機械学習（Machine Learning）とは？

機械学習（ML）とは、AI の一分野です。プログラムを明示的に書くのではなく、データを通じて学び、経験を積むことで改善されるコンピューターの訓練に焦点を当てています。機械学習は、大量のデータセットからパターンや相関関係を見つけ出し、分析に基づいて最適な判断と予測を行うアルゴリズムを訓練します。機械学習アプリケーションは、使用するほど改良され、より多くのデータにアクセスすることで精度が向上します。

機械学習は、ビジネスの不正検出や金融機関での信用リスク評価、ショッピングカート、エンターテイメント、医療など、日常生活のあらゆるところで活用されています。

さらに最近では、機械学習を活用した支援ツールの一例としてCopilotのような AI アシスタントも登場しています。Copilot とは、ユーザーの操作や目的を理解し、文書作成やコード補完、データ分析などの作業をリアルタイムでサポートする、共同作業者のような AI 機能を指します。これらのツールは、機械学習による予測や提案を活用して、業務効率を大幅に向上させます。

機械学習の手法

機械学習の学習法の種類は主に、「教師あり学習」「教師なし学習」「半教師あり学習」「強化学習」の４つに分類されています。ここでは、この４つの学習法に関して詳しく説明します。

機械学習を生成 AI とエージェント型 AI で活用するには

教師あり学習（Supervised Learning）

教師あり学習とは、機械学習の一種で、既知の過去の入力・出力データ（正解があるデータ）を使用して AI を訓練する方法です。

例えば、犬と鳥の画像を分類する場合、画像を入力データとして「犬」または「鳥」という正解ラベルを与えてAIを学習させます。こうして多くのデータを学習することで、AI が新たなデータにも適切に対応できるようになります。

教師あり学習は、現在スパムメールの判定などさまざまな分野で活用されています。一般的なアルゴリズムには、ランダムフォレスト（Random Forrest）、決定木（デシジョンツリー）、ニューラルネットワークなどがあります。

教師なし学習（Unsupervised Learning）

教師なし学習は、正解ラベルがないデータからパターンや構造を学ぶ機械学習の方法です。教師なし学習には、似たデータをグループに分けるクラスタリング、データの次元を減らして重要な特徴を見つける次元削減、普通と違うパターンを見つける異常検知があります。さらに、教師あり学習と異なり、教師なし学習ではラベル付きデータを使用しないため、コスト削減や未知のデータパターンの発見といった利点があります。代表的な応用例として、不正取引の検出、ユーザー行動の分析、研究分野での新たな発見があります。

半教師あり学習（Semi-Supervised Learning）

半教師あり学習とは、教師あり学習と教師なし学習を組み合わせた手法で、簡単に言えばその中間に位置するアプローチです。この手法では、ラベルデータの不足を補いながら、高精度なモデルの構築を可能にします。

この手法では、まずラベル付きデータでモデルを学習し、その後ラベル無しデータを活用して精度を向上させます。正解ラベル付きデータには多大なコストがかかるため、半教師あり学習は、特にNLP（自然言語処理）、株価予測、オンライン学習、音声認識などの分野で効果的に利用されています。

強化学習とは（Reinforcement Learning）

強化学習（Reinforcement Learning）とは、試行錯誤を通じて最良の行動を学ぶ機械学習の一種です。コンピューターエージェントが環境とやり取りしながら行動を選び、その結果得られる報酬を基に、より優れた意思決定を学んでいく方法を指します。強化学習の大きな特徴は、事前に正解データがない場合でも、試行錯誤を通じて自ら学び、最適な判断ができる点です。現在では、強化学習が金融市場の取引最適化や自動車業界の自動運転など、さまざまなビジネス分野で活用されています。強化学習は、複雑な環境でも最適な行動を判断し、より高度な意思決定が可能であるため、今後も発展が期待されている学習手法です。

機械学習アルゴリズムの一覧

機械学習（Machine Learning）には、多様なアルゴリズムが存在します。以下では、現在最も使用されるトップ 10 のアルゴリズムをご紹介します。

ニューラルネットワーク

ニューラルネットワーク とは、生物の脳内のニューロンを基に設計されています。人工ニューロンと呼ばれるノードは、複数の層にまとめられ、並行して計算を行います。これらのニューロンは数値信号を受信し、処理した後に他のニューロンへ信号を送信します。脳内の神経強化と同様に、これによりパターン認識や専門知識、学習の能力が高まります。

