Azure AIとは？詳しく解説させていただきます。

TOP
コラム
Azure AIとは？詳しく解説させ

Azure AIの概要について

ここでは、Azure AIについて説明させていただきます。 AIはすでに様々な企業がAPIを提供して一般ユーザーが開発を行える環境が整っており、その中でも最も有名なサービスがIBM Watsonです。 IBM WatsonはIBM社が提供するAIプラットフォームであり、世界中でユーザーを持つサービスとして知られております。多くの業種や領域に導入され実績があり、「顧客対応」「医療」「教育」「広告・販売・接客」「人材育成」「意思決定の支援」「知識共有」「IoT/ビッグデータ」「セキュリティ」など幅広い作業を実行し、ビジネスを強力に支援しております。また、利用することでユーザーが蓄積したデータを過去の膨大なデータと照らし合わせて業務プロセスに組み込むことでありAIをビジネスに活用することができる点は将来的に大きな意味を持ちます。 IBM Watosonでは多くのAPIを提供しており、それらを複数組み合わせることでさらに高度なAIサービスを構築することが可能です。AIのAPIは主に紹介系、知識探索系、画像系、音声系、心理系などに分類されそれぞれベンダーによってサービスが異なります。
「紹介応答系」ではアプリケーションに自然言語インターフェースを追加しエンドユーザーとのやり取りを自動化することができます。「知識探索系」では大量の自然言語データから、洞察エンジンを利用して回答を導出します。「画像系」では画像コンテンツに含まれる意味を検出します。「音声系」では音声をテキストに、もしくはテキ然言語テキストの分類や他言語への翻訳を行います。「心理系」では自然言語テキストから筆者の性格を分析、感情・社交性・文体などを解析します。「データ分析系/AIライフサイクル管理系」では機械学習や深層学習向けのデータ準備などを行います。 IBM Watsonとして有名なAPIがWatson Assistantであり、これは高機能なチャットボットサービスを提供します。 Watson Discoveryはテキストの検索や分析などを行うAPIで、こちらもIBM Watsonの中では非常に重要な役割を占めます。 Watson Speech to Textは音声をテキストに変換するAPIとなります。以上がIBM Watsonに関する説明となります。

次に、Azure AIと関連の深いサービスの一つがGoogle Cloud PlatformのAIサービスとなりますので簡単に紹介させていただきます。まず、Google Cloud Platformとは、ユーザーが大量のデータを保存して処理できるようにするクラウドコンピューティングプラットフォームです。2011年にGoogleによって作成され、一般に公開されています。 Google Cloud Platformは、BigQuery、Google Compute Engine、AppEngineなど多くのサービスを提供していることで知られております。企業が自社のデータセンターに必要なインフラストラクチャに投資することなくクラウドサービスの機能を利用し、強力にバックアップするためのプラットフォームと言え、ビジネスの成長を支援するための多くのテクノロジーや機能を提供します。 Googleコンピューティングエンジンが高いことについては多くの利用者が知っております。具体的には1秒あたり最大100,000トランザクションを処理でき、最大1エクサバイトのストレージ容量を備えています。これにより、現在運用されている最もスケーラブルなクラウドコンピューティングプラットフォームを実現します。また、Google Cloud Platformは多くのビジネスにおいて活躍の場があり、世界中に様々な影響を与えております。その代表的な例が金融セクターです。金融セクターは世界経済の根幹を担う非常に重要な部分であることはいうまでもありません。最も競争が激しく、急速に変化する業界の1つであり、デジタルトランスフォーメーション、新技術、グローバリゼーションなどが投入され高いパフォーマンスが求められます。そういった環境の中でGoogle Cloud Platformが多くの実績を出していることは機能の高さの証明と言ってもいいでしょう。以上が簡単ではありますがGoogle Cloud Platformに関する説明とさせていただきます。

さて、Google Cloud AIの代表的なサービスの一点目がVertex AIとなります。 Vertex AIはデータサイエンスと機械学習向けのフルマネージドのエンドツーエンドプラットフォームであり、統合AIプラットフォーム内のトレーニング済みのカスタムツールを使用して、ML モデルの構築、デプロイ、スケーリングを高速化することが可能となります。
ここで、Vertex AIのメリットについて簡単に触れると、その一点目がコード不要で最低限の知識でモデルをトレーニングすることができるという点となります。 Vertex AIを利用することでコンピュータビジョン、言語、構造化データ、会話に関する最先端の事前トレーニング済みAPIに使用できます。メリットの二点目が様々なカスタムモデルツールが提供されるという点となります。これにより競合のプラットフォームと比較して、カスタムライブラリを使用したモデルのトレーニングに必要なコードの行数を大幅に削減することを実現しております。メリットの三点目がモデルメンテナンスの複雑さらから解放される点となります。MLOpsツールを用いることで信頼性を担保することが可能となります。以上が簡単ではありますがVertex AIの説明とさせていただきます。
次に、代表的なサービスの二点目であるContact Center AIについても紹介させていただきます。 Contact Center AIはAIテクノロジーでコンタクトセンターを効率的に運営することが可能なテクノロジーです。運用効率を高め、顧客対応の最初の段階からパーソナライズされたカスタマーケアを提供できます。同様のサービスは他社ベンダーからも提供されておりますが、Google Cloud Platform上で高機能なパフォーマンスを発揮することができる点は大きな魅力と言えるでしょう。
では、Contact Center AIのメリットについてもいくつか紹介させていただきます。一点目が顧客のためのスーパーヒーローとなるエージェントを作成する点です。コンタクトセンターにおいてはエージェント機能が非常に重要な役割を果たします。 Contact Center AIではリアルタイムの情報、ワークフロー、詳細な手順のガイダンスを提供し、人間のエージェントがより難しい専門的な質問の対応に集中することが可能となります。メリットの二点目が仮想エージェントとの自然なやり取りを可能にする高機能を提供することができる点となります。 Googleアシスタントを活用したディープラーニング技術により、多重的な会話を正確にサポートする人間的なカスタマーエクスペリエンスが実現できます。メリットの三点目が分析やレポート機能となります。分析とレポートを通じて、問い合わせの主な原因や顧客感情などを明らかにし、会話からインサイトを引き出すことが可能です。以上が簡単ではありますがContact Center AIの説明とさせていただきます。

