利用者が語る人工知能と機械学習
利用者と人工知能（AI）の専門家が 機械学習 とAIの将来をどのように予測しているのでしょうか？
AIの導入が業界にもたらしている大きなチャンスは、顧客サービスの向上や、より的確なオファーを適切なチャネルで適時に提供する取り組みで、それらは実際に効果を出し始めています。
人工知能の歴史
人工知能（artificial intelligence: AI）という用語が造られたのは1956年のことですが、データ量の増大、アルゴリズムの高度化、コンピューティング性能やストレージ技術の発展といった近年の動向により、近年AIという略語はいっそう広く知られるようになっています。
1950年代の初期のAI研究では、問題解決や記号処理といったトピックが探究されました。1960年代になると、米国の国防総省がこの領域に関心を示し、人間の基本的な論理的思考（推論）を模倣できるようにコンピューターをトレーニングする研究を開始しました。例えば、国防高等研究計画局（DARPA）は1970年代にコロラド州アスペンのストリート・マッピング・プロジェクトを完遂しています。また、DARPAは2003年にインテリジェントなパーソナル・アシスタントを開発しましたが、これはSiri、Alexa、Cortanaが家庭に浸透するよりも遥かに前のことです。
こうした初期の研究によって、今日のコンピューターに見られる自動化や形式推論への道が開かれ、人間の能力を補完・強化することを目的とした意思決定支援システムやスマート検索システムなどの実現につながりました。
ハリウッド映画やSF小説では人間型のロボットが世界を征服するストーリーも描かれますが、現在のAIテクノロジーの進化段階はそうした不気味さや、そこまでのスマートさには達していません。とはいえ、AIはあらゆる業種に数多くの具体的なメリットをもたらすまでには進化を遂げています。
人工知能が重要な理由
- AIはデータを用いた反復型の学習と発見を自動化します。しかしAIは、ハードウェア主体のロボット工学的な自動化とは異なります。AIは手作業のタスクを自動化するのではなく、コンピューター化された大量かつ高頻度のタスクを高い信頼性で "疲れる" ことなく実行します。このタイプの自動化では、システムのセットアップや適切な疑問の提起といった面で、人間の関与が依然として不可欠です。
- AIは既存の製品にインテリジェンスを追加します。ほとんどの場合、AIが単体アプリケーションとして販売されることはなく、Siriが新世代のApple製品に新機能として追加されたのと同様、人々が既に利用している製品の改善・強化にAI機能を利用します。自動化、会話型プラットフォーム、ボット、スマートマシンなどを大量のデータと組み合わせることで、セキュリティ・インテリジェンスから投資分析まで、家庭や職場で利用される数多くのテクノロジーを改善・強化することが可能です。
- AIは漸進的な学習アルゴリズムを通じて適応します。これは、いわば「データ自体にプログラミングを行わせる」ような方法で実現されます。AIはデータの構造と規則性を発見し、それを基にアルゴリズムがスキルを習得します（つまり、アルゴリズムが分類器や予測器となります）。そのためアルゴリズムは、チェスのプレイ方法を「自己学習」できるのと全く同様に、ネットショップで次にレコメンドすべき商品も自己学習できます。また、新しいデータが与えられると、モデルの適応化も行われます。誤差逆伝搬というAIの手法では、最初の解がそれほど適切ではない場合、学習と追加データを通じて自律的にモデルの調整が行われます。
- 多くの「隠れ層」を持つニューラル・ネットワークを利用することで、AIは、より多くの、より深いデータを分析します。数年前には、5つの隠れ層を用いた不正検知システムを構築することは、ほとんど不可能でした。信じられないほどのコンピューティング性能とビッグデータによって状況が一変したのです。ディープ・ラーニング・モデルはデータから直に学習するため、こうしたモデルをトレーニングするには大量のデータが必要になります。モデルに与えるデータが多いほど、モデルの正確性が向上します。
- ディープ・ニューラル・ネットワークを通じて、AIは驚異的な正確性を達成します。これは以前には不可能なことでした。例えば、人間がAlexa、Google Search、Google Photosなどで行う対話（型の操作）は全てディープ・ラーニングを基盤としており、使い込むほど正確性が高まっていきます。医療分野では、ディープ・ラーニング、画像分類、物体認識といったAI手法の活用により、MRI画像からガンを発見するタスクの精度が、高度な訓練を受けた放射線科医と同等のレベルに達しています。
