機械学習

金融

銀行をはじめとする金融業界の企業は、機械学習テクノロジーを2つの大きな目的、すなわち「データに潜む重要な洞察の特定」と「不正の防止」のために活用しています。データから得られる洞察は、投資機会の特定や、投資家による取引タイミングの判断に役立ちます。データマイニングを用いてハイリスクな顧客を特定する場合や、サイバー監視機能を用いて不正の兆候をピンポイントで警告する場合にも、機械学習は効果を発揮します。

官公庁

公安・治安や公益事業などの政府機関は、複数のデータソースから洞察を導き出す必要があることから、機械学習のニーズが特に高くなっています。例えば、センサーデータを分析すれば、効率向上とコスト削減の方法を特定できます。機械学習は、不正の検知や、ID窃盗被害の最小化にも役立ちます。

Health care

Machine learning is a fast-growing trend in the health care industry, thanks to the advent of wearable devices and sensors that can use data to assess a patient's health in real time. The technology can also help medical experts analyze data to identify trends or red flags that may lead to improved diagnoses and treatment. 

マーケティングと販売

購入履歴にもとづいて顧客が好むと思われる品目をお勧めするWebサイトでは、機械学習を活用して購入履歴を分析した上で、顧客が関心を持つであろう品目を予測しています。データを収集して分析し、ショッピング体験のパーソナライズ（またはマーケティング・キャンペーンの実施）に活用できる機能は、かつて想定されていた「小売業の未来」そのものです。

エネルギー

事業拠点や設備資産で故障を減らし、ダウンタイムを短縮。設備の稼働率を高め、サービス全般の質を向上。設備資産を常にピーク・パフォーマンスで稼働させながら、供給中断の発生を前もって正確に予測できる態勢の確立。この業界における機械学習の用途は膨大な数に達しており、まだまだ広がり続けています。

交通運輸

今日の交通運輸業界にとって、データを分析してパターンや傾向を特定する機能は極めて重要です。収益性を向上できるかどうかは、経路指定を効率化したり、予測にもとづいて問題を防止したりできるかにかかっています。機械学習の中でも、特にデータ分析およびモデリングの側面は、運送会社、公共交通機関、その他の交通運輸関連組織にとって重要なツールとなります。

教師あり学習アルゴリズムでは、ラベル付きの手本（既知の望ましい出力が決まっている入力など）を使ってトレーニングを実行します。例えば、ある装置に「F」（故障中）または「R」（稼動中）というラベルの付いたデータポイントがあるとします。この学習アルゴリズムは、一連の入力とそれらに対応する正しい出力を受け取り、自分（アルゴリズム）の出力と正しい出力を比較してエラーを検出します。これが学習です。そして、自力でモデルに適切な改良を加えます。教師あり学習では、分類、回帰、予測、勾配ブースティングなどの手法により、ラベルの付いていないデータのラベル値をいくつかのパターンを使って予測します。教師あり学習は一般に、過去のデータから将来起こりそうな事象を予測する用途に使われます。例えば、クレジットカード取引に不正の疑いがあるケースや、保険金請求を行いそうな保険契約者を特定することが可能です。

教師なし学習は、履歴ラベルが存在しないデータに対して使われます。この手法では、学習アルゴリズムに「正しい答え」が与えられません。アルゴリズム自身が、データの意味を突き止めなくてはなりません。この手法の目的は、データを探索してその内部に何らかの構造を見つけ出すことです。教師なし学習は、トランザクション・データに対して有効です。例えば、よく似た属性値（の組み合わせ）を持つ顧客のセグメントを特定すれば、マーケティング・キャンペーンでそのセグメントに特化した活動を展開できます。また、顧客セグメントを区別する主要な属性値（の組み合わせ）を明らかにすることもできます。一般に使われる手法には、自己組織化マップ（SOM）、近傍法マッピング、k平均法クラスタリング、特異値分解などがあります。これらのアルゴリズムは、テキストトピックのセグメンテーション、商品のレコメンド、データの外れ値の特定などにも利用されています。

半教師あり学習は、教師あり学習と同じ用途に使われます。ただしこの手法では、ラベル付きデータとラベルなしデータの両方を使ってトレーングを行います。典型的なのは、少量のラベル付きデータと大量のラベルなしデータを使うケースです（ラベルなしデータの方が入手にかかる費用も労力も少なくて済むため）。この学習手法は、分類、回帰、予測などの手法と組み合わせて利用できます。半教師あり学習は、ラベル付きデータのみでトレーニングを行おうとするとコストが高くなりすぎる場合に有用です。この学習の初期の応用例としては、Webカメラの顔認識が挙げられます。

強化学習は、ロボット工学、ゲーミング、ナビゲーションでよく使われます。強化学習のアルゴリズムは、どの行動が最大の報酬を生み出すかを、試行錯誤を通して突き止めます。この学習手法には、エージェント（学習者または意思決定者）、環境（エージェントと相互作用する全てのもの）、アクション（エージェントが行える行動）という3つの主な構成要素があります。エージェントにとっての達成目標は、限られた一定の期間で見込まれる報酬が最大になるような行動を選ぶことです。エージェントは、より適切な方針（ポリシー）に従うほど、より速やかに目標を達成できます。つまり、強化学習の目的は、最良の方針（ポリシー）を学習することです。