ここで、簡単にAIについても説明させていただきます。人工知能は、コンピューターサイエンスの一分野であり、インテリジェントエージェント、つまり環境を認識し、成功の可能性を最大化するアクションを実行するシステムの研究と設計を扱います。人工知能は、機械、特にコンピューターシステムによる人間の知能プロセスのシミュレーションです。これは、コンピューターを使用して人間の音声、画像認識、意思決定、および言語翻訳を理解するという同様のタスクに関連しています。人工知能は、機械のインテリジェントな動作のシミュレーションを扱うコンピュータサイエンスの一分野です。これは非常に幅広いトピックですが、さまざまなサブトピックに分類できます。 AIは何十年も前から存在していますが、主流メディアで話題になっているのはごく最近のことです。 AIアプリケーションは、大規模なデータセットのパターンの検索や病状の診断など、人間が解決するのが難しすぎる、または時間がかかる問題を解決するために何十年も使用されてきました。特にAIのように複雑なトピックについての場合は、将来を予測するのは困難です。この分野のすべての進歩により、私たちがどこに向かっているのかを知ることはますます困難になっています。しかし、今後数年間に何が起こるかという考えを与えることができるいくつかの予測があります。 2022年の現在においてはAIは企業が業務を合理化し、より効率的にするために使用されます。 2030年には、AIは医療専門家によって病気を診断し、それらの治療法を見つけるために使用されるとされております。 AIの登場が人々の仕事にどのように影響を与えるのかという点は長い間議論されてきた質問です。この質問に対する答えは、AIが人々の仕事を破壊するよりも多くの仕事を生み出すということです。これが当てはまるのは、AIによって多くの反復的なタスクがより簡単かつ迅速に行われるためです。たとえば、AIはデータ入力を引き継ぎ、より速く、より正確にすることができます。これにより、人々はデータ分析や創造的な仕事などの他の仕事をすることができます。 AIは医療分野でも使用でき、患者の記録を読んで正確な診断を行うことで、医師が病気をより早く診断できるようにします。このようにAIの登場で人間はよりクリエイティブな仕事に集中し、結果として良い結果を与えると考えられております。 AIは教育と学習の未来です。 AIは、教師が生徒に自分の仕事に関するフィードバックを提供し、個別のレッスンを提供することで、生徒をより効率的に教えるのに役立ちます。ただし、AIは完璧ではありません。人間的な判断を加えないことで生徒に害を及ぼすリスクがある点も様々なメディアで指摘されている点となります。例えばMicrosoftのAIチャットボットであるTayがTwitterユーザーから人種差別的で不快なことを言うように教えられたときなど、メディアにはこの例がたくさんあります。 AIは、多くの素晴らしいことを行うために使用できる強力なツールです。たとえば、学生がさまざまな科目でスキルを習得および開発するのに役立ちます。しかし、それには多くの欠点と潜在的なリスクもあります。 AIは、私たちが教え、学ぶ方法に大きな影響を与える革新的なテクノロジーです。 AIシステムが改善されると、AIシステムは各生徒に個別の指導を提供し、より個別化された学習環境の作成を可能にするようになります。ただし、AIシステムには課題があります。一部の人々は、AIは学生の創造性や批判的思考力を低下させる可能性があるため、教育に有害である可能性があると考えています。他の人は、AIを活用した教師がいる高価な私立学校を買う余裕のある人だけが質の高い教育を受けられるような不平等な社会を作る可能性があると言います。こういったAIに関する課題はまだまだ解決されておらず、社会的な問題として取り組む必要があることは間違いありません。

