例えば、機器のわずかな異音や振動から故障の予兆を検知したり、出荷品のほんのちょっとした傷を見分けるといった作業を自動化したりするには、それぞれの目的に沿った学習データを用意して専用の学習モデルを構築する必要も出てくるだろう。時系列データなどで統計的に導き出せるものも多くあると考えられるが、傷の有無や異常音の検出には、「認識」が必要なため、深層学習によって精度が高められるだろう。

　こうした作業はもともと、企業で長らく働くベテラン作業員の熟練の技と勘を頼りに行われてきたことが多かったが、今後少子高齢化が進むにつれ、「匠の技」が若い世代に受け継がれずに絶えてしまう恐れがある。その前にAI技術を使って匠（たくみ）の技を自動化し、技術の伝承を絶やさないようにしようという動きが製造業や農業などの分野を中心に徐々に広がりつつある。

医療分野における画像認識技術の応用

　医療や医薬もまた、機械学習や深層学習によるAI技術の進化に大きな期待を寄せている分野だ。例えば、深層学習によって飛躍的に精度を増した画像認識技術は、レントゲン写真やMRI画像のわずかな特徴から病理を見つけ出すことを可能にした。既に米国ではこうした技術を開発・提供するベンダーや、これを実際に導入する医療機関が出てきている。

　こうしたサービスが普及することで、従来は経験豊富な医師や技師でなければ見つけることができなかった病理やその兆候が、AIによって誰でも確実に見つけられるようになることが期待される他、これまで高度な治療を受けることができなかった地域や国でも、AIによって先進国並みの医療サービスが受けられるようになる可能性が開ける。

ファンド運用やFinTechにおける深層学習の応用

　現時点で最もAI技術の実用化が進んでいる業界の1つが、金融業界だ。投資判断にAIを活用する「AIファンド」はもう珍しい存在ではなくなり、中には全ての運用をAIに完全に任せる金融商品も登場してきている。

　例えば、AlpacaDBは株式取引に深層学習を応用、「チャートパターンを認識するAIを作成」し、それを投資アルゴリズムとして利用するサービスを展開しており、既に1万以上のアルゴリズムを提供している。自社で開発したチャートパターン認識エンジンを使ってサービスを提供している例だ。

機械学習サービスを選定する際のポイント

　ここまで見てきた例は、極めて高度な技術や膨大なコンピュータリソースを使って実現されているが、これらをサービスとして利用する動きが活発だ。前編で紹介した通り、現在、主要なクラウドベンダーはこぞって機械学習サービスの拡充に乗り出しており、自社の要件に合致するサービスを選ぶことができれば、比較的コストや手間を抑えながら機械学習導入の効果を確かめることができるだろう。

　では、自社ニーズに合致したサービスをどのように選べばいいのだろうか？　主要なクラウドベンダー各社のサービス提供状況については「機械学習ツールやサービスの種類と使いどころを整理する」で簡単に紹介しているので、そちらをぜひ参照されたい。以降では、数ある機械学習サービスの中から要件にマッチするものを選ぶための選定ポイントを幾つか挙げる。

適用対象の課題領域は既に特定されているか？

　機械学習を使って解決したい問題領域があらかじめ明確になっている場合、そしてそのために適用すべき技術がある程度絞り込めている場合は、サービス選定に当たってあまり迷うことはないだろう。しかし、現時点ではそこまで要件を具体的に絞り込めている企業は少なく、むしろ「AIを導入すれば何かいいことがあるのではないか？」「取りあえず機械学習がどんなものか試してみたい」といった企業が大多数ではないだろうか。

　この場合はまず、そもそも機械学習サービスでできることや、自社で機械学習サービスを適用可能な問題領域を特定するところから検討を始める必要がある。こうした検討をへた上で、初めて具体的な導入候補サービスが見えてくる。もしこうした取り組みをリードする人材が社内にいない場合は、外部のコンサルティングサービスを頼るのも手だ。

社内に相応のスキルを持つ技術者がいるか？

　機械学習の仕組みを実装するには、従来のシステムプログラミングとは異なるスキルセットが必要とされる。そうしたスキルを持つ技術者が社内にいれば理想的だが、実際にはまれだろう。そこで多くの場合は、機械学習サービスを使ったシステム設計・開発作業の多く（もしくは全て）を外部に委託することになる。

　近年、そうしたスキルやノウハウを売りにしたSI企業も増えてきたが、例えばAIのビジネス活用に関するコンサルティングから、実際に適用するサービスの選定、そして実装までをワンストップで提供するITベンダーも複数登場している。多くのベンダーは要件に応じて複数の技術を使いこなしているが、特定のクラウドサービスの知見に特化したベンダーも存在するので、実際の要件を元に複数の環境で検証してみるのも手だろう。

コストはどれだけ掛けられるか？

　コストの観点も、決して避けて通ることはできない。特に企業の経営層はAIに対して過大な期待を抱くことが多いため、あらかじめ投資対効果について現実的な数値を算出しておく方が無難だろう。

　またクラウド型の機械学習サービスは、自前でハードウェアやソフトウェアを導入する必要がないため、初期投資を比較的抑えてスモールスタートできる。多くの企業にとってまだAIは検証段階であることを考えると、クラウドサービスのコストメリットは高いといえる。ただし、クラウド上で構築した学習モデルをAPI化し、外部から呼び出して利用する場合、API呼び出しの回数に応じて課金されることが多い。利用形態によっては極めて高額な利用料が掛かることも想定されるため、検証段階からコストシミュレーションを慎重に行っておいた方がいいだろう。

　さらにベンダーによっては、AI関連サービスを本格利用する場合、ベンダーが提供するコンサルティングサービスの契約を必須としているところもある。これも場合によっては大きな出費となるため、あらかじめ契約内容を詳しく確認しておくべきだろう。

クラウド上の既存システムとの親和性

　「機械学習ツールやサービスの種類と使いどころを整理する」でも紹介した通り、現在クラウド型機械学習サービスの分野をリードしているのは、GoogleやMicrosoft、Amazon Web Services、IBMといった世界的な巨大ITベンダーだ。これらのベンダーが提供するクラウドサービスでは、AIに限らずさまざまなサービスを提供している。既に多くの企業がIaaS基盤としてはもちろんのこと、ストレージやデータベースのクラウドサービスなどを活用していることだろう。

　その場合、クラウドデータベースの環境と機械学習サービスの環境が同じクラウドサービス上に載っている方が、連携性やパフォーマンスの面で有利だといえる。そのため、既に導入済みのクラウドサービスとの親和性という観点から機械学習サービスを選定する手もある。

　ただし、データベースから頻繁に学習データを引き抜いて機械学習に繰り返し投入するような利用法では、場合によってはクラウドサービスの利用料金がかさむ可能性もあるため注意が必要だ。また、現在の各クラウドベンダーによるAI関連サービス開発合戦からは、ユーザーを自社クラウドサービスに囲い込むための「呼び水」としてAIを使いたいという意図も透けて見える。こうした動向も冷静に見極めた上で、長期的な観点からサービスを選ぶことをお勧めしたい。