AECプロジェクトでMLベースのソリューションを選択するための3ステップガイドライン

機械学習は、コンピュータデバイスが人間のように学習（考え、理解すること）し、意思決定を行うことを支援する技術です。提供されたデータに基づいて、機械学習システムが学習し、さらなる行動方針を予測することで、人間の労力を減らし、時間を節約することができます。前回のブログでは、「機械学習が建設業に与える影響について」という洞察を紹介し、テクノロジー主導のスマートな旅に出発するのに役立つ情報を提供しました。

しかし、テクノロジーの効果的な機能には、データの品質が重要な役割を果たします。機械学習は、間違ったデータを与えると、間違いを犯し、誤った判断を下し、無関係な予測をする傾向があります。

建設業における機械学習の未来を洞察し、MLによる効率化を目指す

2019年に発表されたガートナー社のレポートによると、2021年、AI増強は世界経済の複数のセクターにおいて、商業的またはビジネス的価値として2.9兆ドルを生み出すとされています。この数字が物語っています。したがって、建設業界は、時代のニーズを見極め、この技術を習得し、カーブに乗ることができるようになることが不可欠です。

MGIのIndustry Digitization Indexによると、世界のあらゆる分野の中で、建設業は最もデジタル化が進んでいない分野であるという。同指標の通り、建設部門は米国で2番目に低く、欧州では最下位に転落している。しかし、建設分野におけるAIの商業的価値は、2021年には10億ドルと評価され、2025年には33億ドルに達すると予想されています。

機械学習を使うタイミング

この問いに一言で答えられるものはない。意識的かつ効果的に導入すれば、機械学習はビジネスの効率を高め、ストレスを軽減する素晴らしい技術です。しかし、市場におけるバーチャルなソリューションの流行を考慮すると、無知な企業は無意味で取るに足らないソリューションを導入することで、罠にはまるかもしれません。

多くの企業がAIを導入する中で、複数の課題に直面しています。そのうちのいくつかを紹介します：

問題の特定に失敗した
期待値のズレと
データ管理能力の欠如

(機械学習は究極のソリューションではないことを理解することが重要です。機械学習は、ビジネスのニーズを満たすための効果的なアシスタントとして活用できる、効率的なテクノロジーに過ぎないのです。）

企業は、正しいMLテクノロジー導入のための正しい基盤を構築するために、以下の3ステップのアプローチから始めることができます。

● フィージビリティ分析

既存の問題の種類・タイプ、量・質ともに充実しているデータ。ここでは、「いつMLを使うのか」という疑問を解決するために学びます。

● 直感フィットメント

問題解決のために使用できる技術、ツール、アルゴリズムの種類を特定する。設計プロセスでの問題解決、現場での予測、現場での意思決定など、直感的なフィッティングは、効果的な問題解決プロセスの合理化に役立つと思います。

● 期待値の設定

期待される結果の上限を設定すること。つまり、MLツールから期待される、あるいは導き出される結果を計算することであり、そのツールを使ってさらなる行動を起こすことである。

建設業務の課題解決にMLが有効かどうかは、どのように判断すればよいのでしょうか。

一般的な市場慣行として、機械学習は通常、結果や将来起こりうる傾向を予測することが求められるプロジェクトで考慮されます。しかし、もし企業が機械にデータの意味を理解させたいのであれば、以下のようなシナリオで機械学習を使用することができます：

膨大な数の複雑なガイドライン

人間の仕事の多くは、ルールに基づいたシンプルなガイドラインに基づいて、効率的かつ正確に解決することはできません。プロセスや結果に影響を及ぼす可能性のある要素が数多く存在するからです。複数のルールやガイドラインが重なり合っている場合、一般的な人間の脳では、与えられた時間内に正確に結果に到達することは困難である。そこで、機械学習が有効に機能します。この場合も、データ（それがどんなに複雑なものであっても）が正確で、適格で、うまく処理されていることが条件となります。

タスクの拡大縮小

タスクがあれば、人間の頭脳は（時間と能力に応じて）数百から数千のメールを選別し、重要、未読、スパムなどに効果的に分類することができます。しかし、数百万通のメールになると、同じ作業は面倒になります。そこで、機械学習の出番です。機械学習は、大規模な問題を処理するために効果的に使用することができます。

純粋な学習か、学習による自動化か。

企業は、直面している問題の種類を区別することを学ばなければなりません。それは、純粋な自動化の問題なのか、それとも学習を伴う自動化の問題なのか。

問題が十分に明確で、環境が制御され、すべての手順と入力が明確に定義されている場合、学習なしの自動化（従来の自動化）はうまくいくはずです。

しかし、入力が複雑で複数のバリエーションがあり、経験から常に学ぶことが必要な問題であれば、純粋な自動化ソリューションが有効でしょう。

私たちの完璧なフィージビリティ分析は、問題や製品にAIソリューションが必要かどうかを明確にします。問題の実現可能性分析とそれに続く解決策は、問題解決に必要な時間とコストに基づいてショートリスト化されます。完璧なソリューションとは、費やした時間とコストが少なく、インパクトが大きいものです。

そして、「直感フィットテスト」では、企業が以下のような質問に答えます：

そのソリューションとその結果は理にかなっているか？
ビジネスフレームワークに適合しているか？

そして、どの機械学習ソリューションが必要かを特定し、理解します。

期待値の調整

多くの企業は、テクノロジーを導入した後（あるいは導入する前）、テクノロジーに対して不合理で高められた期待を抱く傾向があります。例えば、ドライバーレス・カーの例を見てみましょう。数ヶ月で完成すると思ってはいけません。完全な自律走行が可能になるまでには、複数のテストと開発段階を経なければなりません。これらの段階を経て、学習による自動化を促進するための十分なデータ（量的および質的）が得られます。

機械学習は、十分なデータと機械が「学習」するための時間があれば、正しい予測を行うことができます。そのため、企業は与えられたデータが正確であることを確認する必要があります。例えば、医療やヘルスケア（および連携）の分野では、1%の誤差でも誰かの命を奪うことになりかねません。このような場合、組織にはエラーが許されないのです。そのため、建築会社や建設会社にとって適切な機械学習を選択することが最も重要なのです。

あなたのビジネス課題に合った機械学習ソリューションを選ぶための3つの3ステップのガイドラインを適用する際に、何か質問があれば、ぜひお手伝いさせてください。