- AIはデータを最大限に活用します。アルゴリズムが自己学習するようになると、データ自体が知的財産となります。答えはデータの中にありますから、人間に必要なのは、AIを適用して答えを取得することだけです。昨今はビジネスにおけるデータの重要性がかつてないほど高まっているため、データは競争優位性の源泉となりえます。競争の激しい業界で全ての企業が同じような手法を適用する場合でも、最良のデータを持つ企業こそが高い確率で勝者となるでしょう。
企業のための人工知能導入ガイド
AIを効果的に活用するために重要なのは、人、プロセス、テクノロジーの融合を常に考慮しながら、より大規模なビジネス戦略に対して適切な情報を提供するように、AI活用戦略を策定することです。
ブームと現実を切り分けて認識するために
AIは “機械に更なるスマート性を” 組み込むために役立っていますが、世界を征服しつつあるわけではありません。私たちはAIに何を期待すべきでしょうか？
マーケティング・アナリティクスの強化
マーケティングの世界は今、アナリティクスとAIを原動力とする進化の真っ最中です。リアルタイム・オファーの自動化や、より大量のデータのマイニングを通じたオファー精度の改善、顧客の声の理解向上などを実現する方法とは？
人工知能の主な活用方法
あらゆる業種でAI機能のニーズが高まっています。なかでも法務支援、特許検索、リスク通知、医学研究などに利用できるQ＆Aシステムには、特に大きな需要があります。それ以外にも、AIには以下のような用途があります。
医療
AIを組み込んだアプリケーションは、治療や投薬、レントゲン画像診断などのパーソナライズに効果を発揮します。また、パーソナル医療アシスタントは「ライフコーチ」として、薬を飲む、運動する、健康的な食事をする、といった活動の励行を促してくれます。
小売
AIで実現する仮想ショッピング機能は、パーソナライズされたレコメンドを提供するだけでなく、購入オプションに関する消費者の相談にも乗ってくれます。在庫管理や店内レイアウトに関するテクノロジーも、AIによって改善・強化されるでしょう。
製造
AIは「ファクトリーIoT」にも効果的です。ネットに接続された設備機器から流れ込むデータを分析し、再帰型ネットワーク（シーケンス・データに対して使われる特殊なディープ・ラーニング・ネットワークの一種）を用いて負荷や需要を予測することができます。
スポーツ
試合の画像や映像を分析し、選手のポジションやゲーム戦略の最適化など、より優れた試合運びに関するレポートを首脳陣（監督やコーチ）に提供するために、AIが活用されています。
人工知能の使用に伴う課題
人工知能（AI）はあらゆる業種を変革しつつありますが、その限界も理解しておかなければなりません。
AIの原理上の制約は、データから学習することです。それ以外に知識を取り入れる方法はありません。したがって、データに潜むあらゆる不正確性がそのまま結果に反映されます。また、予測や分析などの追加機能のレイヤーは個別に追加しなければなりません。
今日のAIシステムは、明確に定義されたタスクを実行するようにトレーニングされます。ポーカーをプレイするシステムがソリティアやチェスをプレイすることはできませんし、不正検知システムが自動車の運転や法務に関する助言を行うことはできません。また、医療詐欺を検知するAIシステムは、脱税や保証請求詐欺を正確に検知することができません。
言い換えると、これらのシステムは極めて専門特化しています。あくまでも単一のタスクにフォーカスしており、幅広いタスクに対応できる人間とは程遠い存在です。
同様に、自己学習システムではあっても、完全な自律システムではありません。映画やテレビに登場する想像上のAIテクノロジーは、今はまだSFの世界の話にすぎません。しかし、複雑なデータを精査して学習し、特定のタスクを遂行できるコンピューターは、ごく一般的な存在になりつつあります。
人工知能の仕組み
AIは、大量のデータを高速な反復処理やインテリジェントなアルゴリズムと組み合わせ、ソフトウェアがデータ内のパターンや特徴から自動的に学習できるように、大枠の動作をプログラミングすることで機能します。AIは幅広い研究分野であり、数多くの理論、手法、テクノロジー、さらには以下のような主要な下位分野が含まれます。
