azure platform with dotdata
dotData、Microsoft Azureへのデプロイをサポート、 Microsoft Azure Marketplaceにて提供開始 dotDataがAzure上で利用可能となり、 Azureユーザーのデータサイエンスおよび機械学習プロジェクトを加速


JPlogo
日本経済新聞 – NECとテックファーム、dotData展開におけるリセラー契約を締結



Predictive Analytics 101: What is it, Why now, and How to Get Started?


予測分析
予測分析 入門編:予測分析とは何か?今必要な理由とはじめ方

予測分析は、過去に収集された履歴データとリアルタイムのデータを利用して、有用なビジネスの洞察を生み出し、未来の重要な結果を予測します。多くの企業が、このAIを活用した技術をリスク低減、業務改善、業務コスト削減、収益向上のために活用しています。 Gartnerは予測分析を、データやコンテンツを学習し「何が起こるか?」、より正確には「何が起こる可能性が高いか?」、という質問に答えるための高度分析の一つであると定義しています。予測分析は、回帰分析、多変量統計、パターン認識などの技術を組み合わせ、見えない値の推定や将来の予測を実現します。Grandview社の最近の調査によると、グローバルでの予測分析市場は23.2%のCAGR(年平均成長率)で、2025年までに239億ドルに成長すると推定されています。当初は、一部の企業が先進的な取り組みとして予測分析を活用していましたが、予測分析は急速に勢いを増しています。 銀行、金融サービス、保険、製造業など、さまざまな業界で予測分析を需要予測、顧客離反防止、予測保全の異常検知などに活用しています。 AIと機械学習に関するForbesの記事によると、アルゴリズムの高度化と予測分析は、2019年にAIと機械学習を活用する企業にとって最も優先度の高い課題の1つだといわれています。以下のDresner Advisory Services社の図が示すように、予測分析はビジネスインテリジェンス(BI)を強化するために最も重要なテクノロジーです。 レポート、ダッシュボード、データ統合、可視化は成熟したBI機能であるため、予測モデリングのためのAIによるBIの拡張は非常に重要になってきています。 これまでのBIは過去の可視化、すなわち履歴データ分析から過去に何が起こったのかを把握し、事後的に対策を立てるための分析に留まっていました。一方、予測分析を活用することでは、これから起こる未来を見据えて企業が適切な行動を取ることを可能になります。これにより、企業はビジネス上の非常に複雑な問題を解決し、リスク管理し、新たなビジネスチャンスを特定することができます。予測分析は、IoTの時系列データのような複雑な多変量データや、従来の統計手法が対応できなかった状況を解決するのに最適な手法です。例えば、リアルタイム予測は、金融詐欺の特定、購入者行動の予測、ダイナミックプライシングを可能にしたり、製品への不良部品の混入を検出したりすることができます。リアルタイムのダッシュボードを提供することで、予測分析はBIプラットフォームに未来の情報を与えることができます。クラウド計算基盤の進化と機械学習自動化(AutoML)プラットフォームの技術的進化(すなわち、AIによる自動化で技術的な複雑さを軽減)により、予測分析は巨大な分析・ITチームを持たない中小企業でも、非常に手頃な価格で利用できるようになりました。 企業は、予測分析、およびデータサイエンス自動化を活用して、より素早く、そして正確な意思決定を実現する必要があります。 予測分析を始めるために、最も有望なアプローチは、AutoMLツールを活用することです。AI / 機械学習に基づく予測分析の重要な課題は、機械学習モデルの構築、テスト、デプロイに精通したデータサイエンティスト、データアーキテクト、機械学習エンジニアなどの人材を見つけることです。 そこでは、自動化が大きな役割を果たすことができます。AutoMLプラットフォームは、データサイエンティストでなくとも、簡単なクリック操作のみで予測モデルを自動的に構築、検証、デプロイすることができます。この新しい自動化のツールを活用することで、BIユーザーは自らがもつデータに関する知見やスキルと合わせて、BIの世界に予測分析をもたらすことができます。 社内に分析人材が十分にいない企業では、AutoMLプラットフォームを導入するだけでは十分ではありません。自動化ツールを前提とした上で、教育やユースケースの開拓・開発、AI / 機械学習の環境の準備などが必要になります。多くの企業は、有望な予測分析のユースケースがある一方で、予測分析に取り組むための人材や予算が十分ではありません。データサイエンティストを大幅に増員することなく、既存の人材を教育して、素早く予測分析に取り組みたいと考えているCIO(Chief Information Officer)、BI、分析のリーダーは、以下の点について検討する必要があります。 データの構造化やクレンジングなど、AI開発をスムーズに進めるためのデータ整備 AIのモデルを作成する肝となる、特徴量の仮説や検証を素早く実施するための特徴量設計技術…