Python で儲かる AI をつくる

見込み客、土日の需要、商品リコメンド…
営業、マーケティングが劇的に変わる
業務に本当に役立つ“儲かる AI”を自分で作る!

◆数学なしでアルゴリズム選びもチューニングもわかる
◆現場目線で AI の最適化までできる
◆ブラウザだけで試せる Python 実習 (Google Colab)
◆XGBoost、Prophet など話題の AI 技術を活用
◆全 Python コードを Google Colab 用の Notebook 形式で用意
＜機械学習のための Python 入門講座＞つき!

業務に本当に役立つ“儲かる AI”を作るには
「業務目線」と「技術目線」の両方が必要です。

業務の課題を認識し、どう改善するかという「業務目線」が必要なのは
従来システムと同じですが、AI の構築ではさらに
業務の課題が本当に AI で解決できるのか、AI のどの処理方式なら適用できそうか
という「技術目線」が不可欠なのです。

本書の Python 実習で学ぶことで、「AI の目利きができる技術目線」を獲得し
自分でも AI を作れるようになります。

1 章 業務と機械学習プロジェクト
2 章 機械学習モデルの処理パターン
3 章 機械学習モデルの開発手順
4 章 機械学習モデル開発の重要ポイント
5 章 業務要件と処理パターン
・営業成約予測 (分類)
・天候による売り上げ予測 (回帰)
・季節などの周期性で売り上げ予測 (時系列分析)
・お薦め商品の提案 (アソシエーション分析)
・顧客層に応じた販売戦略 (クラスタリング、次元圧縮)
6 章 AI プロジェクトを成功させる上流工程のツボ

見込み客の絞り込み、土日の需要の読み、商品のリコメンドといった営業やマーケティングの課題に、自分の手で作った AI を当てはめるための入門書が『Python で儲かる AI をつくる』です。著者は赤石 雅典、発行は日経 BP (発売は日経 BP マーケティング) で、2020 年 8 月に刊行されました。版元の紹介文が掲げる軸は、業務の課題をどう改善するかという「業務目線」に加えて、その課題が本当に AI で解けるのか、どの処理方式なら当てはまりそうかを見極める「技術目線」を、Python の実習を通じて身につけることです。数学を使わずにアルゴリズムの選び方とチューニングまで分かることも、紹介文の柱の 1 つに挙げられています。

全 6 章の構成、5 つの業務の題材と処理パターン

目次は 6 章です。1 章「業務と機械学習プロジェクト」、2 章「機械学習モデルの処理パターン」、3 章「機械学習モデルの開発手順」、4 章「機械学習モデル開発の重要ポイント」でプロジェクトとモデル開発の基本を押さえ、5 章「業務要件と処理パターン」で具体的な題材に入ります。5 章の題材は、営業成約予測 (分類)、天候による売り上げ予測 (回帰)、季節などの周期性で売り上げ予測 (時系列分析)、お薦め商品の提案 (アソシエーション分析)、顧客層に応じた販売戦略 (クラスタリング、次元圧縮) の 5 つで、どれも業務の言葉と手法の名前が対になった見出しです。6 章「AI プロジェクトを成功させる上流工程のツボ」で締めくくられ、最後の章が上流工程に充てられている点に、作る技術より「何を作るか」の判断を重く見る本書の姿勢が表れていると読めます。実習はブラウザーだけで動く Google Colab を使い、Python のコードはすべて Colab 用の Notebook 形式で用意されています。紹介文によれば XGBoost や Prophet といった技術も使われ、機械学習のための Python 入門講座も付いています。

業務の課題を処理パターンへ結び付ける目利き

機械学習 を業務に使う場面でつまずきやすいのは、モデルの作り方より前の、課題をどの型の問題として扱うかという段階です。成約するかしないかを当てたいなら分類、売上の金額を当てたいなら回帰、曜日や季節で上下する数字の先を読みたいなら時系列分析、一緒に買われやすい商品を見つけたいならアソシエーション分析、正解のラベルが無い顧客データから似た層をまとめたいならクラスタリング、というように、問いの形が決まれば使える手法の候補はかなり絞られます。本書の 5 章が題材ごとに手法の名前を併記しているのは、この対応関係を業務の側から引けるようにするためと読めます。XGBoost は決定木を積み重ねる勾配ブースティングの実装で表形式のデータに強く、Prophet は傾向と季節性を分けて扱う時系列予測のライブラリで、どちらも業務データの予測で使われる場面の多い道具です。なお本書は 2020 年の刊行で、Colab の画面や各ライブラリの版は刊行時点のものを前提にしているため、手元で動かすときに細かな書き換えが要る可能性は見込んでおくのが安全です。

IBM で研究と製品の現場を経た著者、向く読者と向かない読者

刊行時の著者紹介によれば、赤石 雅典は東京大学工学部計数工学科を卒業し、同大学院の修士課程を修了後に日本 IBM へ入社しました。東京基礎研究所での数式処理システムの研究開発、SE 部門でのシステム設計と構築、スマーターシティ事業を経てワトソン事業部へ移り、データサイエンス系製品の技術セールスとして活動しているほか、京都情報大学院大学の客員教授も務めています。向いているのは、手元に営業や販売のデータがあり、それを予測や施策に使えないかを自分で確かめたいエンジニアや、業務の側から AI の企画に関わる人です。Python 入門講座が付いているので、Python に慣れていない段階でも取りかかれます。逆に、目次に並ぶ処理パターンは表形式の業務データを想定したものと読めるため、画像認識や文章の生成を学びたい人には目的がずれます。手法の裏にある数式まで理解したくなった場合は、同じ著者の『最短コースでわかるディープラーニングの数学』 (日経 BP) や、機械学習に必要な数学の本の選び方 で挙げている本へ進む道があります。分野全体の本の地図は 機械学習とディープラーニングの本の選び方 にまとめています。

「AI で何かできないか」と言われて、どこから手を付けるべきか判断できずにいる人にとって、業務の課題と手法の対応を 5 つの題材で一通り体験できる本書は、企画の段階から自分で検証できる側に回るための一冊です。