AutoMLを学ぶ (Japanese Edition)

第1章 自動機械学習とは何か ？

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

私が初めて機械学習の分野に足を踏み入れた頃、モデルを構築するには、特徴量の入念な選択と作成、ハイパーパラメータの調整、そして様々なモデルアーキテクチャの実験に、数日、複雑な問題では数週間を費やす必要があった。この章では、AutoMLがそうした現実をどのように変換しつつあるかを探る。

これまでのキャリアを通じて、私はこの分野が劇的に変化するのを目の当たりにしてきた。機械学習 は数十年前から存在しており、主に教師あり学習 の形で、ラベル付きデータを用いてモデルをトレーニングし、将来の結果を予測するものだ。データおよびアナリティクス分野で最も著名な人物の一人であるトーマス・ダベンポートが指摘するように、変化したのは以下の4つの重要な要因であり、これらがAutoMLの出現に最適な環境を作り出したのだ。

• 組織におけるMLの人気拡大

• より効果的なモデルを作成するために、複数の、時には複雑なアルゴリズムを使用すること

• 組織全体でプロセスの効率性とアクセシビリティを向上させるための自動機械学習アプローチの普及

• コンピューティングコストの劇的な低下により、あらゆる規模の組織にとって、大規模な実験やハイパーパラメータの 検索が経済的に実現可能になった

様々な業界の組織と仕事をする中で、私はデータの急増と、ますますきめ細かなデータ分析へのニーズが相まって、より洗練度の高い機械学習アプリケーションへの需要が生まれている様子を直接目にしてきた。一方で、有能なデータサイエンティストの供給は依然として限られている。ダベンポートはこの根本的な課題を次のように認識している。「データとアルゴリズムは急速に拡大しているが、人間の能力――定量分析の専門家やデータサイエンティストの能力でさえ――はそうではない。 したがって、機械学習における多くの活動を自動化することが、分析能力の供給が需要に追いつくための、おそらく唯一の方法である。」

実際、過去10年間の機械学習の進化は、一言で言えば「加速」と特徴づけられる。かつて私のチームが数ヶ月かけて完了させていた機械学習プロジェクトも、今では数日、あるいは数時間で完了できるようになった。このスピードアップは、データサイエンティストの数の増加によるものではなく、機械学習に関わる多くのタスクの自動化と、大規模な実験を可能にするコンピューティングコストの劇的な低下によるものである。

本書では、この変換を探求し、重要な質問に取り組む。「機械学習のパイプラインのうち、どれだけの部分を効果的に自動化できるのか？」この質問への答えは、AutoML技術の進歩に伴い絶えず変化しており、企業、研究者、実務家にとって重要な重要性を持つ。

機械学習解決策への需要の高まり

AI（AI エンジニアリング）と機械学習（ML）の導入は、ニッチな実験から、あらゆる業界における中核的な戦略的優先事項へと拡大した。マッキンゼーの「2024年AIの現状」アンケートによると、全企業の半数以上が少なくとも1つの業務機能でAIを活用している。別のアンケートでは、2024年時点で組織の72%～78%が少なくとも1つの業務機能でAIを活用 していると報告しており、2023年の55%から増加している。

主要企業の間では、その導入率はさらに高く、2023年時点でトップ企業の約90％がAIイニシアチブを積極的に推進していた。この広範な熱意を後押ししているのは具体的な成果だ。AIの最前線に立つ企業は、 ...