AIに関連の深いキーワードとしてビッグデータがあります。ビッグデータは莫大なデータの蓄積であり、従来のデータベース管理システムでは処理するには大きすぎるデータを扱います。最大の特徴としては、機械やAIにより様々な分析や人間の意思決定の支援を行うことができる点となります。「ビッグデータ」という用語は、1987年にダグラスレイニーによって最初に造られました。これは、従来のリレーショナルデータベース管理システム（RDBMS）を使用して処理できない巨大なデータセットのコレクションとして作られた言葉として知られております。企業がビッグデータを利用することは多くの利点があります。その代表的な例としては、企業はより良い意思決定を行い、顧客をよりよく理解し、業務の効率を高めることができます。いうまでもなくデータはビジネスを成功させるための重要な指標となります。それは私たちがより良い意思決定を行い、情報に基づいたリスクを取り、顧客体験を最適化するのに役立つことで知られております。膨大に蓄積されるデータを正しく分析することはこれらのビジネスにおいてより重要な役割を果たすことは間違いないでしょう。ビッグデータとは私たちが毎日作成および収集するすべてのデータを網羅する概念であり、さまざまな種類がありますが、すべての種類がすべてのビジネスに適しているわけではありません。ビッグデータの出現により、人類の未来は急速に変化しています。最も重要な変化の1つは、人々がAIに支えられた生活にますます依存するようになっていることです。つまりこれは人々の生活そのものに大きな変化をもたらすテクノロジーとして知られております。これらのアルゴリズムのおかげで、イベントをより正確に予測することができます。ビッグデータとAIは多くのデータを蓄積し、さらにそれらのデータを分析し活用することで将来より良い決定を下すことができます。また、ビッグデータを利用するためには分析のためのダッシュボードが非常に重要な役割を持ちます。パーソナライズされた分析ダッシュボードは、ビジネスを始めるのに最適な方法です。また、中小企業にとって非常に役立つツールです。これを使って進捗を追跡し、目標を設定することができます。パーソナライズされた分析ダッシュボードテンプレートは、ビジネスについて知る必要のあるすべての情報を提供します。分析ダッシュボードテンプレートは誰でも使用できますが、作業をより細かく制御する必要があり、かつてないほど早く目標を達成したい中小企業に特に役立ちます。ビッグデータは何年も前から存在している用語ですが、今日ほど関連性が高いことはありません。デジタルマーケティングとインターネットの台頭により、企業はかつてないほど多くのデータにアクセスできるようになりました。このデータは、顧客のレビューからWebサイトの分析まで、さまざまな形で提供されます。 3種類の分析ツールはWeb分析ソフトウェア、、分析ソフトウェアを使用したマーケティング、ウェブサイト分析ソフトウェアの使用方法などがあります。ビッグデータとマーケティングは密接な関係にあり正しくデータを活用することのできる専門家の需要も高まることが予想されております。また、ビッグデータは医療分野でも活用されております。医療分野においては毎日膨大な量の医療データが収集されており、セキュリティのために分析する必要があります。このデータは患者を不正行為から保護し、サイバー攻撃の餌食になるのを防ぐために使用されています。医療におけるビッグデータの使用により、業界は患者の保護についてより積極的になることができました。ハッカーが業界をどのように標的にしているかを知るほど、患者とその情報をより適切に保護できます。ビッグデータは、デジタルの世界で毎日作成される大量の情報を表すために使用される用語です。これは、コンピューターやモバイルデバイスで作成、保存、共有する情報によって生成されます。また、ビッグデータとは収集および分析できる大量の情報を表すために使用されてきた用語です。これは、データマイニング、データ分析、およびビジネスインテリジェンスです。マーケティングでのビッグデータの使用は、顧客の好みを判断するためだけでなく、よりパーソナライズされた方法で顧客にリーチする方法について理解するためでもあります。
マーケティングにおけるビッグデータで最も重要なことは、顧客が製品やサービスに何を求め、何を必要としているかを理解する能力です。これは、彼らの行動を見ることによって行うことができます。たとえば、誰かが「最高のレストラン」を検索した場合、これは彼らが食べ物やレストランのおすすめを探していることを示しています。スポーツやスポーツ科学でデータを使用する方法はたくさんあります。最も一般的な使用法は、得点、得点、タックルなどの統計を見て、誰が最高の選手またはチームであるかを見つけることです。また、データを使用して、さまざまな条件下でのプレーヤーのパフォーマンスを理解するのに役立てることもできます。たとえば、あるプレーヤーが風邪を引いたり怪我をしたりした場合、これらの状態を経験していない他のプレーヤーと彼らのパフォーマンスを比較することができます。 AIは、企業がデータを使用する方法を急速に変えています。膨大な量のデータを数分、場合によっては数秒で分析および解釈できるようになりました。 AIは、トレンドやパターンに関する予測を行うためにも使用できます。これは、競合他社に先んじたいビジネスリーダーに役立ちます。ビッグデータと人工知能の未来は明るいです。 AIは最終的に、心を読み、未来を予測し、世界の飢餓を解決するなどのことができるようになります。

AIやビッグデータに関連するキーワードとして画像認識があります。画像認識は、画像のコンテンツを識別して説明するプロセスです。人間かコンピューターによって行うことができますが、AIや人工知能のテクノロジーの発達により非常に高い精度で実現することができるようになりました。具体的には、コンピューターは画像に存在するピクセルを調べ、既知のパターンと比較することによって画像認識を行います。コンピューターが画像を初めて認識できるようになったのは、アーサー・サミュエルがコンピューターにチェッカーを再生するようにプログラムした1957年のことです。彼は、プログラムが認識するパターンとしてゲームのプレイピースを使用し、このプログラムを「チェッカー」と呼びました。画像認識の分野はまだ比較的新しいものですが、医学、法執行機関、マーケティングなど、さまざまな分野ですでに使用されています。画像認識は、空港で運転免許証やパスポートをスキャンしたり、監視映像で顔を認識したりするなど、さまざまな用途に使用することが可能です。テクノロジーの発展とともに様々な領域において活用されることが予想されております。
また、テキスト認識というテクノロジーの一般的になってきており非常に普及しております。テキスト認識のプロセスは簡単です。ドキュメントをアップロードし、ソフトウェアがドキュメントからすべてのテキストを抽出します。次に、そのテキストを含む記事が生成されるフローでそれらは実現します。ブログに公開する前に、生成された記事を編集することもできます。これは、ブログ投稿に画像、ビデオ、または他の記事へのリンクを追加することで実行できます。テキスト認識ソフトウェアは、ストーリーを生成するために使用できるツールで\、一部の人が難しいと感じるかもしれない話をするための新しい方法です。このアイデアは1980年代に最初のテキスト認識プログラムを作成したときに最初に導入されました。コンピュータビジョンの分野における進歩は、マーケティング、広告、およびデザインに革命をもたらしています。画像認識は、マーケティング業界において大きな飛躍です。実際、これはしばらく前から存在していたテクノロジーですが、現在はマーケティングにのみ適用されています。マーケティングでの画像の使用は、過去10年間で指数関数的に増加しました。これは主に、ソーシャルメディアの増加と、企業が競合他社からの差別化を図る目的で爆発的に普及しました。画像認識は、AIを使用してコンテンツを生成する新しい方法です。画像の内容を自動的に認識し、関連する単語やフレーズと照合して、コンテンツの生成に使用できます。これは、マーケターが作成するコンテンツの量を増やすと同時に、時間とお金を節約するため、マーケターにとって多くの利点があります。