ディープラーニング（深層学習)

このタイプの機械学習が「ディープ（深層）」と呼ばれるのは、ニューラルネットワークが多くの層で構成されており、複雑で多様な大量のデータを使用するためです。ディープラーニングを実現するには、システムがネットワーク内の各層と相互作用し、次々に高次の出力を引き出します。例えば、自然の画像を処理してグロリオサデイジーを見つけようとするディープラーニングシステムは、最初の層で植物を認識します。ニューラル層を進むにつれて、次に花、次にデイジー、最終的にグロリオサデイジーを識別します。ディープラーニングの応用例には、音声認識、画像分類、製剤分析などがあります。

Liner Regression (線形回帰）

線形回帰とは、連続的な値を予測するための手法です。観測データに対して線形方程式を当てはめることで、従属変数と独立変数の関係をモデル化します。線形回帰は、各入力変数が出力にどういった影響を与えるかを明確に示す係数を持つシンプルな方程式を生成します。これにより、変数間の関係が理解しやすくなります。

Logistic Regression （ロジスティック回帰）

ロジスティック回帰は、ロジック回帰とも呼ばれており、離散的な値を推定するための手法です。データをロジック関数にあてマルコと絵で、ある事象が発生する確率を予測する際に活用されます。

Decision Tree（決定木）

決定木は、現在最も使用されている教師あり学習のアルゴリズムの一つであり、主に分類問題に用いられます。カテゴリ変数と連続変数の両方を目的変数として扱うことができるところが、このアルゴリズムの特徴です。決定木は、データを最も重要な属性に基づいて２つ以上の均質なグループに分割しながら分類を行います。

サポートベクターマシン（SVM）

SVM（Support Vector Machine）とは、分類問題に用いられる機械学習アルゴリズムの一種です。このアルゴリズムは、データを n次元空間にプロットし、各特徴の値を特定の座標に対応することで分類を行います。

分類の際には、データを分割するための最適な境界線を見つけ、それをグラフ上にプロットします。この分類器は、異なるクラス間のマージンを最大化する直線または超平面として定義され、データの分類精度を向上させます。

ナイーブベイズ（単純ベイズ）

Naive Bayes（ナイーブベイズ）アルゴリズムとは、特定の特徴がクラスに属する確率を算出する際に、他の特徴の存在とは無関係であると仮定する手法です。ナイーブベイズは全ての特徴を独立して扱いながら、ある事象が発生する確率を計算します。Naive Bayes 構築が容易であり、大規模なデータセットに対しても効果的に対応することができるモデルです。

k近傍法（KNN）

KNNとは、分類と回帰の両方に適用できるアルゴリズムですが、データサイエンスでは主に分類問題の解決に用いられることが多いです。k近傍法は、全ての既存データを保持し、新しいデータを分類する際に、最も近い K個のデータを多数決で分類するシンプルな手法です。各データの距離は、距離関数を用いて計算され、類似度を測定します。

KNNは、全てのデータを保存するため、データ量が増えると処理も遅くなり、計算コストも高くなります。また、変数の正規化が必要性とデータの全処理が必要です。

K-means クラスタリング

K-Means クラスタリングは教師なし学習アルゴリズムで、主にクラスタリング問題を解決するために用いられます。データセットをK個のクラスタリングに分類し、各クラスタ内データは類似性が高く、異なるクラスタ間のデータは異なるようにグループ化します。この手法により、データが自然なグループに分けられ、類似したデータを効果的にクラスタリングすることが実現します。

ランダムフォレスト

ランダムフォレストとは、複数の決定木の集まりで構成されている機械学習アルゴリズムです。新しいデータを分類する際、各決定が独立して分類を行い、多数決で最終的なクラスを決定します。各決定木は、学習データからランダムに抽出したN個のサンプルを用いて構築され、ノードごとにM個の特徴量のちm個（m＜M）をランダムに選択し、最適な分割を決定します。また、Pruning（剪定）を行わずに木を完全に成長させることで、過学習を抑えつつ高精度な分類を実現し、ノイズや外れ値についモデルを構築できます。

次元削減（Dimensionality Reduction)

