機械学習（ML）はあらゆる問題の解決に役立っていますが、ただ聞くとかなり取っつきにくく感じます。ほとんどの人はこの用語を聞いたことがありますが、その正確な意味をよくわかっていません。ユーティリティビジネスの問題解決にどのように役立つのでしょうか？ <\/SPAN>このブログ記事の後半では、私の同僚が言うところの機械学習におけるバズワード準拠者になるために役立つ3つの言葉を見ていきます。<\/STRONG><\/P>データと分析の急増に伴い、「machine learning」という用語はあらゆるところで見られるようになりました。これは人工知能分野の一部です。それが少しSFのように聞こえるかもしれませんが、そうではありません。現代のクラウドデータストレージと計算資源は、特にML技術を用いて実際のビジネス課題に対応する驚異的な能力を持っています。machine learningは、新しいビジネス課題ごとに特定のプログラムを作成するのではなく、汎用プログラムを使用します。これらのプログラムはデータを評価してパターンを特定し、そのパターンを使って予測を行います。ある意味で、機械やコンピュータは過去の経験に関するデータから学び、その学習を現在の問題に適用しているのです。<\/STRONG><\/P>機械は私たち人間と同じ方法で学びます。誰かが何を期待すべきか教えてくれ（アルゴリズム）、私たちは経験（データ）を積み、観察してパターンについて自分なりの考え（トレーニング）を形成し、それからそのパターンを将来の経験に適用します。私の妻は私の表情や場所から気分を読み取ることを学びました。彼女は私の内心について直接知識がなくても、私がキッチンで「その顔」をするとき、子供たちがシンクに皿を置きっぱなしにしていることに不満だと学習しています。彼女はパターンを観察し、それゆえ正確な予測を行います。<\/P>1. Model<\/STRONG><\/P>ML分野では、「model」にはまだ標準的な定義がありません。 <\/SPAN>モデルとは技術、プログラム、データを具現化したシステムと考えてください。<\/STRONG> <\/SPAN>最終的に結果をもたらすのはモデルです。新しいデータセットで特定のモデルの性能について尋ねるかもしれません。もしデータサイエンティストにそのモデルが問題解決に使えるか尋ねたら、「モデルはまだ十分に正確ではなく、さらに調整が必要です」と答えるかもしれません。<\/P>2. Algorithm<\/STRONG><\/P>アルゴリズムとは、レシピのようなタスク完了手順です<\/STRONG>。MLでは、データ内のパターンを見つける数学的アプローチです。MLソフトウェアにはこれら汎用プログラムのライブラリが含まれており、モデルで使用できます。数学者によって書かれた多くのアルゴリズムがあり、それぞれ異なる状況で強みと弱みがあります。それらはしばしば経験的ベイズクリギング（EBK）や最小二乗法（OLS）のような難解な名前で呼ばれ、各用途に最適なアルゴリズムを見つけるためにはテストが必要です。特定タスクに最適なアルゴリズム選択には通常データサイエンス研修が必要です。<\/P>3. Training<\/STRONG><\/P>トレーニングはMLを他の問題解決方法と区別します。モデルは既知結果付きデータセットで訓練されます。アルゴリズムを適用してトレーニングデータ内の相関関係やパターンを見つけます。 <\/SPAN>モデルが十分訓練されると、結果が未知の新しいデータで予測できるようになります。<\/STRONG><\/P>実際の問題解決<\/STRONG><\/P>電力ユーティリティは通常業務としてサービスのオン・オフ切り替えを行います。ほとんどのお客様には頻繁ではありません。しかし、一部のお客様には年数回必要になることがあります。それは引越しや未払い料金による場合があります。一部ユーティリティは従業員や車両を現地へ派遣せずとも遠隔操作でオン・オフ可能なメーターを設置しています。このメーターは顧客時間節約だけでなく取引コストや環境負荷も削減します。このより高価なメーターから恩恵を受ける顧客をユーティリティがどのように予測できるでしょうか？<\/P>この問題への対処として過去注文データを集めて将来オン・オフ活動予測が可能です。そのデータにはアカウント種別、料金体系、支払履歴、請求額、住所などが含まれます。アルゴリズム選択、過去データ収集、モデル訓練後、このモデルで現在アカウント調査し将来このサービス需要が高いものを予測できます。<\/P>この例では、多くのユーティリティ課題同様、場所情報が問題解決に非常に重要です<\/STRONG>。大学生は学校サイクルでアパート入居し夏季には引っ越すことがあります。この学生移動は電力サービス注文に直接影響します。また大学近隣など場所情報も使えればモデル性能向上につながります。<\/P>machine learning技術は進化し続けます。その過程で場所インテリジェンスは常に重要です。場所情報はユーティリティデータ準備、モデル訓練、有意義な予測に自然と組み込まれます。<\/STRONG> <\/SPAN>GISほどmachine learningへ場所インテリジェンス組み込みに優れた方法はありません。<\/P>ビッグデータ活用作業は手動分析にはあまりにも大規模です。<\/STRONG> <\/SPAN>ユーティリティには行動可能な洞察発見、結果可視化、利害関係者への影響明確伝達に最適ツールと技術が必要です。ArcGISプラットフォームにはこれらツールと強力な場所ベースmachine learning技術が含まれています。<\/P>次回キッチンから出て表情から心情読み取られたら、それはmachine learningと同じ技術だと気づいてください。場所インテリジェンスとmachine learningがどのようにあなたのビジネス課題を解決できるかをご確認ください。<\/P> <\/DIV> <\/P>
