金融セクターにおける機械学習の最も一般的なアプリケーションの1つは、不正の検出です。不正検出アルゴリズムを使用して、カードが発行されたカード所有者の識別データ、トランザクションが発生した時間、トランザクションの場所、トランザクションの金額など、数千のトランザクションレコードから複数のデータポイントを数秒で解析できます。不正検出モデルを実装するには、モデルを適切にトレーニングするために、正確にタグ付けされた複数の不正のインスタンスがデータセットにすでに存在している必要があります。モデルがトランザクションデータの異常を検出するときにこれらのスコアを更新するために使用されます。クレジットスコアリングアルゴリズムは、基本的に予測アルゴリズムであり、過去のローンのデータを使用してトレーニングする必要があります。これらの予測アルゴリズムは、リスクを評価し、市場の動きを予測するためにマクロレベルで利用することもできます。

クレジットスコアリング

多くの貸付機関は、機関独自の顧客活動データを利用して新しい与信枠を拡大するリスクまたは機会をより適切に予測するカスタムのクレジットスコアリングモデルを開発することの利点を認識しています。そうすることで、ローンの償却、利息からの収入の遅延、および延滞金の回収を試みるためのサービス費用から生じる延滞費用を削減できます。
最も正確なクレジットスコアを維持するために、顧客は、未払いまたは新しい債務に関する新しいデータが取得されるときに継続的に再評価されます。機械学習アルゴリズムは、新しいデータがロールインするときにこれらのスコアを更新するために使用されます。クレジットスコアリングアルゴリズムは、基本的に予測アルゴリズムであり、過去のローンのデータを使用してトレーニングする必要があります。これらの予測アルゴリズムは、リスクを評価し、市場の動きを予測するためにマクロレベルで利用することもできます。

契約のための自然言語処理

たくさんの自然言語処理（NLP）アルゴリズムは、近年Pythonを使用して開発されています。金融機関の場合、契約を読み取って解析するようにNLPアルゴリズムをトレーニングできるため、冗長な作業の時間を削減できます。JPMorganは、このようなテキストマイニングソリューションを開発しました。COINは、特定の単語やフレーズについてドキュメントを解析することで商業ローン契約の分析を支援し、会社を救います（年間360,000時間）

顧客フィードバックのための自然言語処理

NLPモデルが構築され、ソーシャルメディア、電話記録、およびカスタマーサービスチャットプラットフォームでのカスタマーコミュニケーションに適用されます。NLPは、感情や意図についてコメントを分析するために使用できます。NLPを使用すると、マシンは顧客のフィードバックを分類して、銀行や金融機関が顧客の全体的な感情、苦情の大部分について理解し、改善すべき領域を認識するためのパターンを収集するのに役立ちます。また、より多くの顧客に影響を与える大規模な問題に変わる前に、問題のパターンを特定するようにトレーニングすることもできます。

イノベーションと共に

最先端の機械学習アルゴリズムは、ほとんどの場合、オープンソースコミュニティ（ビジュアルおよびオーディオデータ処理など）で作成されます。このコミュニティの革新のペースは、データサイエンティストにとって不可欠なオープンソースパッケージとライブラリへのアクセスを可能にします。ここで説明したようなユースケースを有効にして実行しようとしている組織は、オープンソースコミュニティについて知っていることや気に入っていることを取り入れ、データサイエンティストが一元管理され、スケーラブルな方法でコラボレーションと展開できるようにしています。

これにより、モデルを独自のビジネスケースに適合させ、数千のモデルから数千のモデルを持つ数百のデータサイエンティストに拡張できます。

Use case2：製造業界

機械学習が製造業に最大2兆ドルの価値を生み出す方法

メーカーは競争力を維持するために、可能な限り効率的かつ一貫して高品質の製品を作成する必要があります。原材料価格の上昇、熟練労働者の不足、競争の激化により、これは困難な場合があります。幸いなことに、機械学習とIoTテクノロジーにより、効率と生産性が向上しています。 McKinsey＆Companyによると、AIは、製造業に1.2兆ドルから2兆ドルの価値を生み出す可能性があります。

製造業者は、センサーテクノロジー（スマートマニュファクチャリング）から、画像、音の周波数、温度など、これまでにない大量のデータにアクセスできます。より手頃な価格の計算能力のおかげで、製造業はこのデータを利用し、機械学習と深層学習モデルでコストを削減できます。これが、製造業者がデータサイエンスと機械学習のスキルを持ち、コストを削減する革新的なソリューションを開発するために必要なツールに投資することで最も恩恵を受ける理由です。データサイエンティストがメーカーに価値を生み出す4つの方法は次のとおりです。

