クラウドコンピューティングは AI を民主化するための鍵となるのでしょうか?

日本の収穫期には、農家の中には毎日多くの時間を費やして、農場で収穫したキュウリを種類ごとに仕分けする人もいます。これが、この退屈で時間のかかる作業を自動化することを決める理由の 1 つです。彼らは機械学習の専門家ではなかったが、彼は Google の人気のオープンソース機械学習フレームワークである Tensor Flow を使い始め、キュウリをサイズ、形状、その他の属性で分類できるディープラーニング モデルを開発しました。このシステムは完璧ではありません（精度は約 75% です）。しかし、これは AI が小規模な家族経営の企業をいかに迅速に変革できるかを示す兆候です。

[[229334]]

Google、Amazon、Microsoft、Apple、Facebook などの業界大手は、この変革の力を確かによく認識しています。ディープラーニングは、Amazon の推奨システム、Google の検索および翻訳ツール、Microsoft の Cortana パーソナル アシスタント、その他広く使用されている多くのアプリやサービスの基盤となっています。フォーチュン 500 企業のほとんどには、専用の AI チームもあります。しかし、これらのベンダーの AI への関心によってデータ サイエンティストの数が飽和状態となり、中小企業の多くは AI がビジネスをどのように改善できるかを模索することに熱心ではあるものの、専門知識が不足しています。

一流の AI 専門家を雇う余裕のある企業であっても、膨大なデータセットを準備し、それを分析し、ニューラル ネットワークに特定のパターンやオブジェクトを認識させるように教えるために、多くの計算能力を費やす必要があります。しかし、大手クラウド コンピューティング プロバイダーはこれらの問題を認識しており、人々が問題を克服できるように支援する方法を見つけたと考えています。

サービスとしての機械学習、つまりクラウド AI は現在、Amazon Web Services (AWS)、Microsoft Azure、Google Cloud、IBM Cloud などのクラウド コンピューティング プラットフォームの主要コンポーネントとなっています。基本的に、これらの企業は、事前にトレーニングされたディープラーニング モデル (画像認識用) と、それらのモデルをクラウド上で構築、トレーニング、展開するプロセスを簡素化するツールを顧客に提供することで、その役割を果たしています。

「コーディング方法を知っているデータサイエンティストもいれば、アルゴリズムを適切に調整する方法を知らないソフトウェア開発者もいるが、コーディングするためのAPIを提供すれば、誰でもアプリケーションを構築できる。そして最後に、基本的にグラフィカルユーザーインターフェース（GUI）を通じて相互にリンクされているクリッカーツールがあり、世界の人口の大部分をカバーしている」と、企業向けディープラーニングツールを製造しているSkypeのCEO、クリス・ニコルソン氏は述べた。

Microsoft Azure ML Studio、Amazon Sage Maker、Google Cloud ML Engine は、データ サイエンティストの側に近い類似のプラットフォームであり、ディープラーニングの専門家がモデルを大規模にトレーニング、最適化、展開するのに役立ちます。 Amazon Rekognition や Google Translate などの API は、事前トレーニング済みのモデルに基づいて構築されています。ユーザーは、分析する公開オブジェクトのデータ画像やビデオ、または翻訳が必要なテキストを入力し、API が結果を提供するのを待つだけです。

後者のアプローチの問題は、事前にトレーニングされたモデルでは解決できない特定のビジネス問題を解決するためにディープラーニングが使用されることが多いことです。つまり、さまざまな種類のキュウリを認識したい場合、さまざまな種類の子猫を認識できる API があっても意味がありません。

「彼らは『大量のデータを見つけて、モデルをトレーニングしたので、それを使って画像を予測することができます』と言います」とニコルソン氏は語った。 「しかし、ユーザーがソリューションをカスタマイズしたい場合、独自のデータでモデルをトレーニングするのは依然として非常に困難であり、必要であるという点で、これは誤ったソリューションです。」

高度にカスタマイズされたニューラル ネットワークと、基本的な「設定して忘れる」事前トレーニング済みモデルとの間のギャップを埋めるために、Google は最近、顧客データを使用してカスタム ディープラーニング モデルを自動的に構築するシステムである CloudAutoML をリリースしました。新しいサービスの最初のバージョンである CloudAutoMLVision を使用すると、ユーザーはドラッグ アンド ドロップ インターフェイスを通じて画像認識用のカスタム機械学習モデルを作成できます。

過去数か月間、いくつかの企業が Cloud Auto ML をテストしてきました。たとえば、ディズニーはこのツールを使って、商品にキャラクターの名前が付いていない場合でも、顧客が商品内の特定のディズニーキャラクターを検索できる方法を開発しました。企業は依然として Auto ML サービス用に独自のデータを準備する必要がありますが、一部の企業ではこれが問題を引き起こす可能性があります。

「請求書の処理方法や顧客チェックの方法など、組織に固有のデータが多数あります」とニコルソン氏は語った。 「そもそも多くの組織が自社のデータに対するコントロールができていないため、組織にとってそのデータを収集するのは依然として課題です。」

Google のクラウド コンピューティング事業は AWS と Microsoft Azure に次いで第 3 位であるため、Google が人工知能の専門知識を活用してより多くの顧客を獲得しようとしているのも不思議ではありません。しかし、ディープラーニング モデルのトレーニングと展開に必要なコンピューティング リソースを考えると、すべての主要なクラウド コンピューティング プロバイダーは、この目的のためにチップをレンタルする用意があります。

企業の人工知能への関心が高まるにつれ、機械学習ツールは間違いなくあらゆるクラウド コンピューティング サービスの必須コンポーネントとして認識されるようになるでしょう。実際、IDC は、2021 年までに商用エンタープライズ アプリケーションの 75% で AI が使用されると予測しています。 「したがって、組織はコンテナ機能や監視サービスを提供するのと同じように、こうした種類の機能を提供する必要があります」と、IDC の認知/AI システムおよびコンテンツ分析研究担当リサーチ ディレクターの Dave Schubmehl 氏は述べています。

しかし、企業はディープラーニング ツールの導入を急ぐ前に、立ち止まって、そのツールを使用する明確なビジネス ケースがあるかどうかを検討する必要があります。 「人々は非常に特殊な問題を解決するために、非常に特殊な方法でディープラーニングを使用しています」とニコルソン氏は語った。 「解決しようとしている具体的な問題を特定しない企業は、成功する可能性が低くなります。」