現代では、政府機関、企業、研究機関によって膨大なデータが分析されています。しかし、このデータから重要なパターンや変数を見つけ出すことは大きな課題です。

次元削減は、データの特徴量を減らしつつ、本質的な情報を保つ手法です。ランダムフォレスト、決定木、因子分析などの技法が、関連情報の抽出に役立ちます。次元削減の主な目的は、計算の効率化やデータの可視化であり、このアルゴリズムを用いることで、可視化の改善、計算コストの削減、モデルの過学習防止などの利点が得られます。

XGBoost

XGBoost（eXtreme Gradient Boosting）は、勾配ブースティング（GBDT）決定木を用いたオープンソースの機械学習ライブラリであり、分類、回帰、ランキングなどのさまざまな課題に対応するアルゴリズムです。決定木を順次構築し、前のモデルの誤差を補正することで精度を向上させる仕組みを持ち、正則化技術を組み込むことで汎化性能を高めます。高速でスケーラブルであり、並列処理にも対応しているため、大規模データの分析にも適しています。XGBoostは、精度と計算効率の高さから、DDoS攻撃の検知、Kaggle、さまざまな業界でのデータ分析など、多様なビジネスシーンで利用されています。

機械学習（ML）の活用例

機械学習アルゴリズムは、パターンや相関関係を認識する能力に優れており、特定の関心領域の分析に強みを持ちます。多くの企業が機械学習テクノロジーに投資し、その力を活用してほぼ瞬時に業務上のインパクトを評価できるようになっています。とりわけ、人事 AI 分野においても、採用活動の効率化や従業員のパフォーマンス分析などに機械学習が応用され、組織の人材戦略を強力にサポートしています。以下に、エンタープライズ・マシンラーニングの成長分野の事例をいくつかご紹介します。

レコメンデーションエンジン：米国で 2009 年から 2017 年までの間に家庭からビデオストリーミングサービスを申し込んだ件数は、450% 上昇しました。また、Forbes 誌の 2020 年の記事によると、ビデオストリーミングの利用量が最大 70% 急増していることが報じられています。レコメンデーションエンジンは、リテールプラットフォームとショッピングプラットフォームで幅広く利用されていますが、何と言っても音楽とビデオのストリーミングサービスが群を抜いています。

動的マーケティング：リードを獲得し、それをセールスファネルに効果的に導くためには、できるだけ多くの顧客データを収集し、分析する能力が欠かせません。近年の消費者は、チャットの入力や画像のアップロードなどを通じて、日々膨大で多様な非構造化データを生み出しています。こうしたデータを活用する手段として注目されているのがAI マーケティングです。マーケティング担当者は、機械学習を活用することで、このような非構造化データを的確に分析し、パーソナライズされたコンテンツの提供や、顧客・リードへのリアルタイムな対応を実現できます。AIを取り入れたマーケティング手法は、従来のアプローチに比べて、より高い精度と効果が期待されています。

ERP とプロセスの自動化：ERP データベースには、さまざまな種類の幅広いデータセットが用意されており、販売実績の統計、消費者のレビュー、市場トレンドのレポート、サプライチェーンの管理記録などが含まれます。機械学習アルゴリズムを使用すると、このようなデータの相関関係とパターンを発見することができます。次に、得られた知見を使用し、ネットワーク内の IoT（モノのインターネット）デバイスのワークフローや、単純作業やミスが発生しやすい作業を自動化する方法を最適化するなど、ほぼすべてのビジネス領域に情報を提供します。

予防保全：最新のサプライチェーンとスマートファクトリーでは、保有車両管理やオペレーション全体で、IoT デバイス/機器やクラウドを活用する機会が増えています。故障の発生や非効率な運用は、膨大なコストと混乱を招く恐れがあります。保全や修理のデータを手作業で収集している場合、潜在的な問題を予測するのはほとんど不可能です。まして、問題を予測して保全するプロセスを自動化するなどあり得ません。そこで IoT ゲートウェイセンサーを利用すれば、何十年も稼動しているアナログの機械にも取り付けられるので、企業全体にわたる可視性と効率性を実現できます。

機械学習の課題と未来

データサイエンティストであり、当時ハーバード大学の大学院生だったタイラー・ビゲン氏は、著書『Spurious Correlations（疑似相関）』で「すべての相関関係が因果関係を示しているわけではない」と述べています。ビゲン氏は、マーガリンの消費量とメイン州の離婚率の間に強い相関があるように見えるグラフを示し、ユーモアを交えてこのことを説明しています。しかし、より深刻に捉えると、機械学習アプリケーションは人間やアルゴリズムのバイアスやエラーに影響されやすいということです。この傾向により、エラーや偽の相関を学習すると、ニューラルネットワーク全体に速やかに広がり、誤った結果を招くことがあります。