需要予測とサプライチェーンの最適化

サプライチェーン全体で、予測分析モデルを使用して、さまざまなマーケティング戦略、販売価格、場所、およびその他の多くのデータポイントの需要レベルを特定します。それらは、消費者の需要を予測し、その結果、サプライチェーンを最適化するための推奨事項を作成するのに役立ちます。データサイエンティストは、予測分析モデルを使用して、過去の販売データ、気象データ、経済データなどを使用して特定の製品の需要を予測します。次に、ロジスティクス管理、輸送、および倉庫管理からのデータを使用して、サプライチェーンを最適化できます。
データサイエンティストは、現在の在庫レベルと予測される在庫レベルのギャップを分析した後、製造業者から流通センター、そして最終的には顧客向けの店舗への在庫の正確な流れを導くのに役立つ最適化モデルを作成します。これにより、集中型ストレージとローカライズされたストレージの最適なバランスが維持され、不要な保持コストが最小限に抑えられます。機械学習により、メーカーとそのロジスティクスパートナーは、より効率的で収益性の高いものになります。データサイエンティストは常にさまざまなシナリオをテストして、理想的な在庫レベルを確保し、ブランドの評判を向上させます。

品質管理

画像認識と異常検出は、機械学習アルゴリズムの一種であり、製造ワークフローに入る前に、欠陥のある部品をすばやく検出して排除できます。部品メーカーは、組み立てラインから外れた各コンポーネントの画像をキャプチャし、それらの画像を機械学習モデルで自動的に実行して、欠陥を特定できます。

高精度の異常検出アルゴリズムは、数分の1ミリメートルまでの問題を検出できます。予測分析を使用して、欠陥のある部品を再加工できるかどうか、または廃棄する必要があるかどうかを評価できます。この時点で欠陥のある部品を排除または再加工することは、製造プロセスの後半でそれらを発見して修正するよりもはるかに低コストであり、コストのかかるリコールのリスクを軽減します。また、顧客の安全、満足、維持を確保するのにも役立ちます。

画像認識および分析モデルを実装するには、製造元は数百または数千ものパーツ画像を含む正確なデータセットを必要とします。各画像には、合格、不合格、発行A / B/Cなどの情報がタグ付けされています。モデルを構築するデータサイエンティストまた、許容範囲、およびさまざまな欠陥の潜在的なパフォーマンスと安全性への影響に関する専門知識も必要です。

根本原因分析

製品ライフサイクルのいずれかの時点で問題が発生すると、それが製造プロセスの初期に見つかったものであろうと、すでに消費者の手に渡っている製品に影響を与える問題であろうと、組織は正確な原因とその解決方法を決定するためにスクランブルをかけます。ブランドの評判（そしておそらく消費者の安全）が危機に瀕しています。

製造段階では、問題の根本原因を特定することは、時間のかかる骨の折れるプロセスです。根本原因分析では、大量のテストデータ、センサー測定値、メーカーのパラメーターなどを使用します。従来の方法で実行すると、それも信じられないほど難しいです。

機械学習技術は、根本原因の分析と解決のスピードを大幅に向上させることができます。異常検出アルゴリズムは、膨大な量のセンサーおよびシステムデータを効率的に分析できます。また、追加のデータタイプを使用して、従来の方法で処理できるよりもはるかに大量にこの分析を実行できます。

たとえば、製造段階では、根本原因分析の入力として画像データを使用することで、組織は障害モードを根本的な製造手順で発生する可能性のある欠陥に関連付けることができます。製品が消費者の手に渡ったときに問題が発生した場合、ソーシャルメディアでのテキスト認識と自然言語処理により、分析プロセスにこれらのメモを含めることができます。これらの各アプローチは、従来の分析よりも数か月早く非常に具体的な根本原因を明らかにすることができ、他の方法では発見できない可能性のある問題を診断することがよくあります。

予知保全

機械学習は、はるかに正確で、重要なことに、進化するメンテナンスの推奨事項を提供できます。アルゴリズムは、過去のマシンデータとセンサーデータを処理して、マシンが故障してアラートをトリガーする可能性がある時期を予測し、ダウンタイムのコストを回避して、メーカーが予防保守を適時に提供できるようにします。

予測分析モデルは、年に数回更新される静的なメンテナンススケジュールではなく、製造工場、サプライヤー、サービスプロバイダー、さらには使用中の製品から収集された数千のパフォーマンスデータポイントから学習を続けることができます。モデルは変化する条件と新しいパフォーマンス情報に適応し、それに応じてメンテナンススケジュールを更新します