- 機械学習 ：分析モデルの作成を自動化します。機械学習では、人間が調査範囲や結論を明示的にプログラミングしなくても、ニューラル・ネットワーク、統計、オペレーションズ・リサーチ、物理学などの手法を活用することで、データ内に埋もれている洞察を発見することができます。
- ニューラル・ネットワーク：機械学習の一種であり、脳のニューロン（神経細胞）のような相互接続された処理単位で構成されます。これらの単位が外部入力に応答し、互いに情報を受け渡すことによって情報を処理します。このプロセスでは、未定義のデータから関係を発見して意味を導き出すために、データを複数の処理パスに通す必要があります。
- ディープ・ラーニング ：処理単位が多階層化された大規模なニューラル・ネットワークを活用する手法であり、コンピューティング性能の進歩とトレーニング手法の向上による利点を活かして大量のデータから複雑なパターンを学習します。一般的な用途としては、画像認識や音声認識（＝スピーチ認識／発話認識）があります。
- コグニティブ・コンピューティング ：AIの下位分野の1つであり、機械と人間の間で人間同士のように自然な対話を実現することを目指します。AIやコグニティブ・コンピューティングを利用する場合、その最終的な目標は、機械が画像・音声解釈機能で人間のプロセスをシミュレートし、人間と理路整然と会話できるようにすることです。
- コンピューター・ビジョン：パターン認識とディープ・ラーニングにより、写真やビデオに何が写っているかを認識します。機械が画像を処理・分析・理解できるということは、画像やビデオをリアルタイムで取り込み、撮影場所の周囲の状況を解釈することも可能、ということです。
- 自然言語処理（NLP）：コンピューターが人間の音声（スピーチ／発話）も含め、人間の言語を分析・理解・生成できるようにすることを目指します。NLPの次の発展段階は「自然言語による対話」であり、これが実現すれば、人間は普通の日常的な言葉でコンピューターとコミュニケーションを図り、タスクの実行を指示できるようになります。
- GPU (Graphical Processing Unit)は大量の反復処理に必要な高度なコンピューティング性能を提供できることから、AIのカギを握る領域の1つとして注目されています。ニューラル・ネットワークのトレーニングには、ビッグデータに加え、高度なコンピューティング性能が欠かせません。
- モノのインターネット（IoT） ：IoTでは相互接続デバイスから膨大なデータが生成されますが、そのほとんどは分析されずに放置されています。AIでモデルの作成と適用を自動化すれば、データを最大限に活用できるようになります。
- 高度なアルゴリズム：より多くのデータを、より高速に、複数のレベルで分析するために、高度なアルゴリズムの開発や、新たな方法で組み合わせる手法の考案が進められています。希少事象の特定と予測、複雑なシステムの理解、独自のシナリオの最適化などに取り組む際は、こうしたインテリジェントな処理が重要な役割を果たします。
- API（アプリケーション・プログラミング・インターフェイス）：APIは特定のプログラム機能の利用を簡素化する仕組みであり、これを利用することで、既存の製品やソフトウェアにAI機能を容易に追加できるようになります。例えば、ホーム・セキュリティ・システムやQ&Aシステムに画像認識機能を追加すると、画像データの属性記述や、キャプション／タイトルの作成を自動化できるほか、画像データ内にある興味深いパターンや洞察を呼び出すことも可能になります。
新しいコンピューティング・テクノロジーの登場により、今日の機械学習は昔の機械学習とは様変わりしています。機械学習は元々、パターン認識と、特定のタスクを実行するようにプログラミングされなくてもコンピューターは学習できるという理論、この2つからから誕生しました。 人工知能 に興味を持った研究者たちは、コンピューターがデータから「学習」できるのではないかと考えるようになったのです。機械学習の「反復的」という側面は重要です。なぜなら、新しいデータを処理させるたびに、モデルが自律的に適応していくからです。
モデルが学習した結果を使用して、信頼性・再現性のある意思決定およびその結果をもたらします。
この科学はそれほど新しいものではありませんが、まさに今、新たな勢いを見せています。
機械学習のアルゴリズムは長年にわたり数多く存在してきましたが、ビッグデータに対して複雑な数値計算を自動的に、超高速で、何度も繰り返して適用できるようになったのは、近年のテクノロジーの発展のおかげです。
以下に、広く公表されている機械学習の適用事例をいくつか挙げます。すでにご存知のものもあるでしょう。
