機械学習は企業に多くの刺激的な機会をもたらすと期待されているが、ゴールにたどり着くまでには数々のハードルがある。多くの組織は今もレガシーシステムへの対応に苦慮し、より高度なテクノロジーへの投資に消極的だ。しかし、より差し迫った課題は、テクノロジー分野で長年続いている問題でもある。変化が速く要求水準の高い業界に見合う、十分な資格と能力を備えた人材が不足しているのだ。
未開拓の領域
機械学習は本質的に実験的で、予測が難しい。組織がデータを理解し、どの機械学習アルゴリズムが最適かを見極めるには、まず多くの試行錯誤が必要となる。機械学習の予測しにくさに戸惑うのは当然だが、効果的に導入し、運用するために何が必要かを十分に把握できていない組織は少なくない。
データへのアクセス
あらゆる形態の機械学習において、データへのアクセスは欠かせない。しかし、ほぼすべての企業が、特定の情報やデータへのアクセスを制限する方針を設けている。理解すべきなのは、機械学習は最終的に、さまざまなデータを糧とするということだ。したがって、セキュリティやその他のデータガバナンス上の要件を守りながら、データへ継続的かつ安定的にアクセスできるようにすることが、アルゴリズムの効果を高めるうえで不可欠である。リアルタイムデータに簡単にアクセスできる方針を設けている組織でも、安定したデータの流れを確保するため、複数のデータセットをどう統合するかを検討する必要がある。機械学習モデルを固定された一度限りのデータセットで訓練してはならない。モデルの有効性は時間とともに低下するため、変化するデータで継続的に訓練し、データやシステムの挙動の変化に合わせてモデルを進化させるべきだ。
時代遅れのテクノロジー
機械学習の導入を妨げるもう一つの要因は、時代遅れのテクノロジーである。多くの組織は今もレガシー技術やオンプレミスのデータシステムに依存しているため、生成されるデータの量と種類の増加に効果的に対応し、管理することが非常に難しい。その結果、IT担当者は、混乱したデータの整理やデータパイプラインの構築のために手作業でコードを書くことに時間を取られ、より付加価値の高い業務に十分な時間を割けていない。
古いものを捨て、新しいものを取り入れる
テクノロジーをめぐり、企業には二つの選択肢がある。競合他社に先んじるか、時代遅れになるリスクを負うかだ。組織はユーザー体験を向上させ、リソースを効果的に活用するだけでなく、ユーザーの行動や期待を先読みし、的確な推奨や実行可能な洞察を提供できるようにする必要がある。技術的な課題に対処するため、企業は新たなクラウド技術だけでなく、一定レベルのインテリジェントな自動化を実現し、コーディングを最小限に抑えてIT担当者の負担を軽減できる技術にも投資すべきだ。
投資の対象はテクノロジーだけでなく、従業員の研修やスキル向上にも及ぶ。組織は、IT部門と各事業部門の従業員が新しいテクノロジーを十分に使いこなせるようにし、スキルを更新・拡充するための定期的な研修を受けられるようにすべきだ。
スキルギャップを埋める
組織が長年直面しているもう一つの大きな課題は、熟練人材の不足である。機械学習やクラウド技術の導入が広がるにつれ、こうしたツールを効果的に活用する訓練を受けた人材への需要も高まっている。データサイエンティストや機械学習の専門家は増えているものの、こうした専門スキルの習得には時間がかかるのが実情だ。そのため、現状の人材供給は需要に追いついていない。
人材不足への対応を企業だけに委ねるべきではない。大学にも果たすべき役割がある。大学が機械学習やデータサイエンスの講座を日々増やし、一部では特定の学位課程の必修カリキュラムにこうした新分野を組み込んでいるのは心強い。しかし、それだけでは十分ではない。大学は学生に理論的な訓練を提供する一方、企業は現実のビジネス課題に基づく知見や経験を提供できる。企業は大学と連携し、学生が実務に即した経験を積めるよう支援すべきだ。その方法の一つは、実務経験を履修要件にすることだ。先進的な大学では、こうした講座を受講する学生に、関連分野の企業で1学期間働くことを義務づけている。これにより、学生はさまざまな企業で働く機会を得られるだけでなく、企業にとっても次世代の正社員を採用する際の選考プロセスを大幅に短縮できる。
さらに企業は、機械学習やデータサイエンスの職に大学卒業者を採用することだけに目を向けるべきではない。熟練人材が不足する業界では、関連する別のスキルを持つ既存従業員を訓練することで、スキルギャップを埋める助けとなる。人々が独学でコーディングを学び、新しいテクノロジーを十分に使いこなせるよう支援する、価値の高い低コストの教材やリソースが数多くあるのは心強い。
注目すべき傾向として、上級ビジネスアナリストやソフトウェアエンジニアなどの専門職が、データサイエンスや機械学習の知識を広げ始めている。たとえば、多くのソフトウェアエンジニアは、機械学習も実質的にはソフトウェアであるため、ある程度の知識を持っているだろう。ITビジネスアナリストはソフトウェアのプログラミング経験がない場合もあるが、業務分野の知識、データや分析を扱った経験、そして直感的に使える新たなセルフサービス型テクノロジーツールによって、機械学習を活用できる。データサイエンティストだけでなく、ほかの有用なスキルを持つ人材にも目を向け、投資することは、人材不足の緩和に役立つだけでなく、より幅広いユーザーが機械学習に取り組み、企業に価値をもたらすことにもつながる。
機械学習を最大限に活用する方法
機械学習とAIは、いずれ予測分析にとどまらず、アプリケーションやシステムのあらゆる側面に浸透するだろう。しかし、それが現実になるまでには、まだ時間がかかる。企業はレガシーシステムを着実に廃止し、競争力を維持するためのテクノロジーやリソースに投資する必要がある。ただし、従業員がこうしたテクノロジーを最大限に活用できるようにしなければ、投資は実を結ばない。新たな人材を迎え入れるだけでなく、従業員がスキルと知識を絶えず広げられるようにするうえでも、大学や職業訓練校との連携が欠かせない。
こうした動きはすべて、明るい未来を示している。機械学習が広く導入され、明日企業が直面する差し迫った課題のいくつかを解決する未来だ。