機械学習についても説明させていただきます。機械学習は、明示的にプログラムされていなくてもコンピューターが学習できるようにする人工知能の一種です。 AIの中でも非常に重要な役割を担い様々なビジネスに大きな影響を与えているテクノロジーです。コンピューターが明示的にプログラムされていなくても、知識を獲得し、パフォーマンスを向上させ、決定を下すための方法で、画像認識や自然言語処理などのさまざまな分野で使用できる強力なツールです。ほぼすべての分野に適用でき、株価の予測や不正の検出などのタスクに役立ちます。機械学習プロセスは、データが与えられたアルゴリズムから始まり、与えられたデータに基づいて予測を行う方法を学習します。次に、アルゴリズムはこの知識を使用して、これまでに見たことのない過去のデータに基づいて将来の結果を予測します。機械学習は医学、金融、法執行機関など、他の多くの分野にも応用されています。また、教師あり学習や教師なし学習などのパターンで学習をさせることで様々なパターンの回答を返すことが可能となります。教師あり学習というのは、コンピューターがラベル付けされた例から学習する機械学習の形式です。データに正解のラベルが事前に付けられている必要があります。その後、マシンはデータ内のパターンを見つける方法を学習します。一方、教師なし学習は、コンピューターがラベルのない例から学習する機械学習の形式です。事前のラベル付けは必要なく、代わりにデータ内のパターンを探して、それらが何を意味するのかを理解しようとします。教師あり分類は、入力用のラベルはあるが出力用のラベルがない教師あり機械学習タスクです。目標は、入力ラベルを使用して出力ラベルを正しく予測することです。機械学習はマーケティングで広く使用されており、マーケッターが顧客の行動を予測し、それに応じてキャンペーンを最適化するのに役立ちます。パーソナライズされたオファーの作成、より適切なターゲット広告、およびWebサイトでの顧客の行動の分析に使用できます。機械学習は人工知能の一分野の一分野と言えます。機械学習アルゴリズムは、データ内の複雑な関係をモデル化し、そのモデルを使用して予測を行うようにトレーニングできます。マーケティングでは、機械学習アルゴリズムをトレーニングして、顧客の行動（たとえば、どの顧客が製品を購入する可能性が高いか）を予測し、顧客が好むと予測されるものを多く、または嫌うと予測されるものを少なくすることで、マーケティングキャンペーンを最適化できます。
Azure AIもIBM Watsonと同様にAIのプラットフォームを提供するサービスとなります。ここからはさらに詳しくAzure AIについて解説させていただきますので、参考にしてみてください。

Azure AIの特徴と機能

Azure AIでは、開発者やデータサイエンティスト向けに設計されたAIサービスのポートフォリオであり複数のサービスから構成されております。数十年にわたる画期的な研究、責任ある AIのプラクティス、柔軟性などをユーザーに提供し世界トップクラスのAIサービスと知られております。 ここでは、Azure AIの特徴をいくつか紹介させていただきます。 Azure AIではあらゆるスキルレベルの開発者やデータサイエンティストのためのフレームワーク、ツール、機能にアクセスすることができ、利用可能です。また、Xbox、HoloLens、Microsoft TeamsのAI機能を支えているのと同じ、実績のあるAIサービスを使用することができる点もその特徴となります。データのプライバシー、透明性、信頼性を維持しながら、責任を持ってAIを使用するのに役立つツール、サービス、ガイドラインを利用することが可能です。

では、Azure AIの機能について詳しく解説させていただきます。 Azure Applied AI Servicesを使用して、ビジネスプロセスをより高速に最新化することが可能となります。 Azure Applied AI Servicesは、Azure Cognitive Services、タスク固有のAI、およびビジネスロジックを統合して、一般的なビジネスプロセスにターンキーAIサービスを提供します。ドキュメント処理を自動化し、カスタマーサービスを改善し、異常の根本原因を理解し、あらゆるコンテンツから洞察を抽出します。さらに、Azure Machine Learningの独自のAIモデルを使用して、Azure Applied AI Servicesを拡張します。これを利用することで数日でAIサービスをすぐに活用することが可能です。
Azure Cognitive Servicesは、すべての開発者やデータサイエンティストの手の届くところにAIを導入します。優れたモデルにより様々なユースケースに対応することが可能となります。ユーザーが必要なのは、高度な意思決定について見て、聞き、話し、検索し、理解し、そして加速する機能をアプリに埋め込むためのAPI呼び出しです。高度な専門的な知識のあるエンジニアだけでなく、すべてのスキルレベルのエンジニアとデータサイエンティストがAI機能をアプリに簡単に追加できるようにします。 Azure Cognitive Servicesでは既知のプログラミング言語を使用して、さまざまなユースケースのためのAIソリューションをデプロイすることが可能となります。
では、機械学習モデルを構築、トレーニング、デプロイするためのエンドツーエンドのプラットフォームであるAzure Machine Learningについて説明させていただきます。 Azure Machine Learningではデータサイエンティストや開発者が、高品質なモデルをより早く、自信を持って構築、デプロイ、管理できるようになります。MLOps (機械学習運用)、オープンソースの相互運用性、統合されたツールにより、価値創造までの時間を短縮できます。責任ある機械学習 (ML) を実現できるよう設計された、安全で信頼できるプラットフォームを利用することで高性能なAIを構築し利用することが可能となります。また、Azure Machine Learningではそれらを実現するためのプラットフォームや機能を提供しております。その具体例がAzure Machine Learningで準備されているスタジオのプラットフォームです。このスタジオを活用することで生産性を向上させることが可能となります。これは、モデルの構築、トレーニング、デプロイなど、あらゆるタスクをサポートする開発エクスペリエンスです。また、これらのスタジオでは人気の高いオープンソースのフレームワークやライブラリをサポートしている組み込みのサポートを使用して、Jupyterノートブックとコラボレーションできます。特徴エンジニアリングやハイパーパラメータースウィープ機能を使用した自動MLで、正確なモデルをすばやく作成できます。デバッガー、プロファイラー、説明にアクセスして、トレーニング時にモデルのパフォーマンスを向上させることができます。 Visual Studio Codeとの深い統合により、ローカルからクラウドへのトレーニングをシームレスに行うことができ、クラウドベースの強力な CPUやGPU クラスターで自動スケーリングを実現できます。機械学習運用 (MLOps) による大規模な運用化も大きな機能の特徴と言えます。機械学習運用 (MLOps)を利用することでオンプレミス、エッジ、マルチクラウド環境における何千ものモデルのデプロイと管理を合理化し、開発を実行することが可能です。また、フルマネージドのエンドポイントによりモデルのデプロイとスコアリングを迅速に行い、バッチおよびリアルタイムで予測することができます。繰り返し可能なパイプラインを使用して、継続的インテグレーションと継続的デリバリー (CI/CD) のためのワークフローを自動化できます。モデルのパフォーマンスメトリックを継続的に監視し、データのずれを検出し、再トレーニングを実行して、モデルのパフォーマンスを向上させることができます。ライフサイクル全体を通して、すべての MLアーティファクトの追跡と系列化を行うことで、監査可能性とガバナンスを実現できます。