- 大々的に宣伝されているGoogleのロボットカー（自動運転車両）。機械学習の本質がそこにあります。
- AmazonやNetflixなど、オンラインショップのレコメンド機能。日常生活に応用された機械学習の例です。
- 顧客が自社についてTwitterで何をつぶやいているかの把握。機械学習と言語ルールを組み合わせて判定します。
- 不正検知。今日の社会における明白かつ重要な機械学習の用途のひとつです。
機械学習とは何であり、なぜこれほど注目されているのでしょうか？この簡潔なビデオでは、SASが提供する機械学習テクノロジーに関する基本中の基本として、実現できる機能、動作の仕組み、ビジネス運営に及ぼす影響をご紹介します。
機械学習が重要な理由
機械学習への関心が再び高まっているのは、 データマイニング やベイズ分析が以前よりも一般的になったのと、同じ理由によるものです。利用可能なデータは増え続け、その形態も多様化しています。また、コンピューターの処理能力も安価になっており、データ・ストレージも低コスト化が進んでいます。
こうした要因の総合的な結果として、「大量の複雑なデータを分析し、より正確な結果をより速やかに提供できるモデル」を自動的に短時間で生成できるようになり、超大規模なデータも扱えるようになったのです。また、正確なモデルを構築することで、企業や組織にとっては収益実現の機会を特定したり、未知のリスクを回避したりできるチャンスが広がります。
優れた機械学習システムを作るために必要な要素
- データ準備機能
- アルゴリズム（基本的なものと高度なもの）
- 自動化プロセスと反復プロセス
- 拡張性
- アンサンブル・モデル
ご存知ですか？
- 機械学習では、対象は「ラベル」と呼ばれます。
- 統計学では、対象は「従属変数」と呼ばれます。
- 統計学で変数と呼ばれているものは、機械学習では「特徴」と呼ばれます
- 統計学で変換と呼ばれているものは、機械学習では「特徴抽出」と呼ばれます。
機械学習がビジネスにもたらすチャンスと課題
O'Reilly社によるこのホワイトペーパーは、組織に機械学習アプリケーションを導入する方法について実践的ガイドを提供します。
ホワイトペーパーを読む（英語）
スキルセットを拡張しましょう
詳細なインストラクションとSASソフトウェアへの無償アクセスで、機械学習スキルを構築しませんか？ コースの内容： 全14時間分の学習課題、90日間の無償ソフトウェア・アクセス（クラウド方式）、柔軟なe-Learning形式。受講にあたってプログラミング・スキルは一切不要です。
機械学習コース（英語）
機械学習はあなたの組織を変えるのか？
このHarvard Business Review Insight Centerのレポートでは、機械学習が企業にもたらす変化と、それを人間が管理する方法を検討しています。
レポート（英語版）をダウンロード
機械学習のIoTへの適用
機械学習は高度な効率化のために活用できますが、特に効果を発揮するのが モノのインターネット（IoT） に適用する場合です。この記事で詳細をご確認ください。
IoTに関する記事を読む
業種別用途 今や、大量のデータを扱う業種のほとんどにおいて、機械学習テクノロジーの価値が認識されています。こうしたデータから（多くの場合はリアルタイムで）洞察を導き出すことにより、業務効率の向上や競争優位性の獲得に結びつけることができます。
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。
医療
医療業界でも機械学習は急成長中のトレンドです。ウェアラブル機器やセンサーの普及により、データを活用して患者の健康状態をリアルタイムで把握できるようになっているおかげです。機械学習は、医療専門家がデータ分析を通じて診断や治療の改善につながる傾向やレッドフラッグ（赤信号）を特定する取り組みにも効果を発揮します。
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。
一般的な機械学習の手法
最も広く採用されている機械学習手法は、教師あり学習と教師なし学習の2つです。機械学習の大部分（約70%）は、教師あり学習です。教師なし学習は、全体の10～20%を占めます。そのほか、半教師あり学習、強化学習という手法も使われています。
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。
データマイニング、機械学習、ディープ・ラーニングの違い
