします。画像検出は手書き認識に応用でき、タブレットなどの電子署名デバイス上にある偽造署名を検出できます。
物体検出は、施設内に侵入者がいないかをスキャンする用途にも利用できます。AutoMLは、通常とは異なる購入パターンやログインイベントを検知することで、不正検出にも役立ちます。
さらに、AutoMLの自然言語処理機能は、セキュリティチームがハッカー同士の会話を察知し、サイバー攻撃を事前に防ぐのに役立ちます。
営業・マーケティング
AutoMLの時系列予測機能は、営業チームや生産チームの業務の進め方を変革できます。AutoMLは予測シグナルを自動的に検知し、ハイパーパラメーターを調整して、最適なモデルを選択します。そして、測定対象として設定された指標の予測を継続的に学習し、精度を高めていきます。
これにより営業チームは需要を予測し、それに応じて営業ファネルの機能や優先順位を調整できます。たとえば、貨物コンテナ輸送会社が、Mate Labsの需要予測ツールやb2metricなどのAutoMLを使って、2020年夏に迫っていたコンテナ不足を予測していれば、営業チームは既存顧客に連絡し、在庫の流れに影響する可能性のある将来の不足について知らせることができたでしょう。
前述した分類機能により物体検出が可能になり、B2C環境でのeコマースを支援できます。消費者がオンラインで買い物をする機会が増えるなか、実店舗などで見かけたものを撮影し、デバイスにそれが何かを認識させ、その結果としてユーザーを商品のオンラインストアへ誘導できれば、より簡単で消費者中心の購買体験を実現できます。
AutoMLは、Redditのようなフォーラム上の文章やTikTok動画の音声を自然言語処理することで、営業・マーケティングチームが消費者の企業ブランドや製品に対する認識を見極めるのに役立ちます。チャットボットは、顧客を適切な部署や担当者へ誘導して苦情に迅速に対応することで、顧客満足度と顧客維持率を高められます。
生産・サプライチェーン
製造業の企業では、生産チームやサプライチェーンチームもAutoMLの予測機能の恩恵を受けられます。製品需要の急増や低迷に備え、より迅速かつ正確に計画を立てられるためです。原材料の調達・保管や、より一般的な在庫管理は、需要から直接影響を受けます。より精度の高い需要予測手法であるAutoMLは、企業によるサプライチェーンと在庫のより効果的な管理を支援します。
ビジネスでAutoMLを導入すべき理由
ここで紹介したのは、AutoMLがビジネスを変革する方法のほんの一部です。予測、自然言語処理、物体／画像検出などの機能により、多くの中核的な業務が容易になります。ただし、人間の人材やリソースが不要になるわけではありません。AutoMLは、人間がより賢く働くための支援となります。