機械学習のアルゴリズムって何個あるんだ!?　　Diary#06

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

みなさん、こんにちは。Vertysの山本です。

前処理で8割の工数を使い果たし、可視化で残りの時間を消費し……ようやく「分析」にたどり着きました。

さあ、機械学習でモデルを作ろう！　と意気込んだところで、次の壁が現れます。

　　

「で、どのアルゴリズムを使えばいいの？」

---

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

機械学習って、ひとくちに言ってもアルゴリズムの種類が山のようにあります。

分類（OK/NGの判定）だけで数十種類。

 回帰（数値の予測）も数十種類。 

異常検知も十数種類。 

クラスタリング（グルーピング）も十種類以上。

全部合わせると、軽く100を超えます。

しかもそれぞれに「精度」「学習の速さ」「推論の速さ」「得意なデータ規模」が全然違う。

　　

現場のエンジニアは選べない（し、選ばなくていい）

---

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

正直に言います。これ、データサイエンティストでも悩みます。

「小規模データならこの手法が強いけど、大規模だと重くなる」
「この手法は精度最強だけど、なぜその結果になったかの説明が難しい」

――こういう判断を、製造現場のエンジニアに求めるのは酷です。

アルゴリズムの名前を覚える必要はない。理論を理解する必要もない。

大事なのは、「自分のデータに合った手法が、自動的に選ばれること」。

　　

どの手法が最適かは、やってみないとわからない

---

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

実は、どのアルゴリズムが一番精度が出るかは、データの性質によって変わります。
事前に「これが正解」と決められないんです。

じゃあどうするか？

全部試せばいい。

全アルゴリズムを自動で回して、精度・学習時間・推論速度を比較して、ランキング形式で結果を見せる。
ユーザーは、そのランキングを見て「じゃあこれにしよう」と選ぶだけ。

アルゴリズムの中身を知らなくても、最適なモデルにたどり着ける。

この「モデル自動選定」の仕組みは、3人のAIエンジニアにすごく頑張っていただきました。
どのアルゴリズムをどの順番で回すか。評価指標の重みづけをどうするか。
技術的にはかなり深い議論が必要でしたが、ユーザーから見るとボタンひとつです。

　　　　　　　　　　　　　　　　　　　　　　　　　　　

ツール設計の3番目のテーマ、「モデル自動選定」が固まりました。