また、機械学習モデルは非常に複雑で、なぜその結果になったのかを人間が理解・説明するのが難しい「ブラックボックス問題」も大きな課題となっています。企業はアルゴリズムの判断根拠が不明なため、リスク管理が難しくなっているのが現状です。

特に、近年注目されている大規模言語モデル（LLM）も同様の問題を抱えています。大量のデータから学習する一方で、その内部の動きや判断基準が見えづらいため、誤情報の拡散や偏りが生まれるリスクに注意が必要です。

ただし、データセットや機械学習アルゴリズムの複雑化に合わせて、リスク管理のツールや体制も進化しています。先進的な企業では、最新のAIガバナンスガイドラインやベストプラクティスを積極的に取り入れ、バイアスやエラーを排除するための取り組みを強化しています。

機械学習の仕組み

機械学習は、ローデータを有用な予測やアクションに変換する、構造化されたプロセスを通じて動作します。詳細はアルゴリズムによって異なりますが、ほとんどの ML システムは似たような順序のステップに従います。

データの収集と準備

すべての ML プロジェクトは、データから始まります。多くの場合、膨大な量です。データの品質はモデルのパフォーマンスに直接影響するため、チームは、データの収集、クリーニング、整理に多大な労力を費やします。データ準備には、重複の削除、欠落した値の処理、書式の標準化、または教師あり学習タスクに用いる正解例のラベリングが含まれる場合があります。

ビジネス環境では、多くの場合、センサー、取引、顧客対応、またはエンタープライズシステムといった複数のソースからデータが取得されます。このようなソースを統合することで、実際の状況を的確に表す充実したデータセットが作成されます。

アルゴリズムとモデルのトレーニング

データの準備ができたら、アルゴリズムはトレーニングと呼ばれるプロセスを通じてデータを学習します。エラーを最小限に抑えるために、トレーニング中に、データの分析、さまざまな関係性のテスト、内部パラメーター（通常、数百万単位）の調整が行われます。この反復プロセスは、モデルがテストデータで十分に正確なパフォーマンスを示すまで継続されます。

アルゴリズムごとに、以下のように異なる方法で学習します。

• デシジョンツリーでは、特定の属性に基づいてデータを分類します。
• 線形モデルでは、入力と出力の間の直線関係を求めます。
• ニューラルネットワークは、複雑な非線形パターンを捉えるために、変換を複数回行います。

トレーニングにはコンピューティング能力が必要ですが、その結果もたらされるモデルは、まだ見たことのない新しいデータで予測を行うことができます。

予測と継続的な改善

トレーニングが終わると、モデルは、予測、分類、または提案を生成することができます。しかし、プロセスはここで終わりではありません。実際の使用では、システムの予測はモニタリングされており、新しいデータが定期的に追加されて、モデルを再トレーニングします。このフィードバックと改善のサイクルにより、機械学習システムは時間の経過とともに改良されます。

以下に例を示します。

• e コマースのレコメンデーションモデルは、顧客が商品をクリック、購入、または無視すると、それに応じて提案を改善します。
• 製造品質管理システムは、新製品のバリエーションが投入されると調整が行われます。
• 不正検知モデルは、新しいトランザクションパターンの出現時にリスクシグナルを更新します。

機械学習モデルは、継続的に学習して、正確性、妥当性、変化への即応性を保ちます。これにより、AI を使用する組織は、新たな課題や機会が出現した際に、柔軟に対応し、適応することができます。

機械学習の種類

機械学習には多くの形式がありますが、ほとんどのアルゴリズムは、教師あり学習、教師なし学習、強化学習の 3 つの主要カテゴリーに分類されます。その種類ごとに、異なる種類のデータを利用し、さまざまな結果を達成しますが、いずれの種類もシステムが経験から学習し、時間の経過とともに意思決定を改善することを目指しています。

教師あり学習

教師あり学習のアルゴリズムでは、入力と正解となる出力の両方を含む、ラベル付けされたデータセットでトレーニングが行われます。このシステムは、アルゴリズムの予測と既知の回答を比較し、精度が向上するまで調整して、入力を出力にマッピングすることを学習します。

