データを持っていれば、機械学習において、大きなアドバンテージを取れる。それを真に受けて、試してみました。
チュートリアルが用意されていますので、それにデータを入力すれば、「なるほど」という感じくらいの結果はでます。

問題はそこからです。

性能を上げるにはどうしたら良いのかの試行錯誤がはじまるのです。
データの設計、ニューラルネットワークの設計、学習と評価のトライアンドエラーを繰り返すのです。膨大なエネルギーが必要です。

データにおいては、まずはデータのクレンジングが必要です。データが大量にあってもほとんど使えないということも多々あります。そうなると、データの入手方法から考えなくてはならなくなります。また、使えるデータであっても、教師データに加工する必要がある場合もあります。この作業にも非常に工数がかかります。

ニューラルネットワークの設計では、検索が鍵になります。事例を参考にしながらの試行錯誤です。論文に当たれば、たくさんの有用な情報があるとは思いつつも、そこまでは手が回りません。

学習においては、コンピュータリソースの問題もありますが、効率的な学習を行う必要があります。毎回、全データで検証していたら、コンピュータも時間もいくらあっても足りません。

評価においては、何を基準値にするかを明確にしてから進めないと、学習結果を評価することが困難になります。定量的に測れる指標が必要です。

どれも一筋縄ではいきません。

それでも、企業としては、この技術に取り組まないわけにはいかないような状況になっていると思います。実際に、機械学習を使ったサービスは増え続けています。

企業ですから、現実の課題に対して、時間を切られての取り組みでありながらも、成果を出さなくてはなりません。しかしながら、やってもやっても不安が残るのではないでしょうか？「果たしてこれが最適解なのだろうか？」と。

一方、研究者は、自ら研究するとともに海外の最先端技術にも学会への参加や論文を通して精通してます。

そのような状況を踏まえ、苦労して学んだ経験値と最先端の知識を併せ持ち、さらに実行力のある組織があれば、そこには大きな価値があるのではないかと考え、マシンラーニング・ソリューションズを設立しました。