今日の開発においてDevOpsに関する知識は非常に重要となってきており、AI開発においては必須とも言えますので簡単に紹介させていただきます。 DevOpsとは開発 (Development) と運用 (Operations) を組み合わせた言葉であり、開発チームと運用チームが協力しあうことで開発の速度を向上させ、よりビジネスの価値を高めるという手法や考え方を指し、多くのビジネスシーンで導入されております。 AIやクラウドとDevOpsは密接な関係をもつことで知られ、従来の開発における考え方では解決できない課題もDevOpsによる様々な工程をオートメーションする手法により、さらに開発が効率的に行うことが可能となります。また、DevOpsの開発工程はDevOpsツールチェーンと呼ばれる各作業によって分担されており、それらを繰り返すことで成立します。 DevOpsツールチェーンは計画、コーディング、ビルド、テスト、導入、運用、監視から構成されております。また、それぞれのカテゴリーにおいて、自動化を行うなど有効なツールが存在します。 DevOpsはアジャイルに近しい考え方や概念を持ち、DevOpsとアジャイルは両者共にソフトウェア配信を高速化できる構造とフレームワークを提供することが可能です。哲学やアプローチ、考え方は異なりますが両立しない概念ではありません。 DevOpsではソフトウェアの開発と配信のすべての段階に対応し、より迅速で信頼性の高いリリースを目指すことや、部門を超えたチームワークを育成する文化で職場環境を向上させて、より効果的なチームを作り上げること、あるいはワークフローの自動化を行う機会を可能な限り見つけて、効率的な開発を行うことがポイントです。 DevOpsはCALMSという文化によって構成されております。 CALMSはDevOpsプロセスを採用する企業の能力を評価するフレームワークであり、 Culture、Lean、Automation、Measurement、Sharingの頭文字をとった言葉となっており、それぞれを正しく理解することでDevOpsについての理解を深めることができるでしょう。ソフトウェア開発は様々な歴史な文化、あるいはテクノロジーによって構成されており、プログラミング言語だけでなく開発手法まで包括的な理解が必要とされます。
ソフトウェア開発は、次の2つのフェーズに分けることができます。開発者がソフトウェアの設計に取り組む設計段階と開発者が設計を実装するためのコードを作成する実装フェーズです。また、ソフトウェア開発は、どの国の進歩にとっても重要です。これは、他のすべての部門が効率的に機能するためのツールとインフラストラクチャを提供するため、あらゆる企業のバックボーンとなるからです。ソフトウェア開発は国の経済を構成する重要な要素とも言え、他のすべての部門が仕事をするために必要なツールとインフラストラクチャを提供します。これには、銀行業務から教育、医療などあらゆる業種なビジネスが含まれていると言えるでしょう。
DevOpsは開発チームと運用チームの協力によって成立するということがその本質にあり、これがCultureの部分となります。 DevOpsプロセスにおいて重要な点が無駄がなく効率的に開発を行うことです。また、継続的な改善と失敗を受け入れるという概念も非常に重要になってきます。実験的な考え方や挑戦などを受けているという考え方がLeanの部分です。 DevOpsプロセスにおいて反復的な手作業を排除し、反復可能なプロセスを生み出し、信頼性の高いシステムを構築するという過程が非常に重要となりますが、この部分がAutomationに該当します。 DevOpsプロセスにおいて継続的な改善をしっかりと計測し分析することは非常に大切でありこれがMeasurementの部分となります。開発チームと運用チームの共有や連携はDevOpsプロセスにおいて必須の概念です。チーム間の連携を高めることはDevOpsにおける最も重要な概念の一つであり、これがSharingの部分となります。いずれにせよDevOpsにおける自動化の考え方は今後主流になってくると言われており、エンジニアにとって必須の知識であることは間違いありません。
機械学習ソリューションの性能の高さもAzure Machine Learningの特徴の一つと言えます。 Azure Machine Learningではすぐに使用できる視覚化を使用してモデルを理解し、what-if分析を使用して予測に対する機能の影響を判断することが可能です。グラフをチームと共有して、コンプライアンスを確保しながら作業を行うことができます。最新のアルゴリズムを使用して、公平性の問題のモデルをテストし、異なるモデルを比較して、問題を軽減するための手順を実行できます。エラー分析ツールキットを使用して、モデルのエラーを特定してデバッグし、モデルの正確性を向上させることができる点も大きな特徴と言えるでしょう。また、AIを開発および運用する際にはセキュリティ面も非常に重要となっており、Azure Machine Learningではそれらを最新のテクノロジーで担保することが可能です。具体的にはID、認証、データ、ネットワーク、監視、ガバナンス、コンプライアンスにまたがる包括的な機能を使用して、MLライフサイクル全体のセキュリティを強化しております。また、カスタムのロールベースアクセス制御、仮想ネットワーク、データ暗号化、プライベートエンドポイント、エンドツーエンドのプライベート IPアドレスを使用して、より安全なMLソリューションを構築することが可能となっております。Azure Machine Learningではオンプレミスでモデルをトレーニングしてデプロイすることで、データ主権の要件を満たすことができます。組み込みのポリシーでガバナンスを管理し、FedRAMP HighやHIPAAなどの 60の認定を含む包括的なポートフォリオを使用して、コンプライアンスを効率化できる点が特徴となります。以上がAzure AIの特徴と機能の説明となります。