教師あり学習は、今日のビジネスで最も一般的な形式の機械学習です。これは、顧客離れの予測、不正な取引の検出、画像の分類など、履歴データによって何が正解かを示す例が明確に提供されるタスクに使用されます。

例えば金融機関は、「不正」または「合法」を示す何千ものラベル付きトランザクションでモデルをトレーニングすることができます。このアルゴリズムでは、各取引の特徴（金額、場所、時間、デバイスの種類）を学習して、不正に関連するパターンを認識します。トレーニングが終わると、疑わしい取引にリアルタイムでフラグを設定できるようになり、損失の防止と手作業による確認の削減が容易になります。

教師あり学習手法には、線形回帰、ロジスティック回帰、サポートベクターマシン、デシジョンツリー、ディープニューラルネットワークなどがあります。それぞれ若干異なる数学的アプローチを採用していますが、原理は同じで、将来の結果を予測するために例から学習します。

教師なし学習

教師なし学習では、ラベルのないデータ（事前定義された回答を含まないデータセット）を扱います。ここではアルゴリズムが、パターン、グループ分け、または目には見えない構造を完全に自律して見つける必要があります。

このアプローチは、組織に大量のローデータがあるものの、内部関係についての知識が限られている場合に有用です。例えば小売業者は、教師なし学習を使用して、購買行動に基づいて顧客をセグメント化し、さまざまなプロモーションや商品提案に反応する個別のグループを明らかにすることができます。

教師なし学習の一般的な手法には、クラスタリングや次元削減などがあります。

クラスタリングでは、K 平均法や階層クラスタリングなどのアルゴリズムによって、類似の特徴を共有するデータポイントが自動的にグループ化され、行動に共通点のある顧客グループなど、自然なセグメントが明らかになります。

主成分分析 (PCA) などの次元削減法では、最も重要な情報を保持しながら変数の数を減らすことによって、複雑なデータセットが簡素化されます。これにより、大規模な高次元データを視覚化しやすくなり、正確さを大きく損なうことなくモデルトレーニングを迅速に行うことができます。

強化学習

強化学習 (RL) は、行動心理学から着想を得ています。強化学習エージェントは、ラベル付けされた例から学習するのではなく、環境とやり取りしながら報酬やペナルティの形式でフィードバックを受け取ることで学習します。その目的は、どのアクションが時間を経て最大の累積報酬につながるかを発見することです。

このアプローチは、最適な決定が単一の予測ではなく、一連のアクションに依存する場合に用いられます。この手法は、ロボティクス、ゲーミング、自律システムといった意思決定を新しい情報に動的に適応させる必要がある領域で、ブレークスルーを実現しました。

例えば物流では、強化学習モデルは配送ルートを最適化する方法を学習する場合があります。道路の選択などの各意思決定は、配送時間と燃費に基づいてフィードバックを獲得します。モデルは、多くの反復を経て、どの戦略が全体として最も良い結果をもたらすかを学習します。

強化学習では、探索（新しいアクションの試み）と活用（すでに学習した内容の使用）を組み合わせます。このバランスにより、システムは経験を通じて継続的に改善し、明示的な指示ではなく、結果に基づいて戦略を調整することができます。

これら 3 つのカテゴリー（教師あり学習、教師なし学習、強化学習）が合わさって、機械学習を実践する基盤を形作っています。

機械学習の例とアプリケーション

機械学習は、日常生活にも企業運営にも深く組み込まれてきました。そのアプリケーションは、便利なパーソナルツールから、複雑なデータを大規模に分析するミッションクリティカルなビジネスシステムまで多岐にわたります。

日常の例

コンシューマー向けの領域では、機械学習がバックグラウンドで知らぬ間に機能していることが多く、人々が日常的に使用するテクノロジーに活用されています。

• ストリーミングとショッピングの提案：Spotify、Netflix、オンライン小売業者などのプラットフォームでは、ML を使用して閲覧パターンや購入パターンを分析し、各ユーザーに適した商品を新たに提案します。
• 音声アシスタントとチャットボット：Siri、Alexa、Google Assistant などのシステムは、音声と文脈を理解するために訓練された自然言語処理 (NLP) モデルを利用しています。
• スマートフォン機能：現代の電話は、顔認識、写真の補正、予測テキスト、バッテリー最適化に ML を利用しています。
• メールおよびスパムフィルタリング：アルゴリズムは、正規のメッセージと不要なスパムを区別するために、ユーザーの行動から継続的に学習します。

