AutoMLを学ぶ (Japanese Edition)

トーマス・H・ダベンポートによる序文

自動機械学習について書くのは難しいテーマだ。 大まかな概念を把握するのは比較的容易だ――「コンピュータが自動的に統計モデルを作成し、データを適切に適合させて優れた予測を行えたら素晴らしいのではないか？」――しかし、組織的および技術的な両方の観点から詳細に論じるのは難しい。実際、AutoMLの専門家の多くは技術的なバックグラウンドや志向が強く、組織的・経済的な影響について議論することはほとんどできない。

本書は、このテーマについて両方の視点を巧みに論じている点で異なっている。ケレム・トマックは、堅実なデータサイエンスのバックグラウンドを持つ上級経営幹部であり、AutoMLという二つの異なるドメインを橋渡しすることができる。とはいえ、読者の特定のバックグラウンドやこのテーマへのアプローチに応じて、本書のどのセクションを読むべきかについては、彼のアドバイスに従うのがよいだろう。

このテーマには結びつけるべき二つの世界があるものの、AutoMLに関する本を執筆し、読むには今がまさに絶好の時期だ。かつては「手作業」でより優れたモデルを作成できると考えてAutoMLに懐疑的だったプロのデータサイエンティストたちも、特に初期段階のモデル探索において、この技術を受け入れ始めている。

非専門家の中でも、刺激的な一連の新技術が見られる。一部のAutoMLプログラムは、ポイント＆クリックのインタフェースやビジネスインテリジェンスプログラムとの統合により、素人でもかなり簡単に使えるようになっていた。しかし今や、生成AIによって「バイブコーディング」だけでなく、「ビブ・データサイエンス」も可能になったのだ。 トマックが著書で指摘するように、言語モデルのプロンプトを用いて機械学習モデルを作成する手法は、データサイエンスと機械学習のさらなる民主化を可能にしてきた一連の技術的開発における、最新の段階に過ぎない。 技術に詳しくないユーザでも、言語モデルに短いプロンプトを入力し、データセットをアップロードするだけで、データに適合する予測モデルだけでなく、特徴量エンジニアリング、欠損値の最適な処理方法の検討、複数のアルゴリズムの探索、さらにはマネージャーがモデルの結果を最大限に活用するためにどう対応すべきかという数ページにわたる説明まで、素早く受け取ることが可能になった。

本書は、生成AIを活用した機械学習にはあまり焦点を当てていない。その技術はまだ発展途上であり、プロンプトのわずかな違いで結果が大きく変わってしまうからだ。しかし、トマックは随所で、アマチュアがデータサイエンスを行うのが適切な場合と、専門家が必要な場合という重要なテーマについて論じている。 また、彼がAutoMLプロジェクトで重点を置いている技術は、生成AIのプロンプトよりも習得がやや難しいものの、従来の機械学習プログラムに比べれば、精度が高く、はるかに使いやすい。

また、本書はより伝統的なタイプの機械学習ベースのAIについて扱っている点にも留意すべきだ。厳密に言えば、生成AIも機械学習の一形態である。しかし本書が扱うのは、私が「分析型AI」と呼ぶもの、つまり構造化された数値データを用いて他の数値データの予測を生成する機械学習モデルの開発である。この種のAIは、生成AIよりもはるかに長い歴史を持っている。 本書を手に取った方なら、この分野が一般にはあまり知られていないものの、依然として非常に人気があり重要であることをご存知だろう。実際、私が最近行った調査によると、今日の組織の多くは、生成AIよりも分析AIからより大きな経済的価値を得ている傾向にある。そして、組織がAutoMLを使って機械学習モデルを作成・管理すれば、分析AIの価値はさらに増大する。それに、生成AIに関する書籍はすでに数多く出版されている。 ...