Azure AIに関する資格について

Azure AIに関する資格について説明させていただきます。 一つ目がAzure AI Engineer Associateで、その名の通りAzure AIに関する知識を問う資格として知られております。
Azure AI Engineer Associateでは、 Azure Cognitive ServicesとAzure Applied AI Servicesを活用するAIソリューションを構築、管理、デプロイすることができる能力を証明することが可能です。 Azure Cognitive Servicesは高品質のAIモデルをAPI としてデプロイするサービスであり、 AzureのAIサービスにおいて最も大事なテクノロジーの一つと言えます。 Azure Cognitive Servicesのメリットは画期的なAI研究によって構築された、カスタマイズ可能な事前トレーニング済みのモデルを使用することができるという点です。また、コンテナーを使用して、クラウドからエッジまで、どういった環境においてもCognitive Servicesをデプロイすることができるという点もその特徴です。これらのテクノロジーは業界においてもトップクラスの標準として認識されております。
Azure Applied AI Servicesについても説明させていただきます。これは機械学習の知識がなくともAIソリューションを迅速にデプロイすることが可能なサービスとなります。文書処理の自動化、顧客サービスの向上、異常の根本原因の把握、あらゆるコンテンツからの分析情報の抽出など多くのAI機能がAzure Applied AI Servicesで実装することが可能です。また、Azure Machine Learningで独自のAIモデルを使用して、Applied AI サービスを拡張することも可能です。 Azure AI Engineer Associateは要点定義、設計、デプロイ、メンテナンス、パフォーマンスの調整、および監視まで上流の工程から一貫してAIソリューション開発のすべてのフェーズに参加するための知識が問われます。 AI時代においてAIソリューション開発に関する知識は非常に重要となります。 AIソリューションの開発は、AIソリューションの構造とフレームワークを作成するプロセスであり、人工知能を使用して、人間の知能だけでは不可能な方法で問題を解決したり、サービスを提供したりするシステムであり、問題解決が必要なあらゆる分野で使用できます。 AIソリューションは問題の定義、収集する情報の理解、アルゴリズムの作成、ユーザーインターフェイスの作成、およびデータのトレーニングが含まれ、幅広い専門的な知識が問われます。 AIソリューションの開発はソリューションアーキテクトと協力して彼らのビジョンを理解するとともに、データ科学者、データエンジニア、IoTスペシャリストおよび AI開発者と協力して完全なエンドツーエンドのソリューションを構築する役割を果たします。
では、改めてAzure AI Engineer Associateについて詳しく解説させていただきます。 Azure AI Engineer Associateでは、 C#またはPythonに関する知識が必要となります。また、RESTベースのAPIおよびSDKを使用して、Azureでコンピュータービジョン、自然言語処理、ナレッジマイニング、および会話型AIソリューションを構築する能力を証明することが可能です。さらにAzure AI Engineer AssociateはAzure AIポートフォリオを構成するコンポーネントと利用可能なデータストレージオプションについて理解している必要があり、信頼性の高いAI原則を理解し、かつ適用する能力を持っていることを証明することができます。

二つ目がAzure Data Engineer Associateです。 Azure Data Engineer Associateはデータベースエンジニアとして必要な知識を問う資格となります。 AIソリューションをトータルで理解するためにはデータに関する知識も重要となります。データベースエンジニアとして働くために必要なスキルは多岐に渡りますが、求められているスキルとしては、SQLの知識、データベースの設計とモデリング、データモデリングとデータウェアハウジング、データベース管理、パフォーマンスチューニング、トラブルシューティング、バックアップ/リカバリ、およびディザスタリカバリ、Oracle、SQL Server、またはその他のデータベースに関する知識などがそれらに該当します。特に今後ビッグデータ時代やAI時代が到来することで、データベースエンジニアの需要は高まると予測されております。 Azure AI Engineer Associateでは構造化および非構造化のデータシステムのデータを、分析ソリューションの構築に適した構造に統合、変換する分野の専門知識が必要とされます。

三つ目がAzure IoT Developer Specialtyとなります。 Azure IoT Developer SpecialtyはIoTソリューションのクラウドとエッジの部分を構築および維持するために必要な構成およびコーディングタスクを実装する分野の専門知識が必要な資格とされております。ここでは、物理デバイスのデプロイ、クラウドサービスを使用したそれらの構成と保守、デバイスのライフサイクル全体を通しての構成の維持とトラブルシューティングなどの責任があります。 Azure IoT開発者は、デバイストポロジ、接続、診断と監視、セキュリティなど、IoT ソリューションの設計仕様の実装の責任も負っています。そのためIoTソリューションに関する幅広い知識と正しい理解が求められます。 AIとIoT、あるいは本文でも説明させていただきましたデータベースは大きな関連性がありますのでAIエンジニアとしてキャリアアップするためには IoTに関する理解は必須と言えるでしょう。
IoTについても簡単に説明させていただきます。 IoTは電子機器とセンサーが組み込まれた物理オブジェクトのネットワークであり、データの収集と交換を可能にします。このデータはセンサーによって収集され、ワイヤレスで中央ハブに送信されま中央ハブはデータを分析し、必要に応じて個々のオブジェクトまたは他のデバイスに送り返します。 IoTは、次の3つの主要な要素で構成されています。一点目が環境の変化を検出したり、特定の現象を測定したりできるセンサーです。二点目が接続性です。接続性により特定の場所から別の場所への情報の送信を可能にします。三点目が接続されているすべてのデバイスからの情報を集約できる中央ハブです。 IoTソリューションを正しく実行するためにはこれらの知識を正しく理解しビジネスに活用する必要があります。 Azure IoT Developer Specialtyではさまざまなツールや手法を使用して、セキュリティで保護され、準拠しているデータ処理パイプラインを構築および維持するための知識が必要となります。また、Azureデータサービスと言語を使用して分析用にクリーンおよび拡張されたデータセットを格納および生成しIoTソリューションに活用するための理解がAzure IoT Developer Specialtyでは必要とされます。 Azureデータエンジニアは、特定のビジネス要件と制約のセットの下で、データパイプラインとデータストアの高パフォーマンス、効率性、整理、信頼性を確実にすることが求められます。 Azureデータエンジニアは正しい理解を行うことで不当な問題に迅速に対処し、データ損失を最小限に抑えすことが可能となります。それだけでなくAzureデータエンジニアは、データパイプラインのニーズに合わせて、データプラットフォームの設計、実装、監視、最適化を行います。 Azure IoT Developer Specialtyはそれらの知識を体系的に学習することが可能です。