いずれの場合も、機械学習は、行動データを実用的なインサイトに変換して、パーソナライゼーションを実現します。これにより、日常的なやり取りが迅速かつ正確で、直感的になります。

企業およびビジネスのユースケース

ビジネスでは、機械学習の規模と効果はさらに大きくなります。企業は、ML を使用して効率を高め、リスクを軽減し、新しい機会を発見しています。

一般的なエンタープライズアプリケーションには、以下のような種類があります。

• 予測分析：履歴データのパターンを使用して、需要、収益、または設備の故障を予測します。
• 不正検知：銀行取引または保険取引における異常なアクティビティを特定します。
• カスタマーエクスペリエンスの管理：マーケティングメッセージと製品提案をパーソナライズします。
• サプライチェーンの最適化：遅延の予測や在庫の調整に対応し、物流の効率を向上させます。
• 人事分析：採用候補者の成功や離職リスクを予測することで、採用と定着をサポートします。

このような手法を大規模に適用している事例を見るには、製造、金融、小売、医療など、さまざまな業種の幅広いエンタープライズ機械学習アプリケーションをご覧ください。

企業における機械学習で重要なのは、従業員に取って代わることではなく、彼らの専門知識を強化することです。ML は、反復作業を自動化し、インサイトを引き出すことで、従業員が価値の高い意思決定に集中し、イノベーションと成長を促進できるようにします。

機械学習が重要な理由：メリットと課題

機械学習が重要なのは、組織が学習し、変化に対応し、競争する方法を変革するからです。機械学習によって、データを知識へ、知識をアクションへと変換する手段がもたらされます。これは、データ主導が進む世界で不可欠な機能です。

機械学習の利点

1. 自動化と効率化：ML は、人間の判断を必要としていた複雑な意思決定プロセスを自動化し、スピードを向上させ、コストを削減します。
2. パーソナライゼーション：エクスペリエンスをリアルタイムで調整し、個々のユーザーや顧客に合わせて改善します。
3. 予測インサイト：ML は、履歴データ内のパターンを特定することで、将来の結果に対する予測精度を向上させるのに役立ちます。
4. 継続的な改善：モデルは新しいデータから学習し、そこで止まるのではなく、時間の経過とともにパフォーマンスを改善します。
5. イノベーション：ML により、リアルタイムの言語翻訳から、予知保全や自動運転車に至るまで、まったく新しい製品やサービスが可能になります。

これらの利点により、ML はあらゆる業種でデジタルトランスフォーメーションの取り組みの中心になります。意思決定、カスタマーエクスペリエンス、業務の俊敏性において競争優位性を獲得できるのは、ML を効果的に活用する組織です。

課題と考慮事項

機械学習は有望ですが、課題ももたらします。

• データの品質とガバナンス：モデルの信頼性は、学習するデータの信頼性に依存します。データの品質が低かったり、偏りがあったりすると、不正確な予測を招く可能性があります。
• 透明性と説明可能性：
  多くの ML モデル（特にディープラーニングシステム）はブラックボックスのように動作するため、意思決定方法を理解するのは困難です。
• 倫理的な使用とバイアス：慎重に管理していないと、アルゴリズムが意図せずに人間や社会の偏見を定着させてしまう恐れがあります。
• コンピューティング要件：大規模モデルをトレーニングするには、相当な規模のコンピューティング能力とエネルギーが必要です。
• 統合の複雑さ：エンタープライズシステムに ML を組み込むには、専門知識に加え、ビジネスプロセスとの慎重な調整が必要です。

これらの課題に対処するには、明確なガバナンスフレームワーク、継続的なモニタリング、責任ある AI を実践することが必要です。したがって、AI および ML システムの透明性と信頼性を高め、人間の価値観に沿ったものにするために、責任ある設計と実動に取り組むことが重要です。

機械学習の真の重要性は、何を自動化するかだけでなく、人間の能力をどのように向上させるかにあります。ML のデータ主導のインサイトによって意思決定を強化することで、人と企業はイノベーションを加速し、運営をスマートに行い、自信を持って未来に対応できるようになります。

詳細はこちら

ビジネス向け AI に関する関連資料をご覧ください。また、Business AI に焦点を当てた SAP のニュースレターにご登録ください。

FAQ（よくある質問）