MLによる予知保全は、機械が寿命に達したときに、メーカーが新しい機器や新しい部品の計画と予算を立てるのに役立ちます。また、廃棄物の削減にも役立ちます。たとえば、機械が故障したり、最適に機能しなくなったりすると、その過程で原材料が無駄になることがよくあります。予測分析は、推奨されるメンテナンスへの準拠を改善し、製造システムを最適なパフォーマンスレベルで動作させ続けるのにも役立ちます。歩留まりを保護し、品質と安全性を確保し、最終的に時間とお金を節約します。によるとマッキンゼー・アンド・カンパニー、予知保全は通常、機械のダウンタイムを30～50％削減し、機械の寿命を20～40％延長します。

オープンソーステクノロジーは革新的なソリューションを提供します

適切なスキルセットがあれば、製造業のデータサイエンティストは、Pythonと次のような最先端のオープンソースライブラリを使用して、ここで説明するユースケースを実装することで戦略的な利点を提供できます。TensorFlow、scikit-learn、およびscikit-image。このため、多くの製造組織は、エンタープライズ機械学習プラットフォームこれは、単一のユースケース向けに設計されたポイントソリューションではなく、オープンソースのライブラリとツールを組み込んでいます。

これにより、モデルを独自のビジネスケースに適合させ、数千のモデルから数千のモデルを持つ数百のデータサイエンティストに拡張できます。

Use Case3：ヘルスケア

ヘルスケアにおける機械学習：患者の転帰を改善する5つのユースケース

機械学習は分野を超えた科学的発見のペースを加速させており、医学も例外ではありません。研究を加速する言語処理ツールから、差し迫った心臓発作を医療スタッフに警告する予測アルゴリズムまで、機械学習は、医療分野にわたる人間の洞察と実践を補完します。

ただし、AIと機械学習テクノロジーに関するすべての「ソリューション主義」により、医療提供者は、それが実際に患者をどのように助け、投資収益率をもたらすかについて、当然のことながら慎重です。ヘルスケア目的で市場に出回っている多くのAIソリューションは、敗血症を発症するリスクの特定や乳がんの診断など、非常に具体的な問題を解決するように調整されています。企業がモデルをカスタマイズして投資を最大限に活用することが出来るAIソリューションを入手するのはまだまだ困難です。

オープンソースのデータサイエンスにより、ヘルスケア企業は、オーディオやビジュアルのデータ処理などの最新の機械学習テクノロジーを使用して、さまざまな課題に対処するためにモデルを適応させることができます。データサイエンティストは、オープンソースツールを使用して、ヘルスケアITの厳格な要件を満たし、さまざまな設定で患者のケアを改善する方法でアプリケーションをカスタム構築し、最終的に組織を競合他社と差別化することができます。オープンソースのデータサイエンスツールを使用して開発し、さまざまな機能に適合させることができる、ヘルスケアセクターの5つの機械学習のユースケースを次に示します。

1.管理タスクのための自然言語処理（NLP）

ニューイングランドジャーナルオブメディシンが昨年実施した調査によると、回答者の83％が、組織の問題として医師の燃え尽き症候群を報告しています。彼らの半数は、「管理タスクのオフロード」が問題の解決に役立ち、医師が患者とより多くの時間を過ごすことができると報告しました。これらの管理タスクの重要な部分には、電子健康記録（EHR）の確認と更新が含まれます。米国のほぼすべての病院がEHRシステムを使用しており、ほとんどの診療所も同様です。 EHRの更新効率を改善することは、ほとんどの人にとって最優先事項です。これがNLPツールの出番です。

アルゴリズムを使用して単語やフレーズを識別および分類するNLPツールを活用することで、医師は患者の診察中にEHRに直接メモを指示できます。医師も患者も同様に、患者の全体的な健康状態を理解するためにメモや検査結果を読む代わりに、NLPツールによってきちんと編集されたチャートや要約を確認できます。 EHRの維持に費やす時間を減らすことで、医師は患者とより多くの時間を過ごすことができます。

2.患者のリスクの特定

世界中の医療提供者は、異常検出アルゴリズムを使用して心臓発作、脳卒中、敗血症、その他の深刻な合併症を予測する機械学習モデルから構築されたツールの使用を開始しています。これらのツールは、患者の履歴記録、毎日の評価、および心拍数や血圧などのバイタルサインの測定値からのデータを使用して、スタッフに差し迫った患者のリスクを警告し、すぐに予防措置を講じることができます。

