アナリティクス

SASのクラウド・オファリングの詳細についてはインフォグラフィックをご覧ください（画像をクリックするとPDFが表示されます）。

データ

現在のデータは速く大きく複雑です。アナリティクスによるソリューションでは、従来型の構成のデータに加え、ストリーミングセンターデータや画像・動画など、新たに登場した形式のデータを扱わなければなりません。

そういったデータを取得、整備、統制するためには、データ管理戦略も必要です。

どのようにデータの収集、整備、保存を行えば良いのでしょうか？データ準備には、アナリティクスプロジェクトにかかる時間の80パーセント近くを費やすと推定されていますその時間をもっと有効に使ってモデル構築が可能になるのではないでしょうか？

AIを用いたインテリジェントアナリティクスプラットフォームを活用することで時間のかかるタスクを自動化できる統合型のデータ品質およびデータ準備ツール群を用いて、データ準備の工程を合理化することができます。

さらに、データガバナンスによってデータの出典と内容を把握しデータ品質を監視できるため、データの信頼性を確保することができます。データガバナンスにより適切なタイミングでデータを保護することも容易になります。

ディスカバリー（発見）

ディスカバリーではデータの探索、ビジュアライゼーション（視覚化）、モデルの構築を実行します。最適なアルゴリズムを見つけるプロセスは時に試行錯誤となることがあります。しかし、そうした試行錯誤のプロセスもデータの整理、保存、比較が簡単になれば、作業の最適化が可能になります。

最適なアルゴリズムの選択は、データサイズ、ビジネスニーズ、トレーニング期間、パラメータ、データポイントなど、ざまざまな要因によってその成否が左右されます。経験豊富なデータサイエンティストでも、どのアルゴリズムが最適なパフォーマンスを出すかは複数のアプローチを試してからでないと判断できません。

実際、ディスカバリーフェーズになってから異なるデータ特徴を持つ複数のプログラミング言語で書かれた、複数のモデルを比較検討するというのはよくある話です。

例えば、メディカルスキャニングで肝臓の腫瘍を検出する最近のアナリティクスプロジェクトでは、複数のニューラルネットワーク内を探索する作業と、別々のモデルの結果を比較し文書にまとめる作業から始めたということです。

このような作業の連携は、異なったスキルセットを持つデータサイエンティストが自分の好きな言語でコードを書くことができる、というような場面で活用され、プログラマー以外の人たちも様々なアプローチで行われたアナリティクスの結果を見やすい画面でクリックするだけで使えるインターフェースで閲覧することができるため、便利に利用することができます。

デプロイメント（業務実装）

アナリティクスに費やした労力を無駄にしたくないなら、ディスカバリーフェーズで得られた結果を必要部署に展開して活用してもらう必要があります。機械学習もその他のモデルも、棚に飾っておくものではありません。ビジネス上の価値を得たければしっかりと活用しなければなりません。しかし、デプロイ（展開）フェーズは、組織が最も苦労する部分です。

モデルが1つの場合でも何千件の場合でも、モデルを選択するフェーズからデプロイするフェーズへ移行するためにはモデル管理が必要となります。モデル管理を行うことによってバージョン管理が可能となり、選択したモデルの登録、検証、一元管理が容易になります。これがモデルの展開と監視のための手順やルールを決めるのに役立ちます。また、データとモデルの使用についての透明性も高まります。

目標は、モデルを一度構築し、それをどこにでも展開できる状態にすること、つまり、経営陣のダッシュボード、業務システム、またはAPI経由で他のアプリケーションに組み込んだ状態にすることです。