Azure AIとIBM Watsonについて

Azure AIと関連性の高いサービスとしてIBM Watsonを紹介させていただきます。 IBM Watsonは、自然言語処理と機械学習を使用してさまざまなタスクを支援するコグニティブ・コンピューティング・プラットフォームであり、AIの分野でトップクラスのシェアと精度を誇るサービスです。 IBM Watsonの優れた点は人工知能のテクノノロジーの高さだけでなく、そのサービスを非エンジニアや専門的な知識のない方まで幅広く利用することができるようにした点です。さらに、多くの機能を備えており、ユーザーが必要とする分野の機能を搭載しているため組み合わせてサービスを利用することで非常に高品質なサービスを利用することができる点です。
IBM Watsonを提供するIBMについても簡単に説明させていただきます。 IBMは、コンピューターおよび関連するソフトウェア、ハードウェア、およびサービスの製造を専門とする多国籍企業であり、100年以上の歴史を誇る企業としてテクノロジーの分野でリーダーを務めてきました。 IBMは1911年にThomasJ.WatsonSr.とCharlesR.Flintによって「InternationalBusinessMachines」（IBM）として設立されました。当初、データ処理用の集計機の製造に携わっていましたが、1964年にIBM System / 360シリーズのコンピューターを発表したときに、その範囲を拡大して汎用コンピューティング機を製造しました。 IBM System / 360 Model 91は、1964年に導入されたメインフレームコンピュータシステムでした。これは、1年前にリリースされたIBM System/360と互換性を持つように設計された最初のコンピュータシステムです。36ビットのワード長、16ビットのアドレス・レジスター、および24ビットの命令レジスターがありました。 36ビットのワード長が選択されたのは、以前のモデルよりもメモリをより効率的に使用でき、メモリサイクルごとにより多くの命令を実行できるためです。 IBM System / 360 Model 91は、CDC6600の競合製品として1964年に発表されました。機能的には、モデル91は他の大規模なSystem / 360と同じように動作しましたが、内部組織はSystem / 360ラインの中で最も先進的であり、アウトオブオーダー命令の実行をサポートした最初のIBMコンピューターで、オペレーティングシステムとしてOS/360を実行しました。科学アプリケーションの高速データ処理を処理するように設計されています。これには、宇宙探査、理論的天文学、原子物理学、世界の天気予報が含まれていました。 IBM System / 360モデル91は1968年にNASAゴダードスペースフライトセンターで使用され、ユーザー操作で最も強力なコンピューターとして業界で非常に話題となりました。 1秒あたり最大1660万の命令を実行できるなどの高いパフォーマンスを誇りました、また、CPUは、命令、浮動小数点、固定小数点、およびオーバーラップするメモリユニットとI/Oデータチャネル用の2つのストレージコントローラの5つの自律ユニットで構成されていました。浮動小数点ユニットは命令パイプラインを多用し、 Tomasuloのアルゴリズムを実装しました。 IBMの本社は、米国ニューヨーク市のマンハッタンのミッドタウンにありますが最大の開発センターは、インドのシリコンバレーであるバンガロールの近くにあります。 IBMの最大の特徴は20万件を超える特許のポートフォリオを持つ世界有数のテクノロジー企業であるという点となります。ただ、製品を開発しユーザーに提供するだけでなく、100年以上も常にテクノロジーの最先端を誇るサービスの裏付けという見方もできるでしょう。
その集大成と言えるのがIBM Watsonとも言えます。また、IBMが開発したスーパーコンピューターである「ディープブルー」が1997年にチェス世界王者であるガルリ・カスパロフに勝利したことは当時大きなニュースとなりました。「ディープブルー」はIBMが2011年に創立100周年を迎えるにあたりインパクトのあるプロジェクトを立ち上げる目的で開始されました。米国の人気クイズ番組「ジョパディ！」への挑戦であり、これがIBM Watsonの歴史のスタートです。研究が始まったのが2006年であり、2007年には世界中のIBMの技術者が集結し総力をあげ、2011年に「ジョパディ！」で優勝することとなった歴史を持ちます。「ディープブルー」のAIを非常に強力なものにしたのは、AIを学習し適応する能力でした。 AIがチェスで人間を打ち負かすのは時間の問題だったと言われておりますがそのブレークスルーを担ったのが「ディープブルー」で、従来のコンピューターシステムとは違ったアプローチを行い成功に至ったと考えられております。従来のコンピュータはデータベースで属性が完全に合致したものを正答として返すという作業を行っていたのですが、この方法だと簡単な質問に対しては迅速に正確性をもって回答できますが、複雑な質問になってしまうと精度が低い回答しか得ることができません。 IBM Watsonは従来の方法でなく断片的な情報をたくさん集めその中から候補を絞りこんでいくという方法をとったのです。この考え方はIBM Watsonの基本的な考え方となっており、データベースやプログラミング言語は動作条件を指定することで正しい回答を返し動作を実行します。人間においては断片的な情報をインプットするとそれを経験や感覚によって処理しております。この部分をビッグデータの膨大なデータを活用することにより、判断の精度を上げることや支援するということが可能になります。
また、「ディープブルー」と人間の違いについても理解する必要があります。「ディープブルー」は、以前の動きの結果に基づいて決定を下すことができる自己学習アルゴリズムでプログラムされました。一方、人間は、時間の経過とともに得られた直感と知識に大きく依存しているため、そのような意思決定を行うのにそれほど効率的ではありません。ガルリ・カスパロフを倒すために、ディープブルーは、過去のゲームからの1,000万のチェスゲームと、カスパロフが行う前に次の動きを知ることができるカスパロフのプレイスタイルを分析する必要がありました。以上が簡単ではありますが「ディープブルー」に関する説明となります。