一例はエルカミノ病院です。彼らの研究者は、電子健康記録、ベッドアラームデータ、およびナースコールデータを使用して、患者の転倒を予測するためのツールを開発しました。この新しいツールは、患者が転倒するリスクが高い場合にスタッフに警告するため、リスクを軽減するための措置を講じることができます。彼らはなんとか転倒を39％減らすことができました。ヘルスケア変革のための合同委員会によると、転倒による入院患者の負傷は、入院期間に平均6.3日を追加し、14,000ドルの費用がかかります。もう1つの例は、メイヨークリニックによって開発された敗血症スニファーアルゴリズム（SSA）です。 SSAは、人口統計データとバイタルサイン測定を使用して、敗血症を発症するリスクが高まるたびにアラートをトリガーし、手動スクリーニング時間を72％短縮します。これにより、医師や看護師は、患者が最初に訪れた病気の治療により多くの時間を費やすことができます。

3.医学研究の洞察を加速する

科学者や医師は、医学研究の特定の分野の傾向に追いつくために、圧倒的な量のレポートや研究を読んで処理する必要があります。たとえば、学者は2007年から2016年の間に薬物の評価と分析だけで342,000を超える記事を公開しました。NLPツールとニューラルネットワークを使用して文献を解析することで、医学研究者は今後数年間で貴重な洞察を得ることができます。

※データの視覚化：生物医学文献を使用した有害な創薬
たとえば、米国とアイルランドの研究者チームが協力して、テキストマイニング、予測分析、ニューラルネットワークを使用して、医学文献やソーシャルメディアの投稿の膨大なデータベースを分析し、薬の副作用。チームは、医学雑誌からの30万件を超える記事と、ソーシャルメディアに関する160万件を超えるコメントを分析した後、データ視覚化ツールを使用して、薬物と副作用の関係を示しました。

NLPは、心電図の結果からのデータや、患者の記録にアップロードされたがフォームフィールドに入力されていない手動で書かれたメモのコピーなど、洞察を得るためにEHRの非構造化データをマイニングするためにも使用されています。 cTAKESisは、メイヨークリニック、ボストンチルドレンズホスピタル、およびその他の組織による、EHRの非構造化データを解析して洞察を抽出するツールを開発するオープンソースNLPプロジェクトの一例です。

4.腫瘍検出のための視覚的データ処理

放射線科医の作業負荷は、近年大幅に増加しています。一部の研究では、平均的な放射線科医は需要を満たすために3～4秒ごとに画像を解釈する必要があることがわかりました。研究者は、肺、乳房、脳、およびその他の領域の腫瘍の早期発生を認識するために、以前にキャプチャした放射線画像でトレーニングされた深層学習アルゴリズムを開発しました。アルゴリズムは、放射線画像データの複雑なパターンを認識するようにトレーニングできます。マンモグラムから乳がんを非常に正確に検出できます。ヒューストンメソジスト研究所によって開発された1つの早期乳がん検出ツールは、マンモグラムを99％の精度で解釈し、人間の30倍の速さで診断情報を提供します。これらのようなツールはまた、生検の必要性を減らします。ほとんどの放射線科医は、これらのツールが患者のケアを改善するのに役立つことに同意しています。彼らは彼らの仕事をより良くしますが、彼らに取って代わることはありません。

5.皮膚がんの診断に畳み込みニューラルネットワーク（CNN）を使用する

CNNは、画像を認識して分類するための強力なツールです。数人の研究者がそれらを使用して、TensorFlow、scikit-learn、keras、その他のオープンソースツールを使用して、87～95％の精度で皮膚がんを検出するための機械学習モデルを開発しました。比較すると、皮膚科医は黒色腫の検出において65％から85％の正解率を持っています。モデルは、悪性および良性の皮膚病変の何千もの画像を使用してトレーニングされます。このようなオープンソースプロジェクトの一例は、Githubで公開されています。皮膚がんの診断に加えて、研究者はCNNを使用して、結核、心臓病、アルツハイマー病、その他の病気を診断するためのツールを開発しています。

■コンプライアンス内の医療データサイエンス

医療機関は、セキュリティ、ガバナンス、コンプライアンスに関して他のほとんどの業界よりも慎重である必要がありますが、匿名化されたデータを使用して機械学習モデルをトレーニングし、HIPAA要件に準拠することができます。 ソフトウェア環境の整合性を確保することは、実際のユーザーの医療データを処理するために重要です。 Anaconda Serverは、高度に規制された分野の実務家が画期的なオープンソースの機械学習テクノロジーを使用できるように、安定した安全な環境を提供します。 また、データサイエンティストが革新的なモデルの開発において、IT承認済みのデータサイエンスパッケージにアクセスできるように、安全で管理可能なパッケージリポジトリへのアクセスを提供します。

