ディープラーニングのニューラルネットワークは、一連の計算を行って結論に至ることで、人間の脳の意思決定プロセスを模倣する。
機械は、人間には処理できない膨大な量のデータを処理できるが、良好な結果を確実にするには、健全なガバナンス構造が必要である。
企業がデータを自社の強みとして活用すれば、ディープラーニングは生産性を高め、定着率を向上させ、収益を生み出すことができる。
意思決定を必要とする問題や課題を「検討」するとき、人は線形のチェックリストに沿って進んでいるように感じるかもしれない。しかし、人間の脳はそのように動作するわけではなく、非線形のパターンで情報を処理する。そして、これは基本的に、人工知能（AI）の一分野であるディープラーニングの仕組みでもある。
ディープラーニングは人間の脳のように機能する
ディープラーニングは本質的に、人間の脳と同様に、事例から学習する。これは、人間がある種の知識を習得する方法を模倣したものである。ディープラーニングは情報を同様の方法で処理するため、人が行えることを行うのに利用できる。例えば、車の運転方法を学習したり、写真の中の犬を識別したりすることがそれにあたる。
ディープラーニングは、予測分析を自動化するためにも利用される。例えば、傾向や顧客の購買パターンを特定することで、企業はより多くの顧客を獲得し、その顧客をより多く維持できる。新しいドライバーを購入しようとしているときに、小売サイトに「よく一緒に購入されている商品」として表示されるセクションをご存じだろうか。これらは、現在の検索と過去の購買パターンの両方を考慮し、必要となる可能性のある追加商品を提案する予測型のディープラーニングアルゴリズムに基づいている。
その他の応用例には、仮想アシスタント、不正検知、言語翻訳、チャットボットやサービスボット、白黒画像のカラー化、顔認識、疾病診断など、日常生活における多くの場面や活動が含まれる。
ニューラルネットワークの応用の簡単な例は、音声の解析である。ネットワークは生の音声から音を取り込み、それらが組み合わさって音節となり、音節が組み合わさって単語となり、単語が組み合わさって行動を促す語句となる。機械は、ある特定の音が、クレジットカードの残高を表示すべきことを意味すると学習する。同じ依頼を繰り返すほど、その精度は高まっていく。
ディープラーニングは業界横断的に応用されている
ニューラルネットワークは新しい技術ではなく、1940年代から存在している。1943年には、二人のコンピューター科学者が神経ネットワークのモデルを提唱し、ニューロンに基づく閾値スイッチを再現した。さらに、この種の単純なネットワークであっても、ほぼあらゆる論理演算や算術関数を計算できることを示した。
最初期のコンピューターの前身は、弾道軌道を手作業で計算することに疲れたあるコンピューター科学者によって開発された。それから70年以上を経た現在、ディープラーニングは、主に計算能力の拡大（電力単位あたりのコストの大幅な低下を伴う）、モデリングの改善、データの利用可能性の向上により、高度化と利用の拡大が急速に進んでいる。ディープラーニングには膨大な量のデータが必要である。現在、私たちが毎日生成するデータは約2.6クインティリオンバイトに達すると推定されている。ディープラーニングは、人間よりもはるかに速く大規模なデータセットを分析できる。機械は単調さや疲労に苦しむことがない。
ディープラーニングにはリスクがあるのか？
この問いに、自動運転車を例に答えてみよう。ディープラーニングは、これらの自動運転車を私たちにもたらしたが、自動運転のユートピアとも言えるような、すべての道路事故を排除することは困難と思われる。実際、最近の道路安全保険協会（IIHS）の調査によると、自動運転車が防止できるのは、全事故の約3分の1にとどまる可能性がある。それでもなお、人間よりは成功している。
しかし、普及に対する懸念には、技術が学習する導入初期において事故率が上昇する可能性、道徳的判断をメーカーに委ねることになる点、事故の責任の所在を特定することの難しさなどが含まれる場合もある。さらに、ハッキングの問題もある。結局のところ、ディープラーニングは車両に組み込まれた技術にすぎないからである。2019年3月には、二人の「ホワイトハット」ハッカー（善良な側）が、わずか数分でインフォテインメントシステムのブラウザを突破し、テスラのコンピューター内部に侵入して独自のコードを実行し、車に自分たちの指示に応答させることに成功した。
消費者の視点からも、ディープラーニングの利用を考慮しなければならない。例えば、電話のロックが解除できないなど、うまく「機能」しなければ、消費者は不満や苛立ちを感じることになり、目的に反してしまう。さらに問題を複雑にするのは、ディープラーニングのニューラルネットワークが複雑であるため、どこで、なぜ システムに不具合が生じたのかを突き止めることが難しい場合があることである。ディープラーニングのブラックボックスとしてしばしば表現されるように、データサイエンティストは、ディープラーニングモデルがどのように機能するかについて、可視性と透明性を高める取り組みを進めている。
モデルには、また、意図せず組み込まれたバイアスがある場合もある。これらのディープラーニングモデルは、融資、雇用、仮釈放の対象者の決定など、重大な意思決定に利用されている。ディープラーニングには、適切なガバナンス構造とともに、明確なガードレールが必要である。
ディープラーニングはビジネスの未来である
ディープラーニングにより、画像ベースの商品検索（例えばPinterest）や、人件費削減のために果物や野菜を効率的に選別する方法が生まれた。前者はどちらかと言えば消費者にとっての利便性であるが、後者は生産性向上のための真のビジネス事例である。
金融サービスでは、ディープラーニングに多額の資源が投入されており、不正の検知、リスクの低減、取引の自動化、投資家への「ロボアドバイス」の提供などに利用されている。エコノミスト・インテリジェンス・ユニット（EIU）のレポートによると、金融サービス企業の86%が、2025年までにAI関連投資を増やす計画している。
ビジネス全体にAIを組み込むことは、差別化と競争力を高め、生産性を向上させ、定着率に影響を与え、さらには疾病の経過を変える力を持っている。これは業界全体およびビジネスのあらゆる側面で進行している。
ビジネスモデルや業務モデルの再構築から、採用および定着戦略、さらにはディープラーニングを受け入れるだけでなく、その利用を可能にする新たな企業文化の創出に至るまで、あらゆるものに影響を与えている。しかし、ある推計によれば、ほとんどの組織において1%未満のデータしか活用されていない。変革的な意思決定のために利用可能な膨大なデータがあるにもかかわらずである。あなたは、自社のデータの活用をいつ始めるのか。
