AutoMLを学ぶ (Japanese Edition)

はじめに

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]

本書を執筆した理由

データサイエンスとアナリティクスの分野で数十年にわたるキャリアを通じて、私は組織が機械学習に取り組む姿勢に驚くべき変革が起きているのを目の当たりにしてきた。かつては博士号を持つ専門家チームと数ヶ月に及ぶ骨の折れる手作業を必要とした作業が、今ではドメインの専門家によって数日、あるいは数時間で完了できるようになった。AutoMLを通じた機械学習能力の民主化は、私がこの分野で目撃した最も重要な変化の一つである。

しかし、AutoMLの重要性が高まっているにもかかわらず、利用可能なリソースには重大なギャップがあることに気づいた。ほとんどのAutoMLの文書化は特定のツールに焦点を当てているか、実践的な実装ガイダンスを伴わない大まかな概要を提供しているに過ぎない。学術論文はアルゴリズムの詳細に深く踏み込んでいるが、実世界のコンテキストが欠けていることが多い。欠けていたのは、理論と実践を橋渡しする包括的なリソースだった。つまり、AutoMLがどのように機能するかを説明するだけでなく、いつ、なぜ異なるアプローチを用いるべきか、そしてそれらを実際のビジネスワークフローにどのように統合するかを解説するリソースである。

このギャップは、金融、ヘルスケア、小売、テクノロジーといった様々な業界の組織で私が仕事をする中で、特に顕著になった。度々、自身のドメインの問題を深く理解している有能な専門家たちが、AutoMLの世界を効果的にナビゲートするのに苦労している姿に遭遇した。彼らには、適切なツールの選択、異なるアプローチ間のトレードオフの理解、そして本番環境で機能する解決策の実装に関するガイダンスが必要だった。特に、説明可能性、信頼性、ガバナンスが重要な規制産業においてはなおさらである。

本書で取り上げるツールを試行錯誤し、AutoGluonを用いて私の会社であるmed-essence.de向けの製品を構築する過程で、本書の基盤となるハンズオン経験を多く得た。 AutoGluonは我々の目的に適していると判断し、あるユースケースを本番環境に投入するためにこれを使用した。インターネットや様々な論文、書籍から多くの情報を収集できた一方で、GitHubページや断片的なリソース、時には不完全なオープンソースソフトウェアの文書化から、テストや妥当性確認を通じて学ぶ必要もあった。本書は、その数年にも及ぶ取り組みから生まれたものである。

最近、トーマス・ダベンポートやイアン・バーキンとのコラボレーションで、AIツールが「シチズン・開発者」をどのように可能にするかというテーマについて取り組んだことで、この考えはさらに強まった。我々は、テクノロジーによってAI開発が急速に民主化されている一方で、利用可能なツールと実践的な知識との間のギャップは依然として大きいと観察した。組織には、AutoMLプラットフォームへのアクセス権だけでなく、これらのツールを戦略的かつ責任を持って活用する方法についての明確な理解が必要だ。また、こうしたシチズン・開発者が開発した解決策が、どのように本番環境に導入されるかという点も、依然としてグレーゾーンである。

本書は、その知識のギャップを埋めるための私の試みである。分析ソリューションの実装、AutoGluonやTPOTといった従来型およびAutoMLツールを用いた製品開発、多様な対象者への概念指導、そして実世界でのデプロイにおいて何が機能し（何が機能しないか）を観察してきた長年のハンズオン経験をもとに、AutoMLの基礎を理解したい初心者から、実装スキルを深めたい経験豊富な実務家まで、双方に役立つリソースを構築した。 ...