ソリューション

産業

大手企業向けのバトルテスト済みデータサイエンスプラットフォーム

Anacondaのエンタープライズソリューションは、ユーザーがあらゆる業界で安全でユニークなデータサイエンスと機械学習モデルを構築できるようにする汎用ツールです。

金融業務

金融サービス業界には、データサイエンスと機械学習を使用して業務を改善し、顧客体験を向上させる最もよく知られた事例がいくつかあります。Fortune 500のいくつかの金融会社は、Anacondaとオープンソースのツールを使用して、不正の検出、クレジットスコアの改善、ローン申請の評価、解約の予測、通信の自動化などを行っています。

金融会社は、不正検出アルゴリズムをトレーニングして、数千のトランザクション内の疑わしいアクティビティを認識し、スタッフに即座に警告します。企業はまた、顧客活動の独自のデータセットを使用してクレジットスコアリングシステムを実装し、FICOスコアを補足して、リスクをより正確に予測できるようにしています。また、金融会社が自然言語処理用のオープンソースツールを使用して、電話のトランスクリプト、ソーシャルメディア、チャットプラットフォームで顧客のフィードバックを解析し、大きな問題になる前に傾向を認識していることもわかりました。

製造

メーカーは、機械学習プロジェクトから1兆ドルを超える価値を獲得するために順調に進んでいます。メーカーは、需要予測とサプライチェーンの最適化、予知保全、根本原因分析、品質管理にAnacondaと強力なオープンソースソフトウェアを使用しています。

製造会社のデータサイエンスチームは、オープンソースのPythonツールを使用して予測分析モデルを構築し、過去の販売データ、気象データ、さまざまな場所の経済パターンを分析して、需要を予測し、サプライチェーンを最適化します。また、画像処理ツールと異常検出を使用して、顧客に出かける前に欠陥のある部品を認識して排除します。センサーは、画像および音声処理ツールと組み合わせて使用され、機器の劣化を予測してダウンタイムを防止するモデルを開発します。

エネルギーとユーティリティ

石油およびガス、公益事業、およびその他のエネルギー企業は、データ視覚化ツールと機械学習の使用から大きな恩恵を受けています。Anacondaやその他のオープンソースツールを使用すると、エネルギー会社は機器の故障や停止を予測し、運用による環境への影響を予測し、複雑な地質データを視覚化し、エネルギーと需要応答をより適切に管理できます。

石油およびガス会社は、地質データ、過去の検層、および生産データを使用して、環境への影響が最も少ない収益性の高い掘削場所を予測します。機器の故障はすべてのエネルギー会社に重大な経済的損失をもたらし、現在多くの会社がダウンタイムを防ぐためにセンサー技術と組み合わせて予測分析を採用しています。公益事業会社はまた、予測アルゴリズムを使用して、気象データと履歴データに基づいて停止とエネルギー需要を予測します。

健康管理

研究室から病院のベッドまで、医療会社は機械学習を使用して新しい治療法を発見し、リスクを低減し、患者のケアを強化しています。オープンソースツールを使用して、医療分野のデータサイエンティストは、医療ITの厳しい要件を満たし、さまざまな設定で患者のケアを改善する方法でアプリケーションをカスタム構築できます。

医学研究者は、自然言語処理（NLP）ツールを使用して、ソーシャルメディアから何千もの研究と解説をマイニングし、出現するパターンから新しい発見をします。ヘルスケア企業はまた、NLPツールを使用して、非構造化データを解析して洞察を得ることにより、電子カルテ（EHR）をより有効に活用しています。腫瘍検出用のオープンソース画像処理ツールを使用して大きな進歩が見られ、入院中の患者のリスクを軽減するための新しいツールが作成されました。

小売り

電子商取引の台頭、技術の進歩、そして世界的な拡大は、小売業界に劇的な変化をもたらしました。企業は、オンラインとオフラインを問わず、顧客をよりよく理解し、顧客とつながることで、競合他社との差別化を図る必要があります。変化する顧客行動に適応できず、パーソナライズされたエクスペリエンスを提供できないものは、すぐに遅れをとることになります。

企業がオープンソースツールを使用して、消費を刺激するのに役立つパーソナライズされた製品レコメンデーションエンジンを構築しているのを見てきました。小売業者は、機械学習の決定木を使用して、価格弾力性、競争、製品、割引の種類などの複数の変数を分析し、価格を最適化することもできます。価格最適化モデルは、eコマースでの動的価格戦略の実装を成功させるために特に重要です。小売業のデータサイエンティストは、予測分析を使用して、複雑な需要予測アルゴリズムでサプライチェーンを最適化します。