IBMの市場への影響は、ビジネスの世界に多くの変化をもたらしました。彼らの革新的なソリューションは新しい市場を創造し、ビジネスの運営方法を変えてきました。また、コスト削減と生産性の向上という点で、ビジネスに多くの新しい機会をもたらしました。 IBM Watsonは、企業、政府、医療、教育の各セクターで使用されるさまざまなサービスとソリューションを提供しています。 IBM Cloudで見つけることができるアプリケーションを開発するために、190か国の100,000人を超える開発者によって使用されています。 IBM Watsonは、ビッグデータと分析を利用して顧客の行動に関する洞察を提供するために開発されました。企業が顧客をよりよく理解するのに役立ち、最終的にはより良い顧客体験につながります。 IBM Watsonの提供するAIアシスタントは多くの業種に変化をもたらしていることで知られております。特にマーケティングに関しては莫大なデータを基に緻密な分析を実行することができるようになりました。具合的にはマーケティングのパーソナライズ、AI広告、AIマーケティングプラットフォームの3つの方法でマーケティングを変えています。
一点目のユースケースは、パーソナライズされたマーケティングです。 AIアシスタントの助けを借りることで顧客の好みやニーズに基づいて、どの製品またはサービスが顧客に最も関連性があるかを見つけることができます。ブランドに合わせた戦略を立てるのにも役立ちますが、特にオンラインショッピングにおいては実に多くのデータを取得することが可能であり、企業のマーケティング戦略を加速します。いうまでもなくオンラインショッピングは、バイヤーが幅広い小売業者から商品やサービスを購入できるようにする電子商取引の一形態です。オンラインショッピングは何十年も前から存在していますが、過去20年間で爆発的に普及しました。その台頭は、検索エンジンとソーシャルメディアプラットフォームの出現によって促進されました。これにより、ユーザーは特定の商品を探している場合でも、単に閲覧している場合でも、商品を簡単に見つけることができます。従来であればユーザーのデータは実に限定的な情報に限られておりましたが、AIの登場により実に精度の高い分析を実行することができるようになり、これらは企業だけでなくユーザーにとっても大きなメリットをもたらすでしょう。 2番目のユースケースはAI広告です。 AIアシスタントの助けを借りて企業はより関連性の高いさまざまな広告をターゲットオーディエンスに確実に届けることができます。これは、ブランドのカスタマイズされた戦略を開発するのに役立ちます。 AI広告は、デジタル広告業界では比較的新しい概念であり従来はなかった概念の一つと言えます。これは、企業が広告を簡単に作成および管理できるようにする自動化されたシステムです。これらのツールは、マーケターがより効果的な広告を簡単に作成できるように設計されています。 AI広告ツールは、より多くのデータを企業に提供することで広告主を支援できます。例えば広告キャンペーンの作成と管理をAIに任せることでマーケティングをより効率的に実行することができます。 AI広告ツールを導入することで、Googleで検索するときに人々が何を探しているかについての洞察を提供し、適切なオーディエンスをターゲットにするのに役立つでしょう、自動化されているため、広告キャンペーンの作成と管理の効率が向上します。このような作業は従来であればマーケッターが個別に設定、管理する内容でした。また、マーケター個人の能力に頼らずより客観的なデータを取得し精度の高い広告を配信することができるという点で革新的と言えるでしょう。 3番目のユースケースは、企業が他の企業と協力してコンテンツを一緒に作成し、ソーシャルメディアや電子メールなどのさまざまなプラットフォーム間で共有できるAIマーケティングプラットフォームです。以上がIBM Watsonの広告およびマーケティング分野での説明となります。

IBM Watsonの大きな特徴がそのサービスの豊富さとAPI機能です。 IBM Watsonでは「Watson Assistant」「Watson Discovery」「Watson Natural Language Understanding」「Watson Speech to Text」「Watson Text to Speech」など様々なAPIが準備されており、目的に応じて利用することができます。 AIは大きく分類すると言語系、画像系、音声系、制御系などいくつかに分類されますが IBM Watsonは様々な分野のAPIを準備しておりプラットフォーム上で利用することが可能となります。代表的なサービスが「Watson Assistant」となります。 Watson Assistantは、企業がデータを理解するのに役立つ自然言語処理ソフトウェアです。これは、人々が関連情報を見つけ、リアルタイムで洞察を生み出すのに役立ちます。言語系に分類され、高品質なインテリジェントな仮想エージェントとして、高機能かつ高品質なチャットボット機能を提供したり、堅固なトピック理解力、AIを活用したインテリジェントな検索力を活用し正しい回答を導き出したりします。 WatsonAssistantはIBMCloudで利用可能で、インターネット接続があればどこからでもアクセスできます。このソフトウェアは、顧客の洞察の発見、コンテンツのアイデアの生成、大量のデータセットに基づく意思決定など、さまざまな目的に使用できます。チャットボットはAI時代を代表するサービスとも言え、ユーザーの質問に対してリアルタイムの自然言語処理（NLP）により高速に処理し回答を実行することが可能となります。また、これらのサービスは大量のユーザーを抱えるwebサイトやコールセンターなどあらゆる企業において導入されており、サービス品質向上の支援を実施することができます。
また、「Watson Discovery」も非常に有名なサービスの一つです。 Watson Discoveryはテキストの検索や活用を行うためのAIであり、様々なビジネスシーンにおいて活用することが可能です。企業がこれまで不可能だった方法でデータを理解するのに役立つ自然言語処理ツールです。今日、私たちは非常に多くのデータに囲まれています。ソーシャルメディアの投稿や電子メールからオンライン取引や電話まで、すべてがそこにあります。企業は、収集した情報に基づいてより適切な意思決定を行えるように、このデータを理解する方法を模索しています。 Watson Discoveryは、機械学習アルゴリズムを使用して自然言語クエリを分析することにより、企業が非構造化データから洞察を発見するのに役立つインテリジェントなプラットフォームです。このシステムは、組織が新しいビジネスチャンスを見つけ、競争上の優位性を獲得し、業界の将来を予測するのに役立ちます。以上がIBM Watsonに関する説明とさせていただきます。

まとめ

いかがでしたでしょうか？ Azure AIについて解説させていただきましたので、参考にしてみてください。