これら3つの手法は、「意思決定に役立つ洞察、パターン、関係を導き出す」という目標こそ同じですが、アプローチと機能はそれぞれ異なります。
データマイニング
データマイニングは、データから洞察を導き出すために使われる多くの異なる手法の上位集合と考えることができます。従来の統計手法と機械学習も含まれると考えてよいでしょう。データマイニングでは、多くの異なる領域で培われてきた手法を適用することにより、以前は知りえなかったパターンをデータから浮き彫りにします。具体的な手法としては、統計アルゴリズム、機械学習、テキスト分析、時系列分析、他の領域のアナリティクスなどが考えられます。データマイニングの領域には、データ・ストレージやデータ操作に関する研究と実践も含まれます。
機械学習
機械学習の目的は、十分に理解されているデータに理論分布を当てはめる統計モデルと同様に、データの構造を理解することですが、両者には大きな違いがあります。統計モデルの場合は、数理的に実証済みの理論がモデルの背後に存在していることから、データが特定の強固な前提条件を満たしていることが必須となります。一方、機械学習では、「たとえデータの構造に関する理論が明らかではない場合でも、コンピューターを使ってデータを精査すれば、その構造を探ることができる」という概念にもとづいてモデルを構築します。機械学習モデルにおけるテスト（検定）とは、新たなデータに関する検証エラーを見つけることであり、帰無仮説※を証明する理論的検定ではありません。【※訳注：帰無仮説とは、主張したい仮説の逆、つまり最終的には誤りであると想定して立てる仮説のこと。これを棄却（否定）することによって、本来意図した仮説を証明することができる。】機械学習では反復アプローチを用いてデータから学習する場合が多いため、学習プロセスの自動化が容易です。確固としたパターンが見つかるまで、何度でもデータ処理を繰り返すことができます。
ディープラーニングは、高度なコンピューティング性能と特別なタイプのニューラル・ネットワークを組み合わせ、大量データの中に潜んでいる複雑なパターンを学習します。画像内のモノや音声内の単語を識別する用途に関しては、ディープ・ラーニングが現時点で最先端の技法です。研究者たちは今、パターン認識におけるこれらの成功を、自動翻訳や医療診断、その他の重要な社会問題やビジネス課題といった、より複雑なタスクに適用する方法を探っています。
仕組み 機械学習の価値を最大限に引き出すためには、最良のアルゴリズムを適切なツールやプロセスと組み合わせる方法を知る必要があります。SASは、統計とデータマイニングの分野で積み上げてきた豊富で洗練された自社の資産を、最新のアーキテクチャと組み合わせることで、どのような規模の企業のどのようなモデルも十分に高速に処理される環境を提供することができます。
アルゴリズム：機械学習モデルの構築と反復的な機械学習プロセスの導入を、SASならではのグラフィカルな操作画面で行うことができます。統計の高度な知識は必要ありません。SASが提供する包括的な機械学習アルゴリズム群は、ビッグデータから価値を素早く引き出すために役立ちます。これらのアルゴリズムは多くのSAS製品に含まれています。SASの機械学習アルゴリズム群には、以下が含まれます。
ニューラル・ネットワーク
決定木
ランダムフォレスト
アソシエーションとシーケンスの発見
勾配ブースティングとバギング
サポート・ベクター・マシン（SVM）
近傍法マッピング
k平均法クラスタリング
自己組織化マップ（SOM）
局所探索最適化手法（遺伝的アルゴリズムなど）
期待値最大化法
多変量適応型回帰スプライン法
ベイジアン・ネットワーク
カーネル密度推定
主成分分析
特異値分解
ガウス混合モデル
逐次的カバーリング・ルールの構築
ツールとプロセス:機械学習はアルゴリズムだけの問題ではありません。ビッグデータから最大の価値を引き出すための秘訣は、対象となる作業に最も適したアルゴリズム群を、以下の要素と組み合わせることにあります。
包括的なデータ品質とデータ管理
モデル構築とプロセスフローのためのGUI
対話操作型のデータ探索機能と、モデルの結果を視覚化するデータ・ビジュアライゼーション機能
異なる機械学習モデルを比較し、最適なモデルを速やかに特定できる機能
自動化されたアンサンブル・モデル評価を用いて最も優れたモデルを特定できる機能
容易なモデル展開を通じて、再現可能で客観的な成果を確実かつ迅速に実現できる機能
データから意思決定までのプロセスを一貫して自動化することができる、総合的な統合型プラットフォーム