AIプラットフォームとは？種類やメリットから有名製品の活用事例まで紹介

最終更新日:2024/04/08

近年はAI技術の発展が著しく、さまざまなシーンでAIが活用されるようになりました。AIを活用することで、サービスの品質向上や業務効率化といった成果に繋げている企業も増加しています。そのため、これからAIの導入を検討していくという企業も少なくないでしょう。

ただ、予算が限られる企業の場合、「AIの開発・導入にかかるコスト」を一つのハードルと考えるケースも少なくありません。そういった企業に最適なサービスとして、最近ではAIプラットフォームに注目が集まっています。

今回は、AIプラットフォームの種類やメリット、活用事例などを詳しくご紹介していきますので、ぜひ参考にしてみてください。

AIモデル作成のサービス比較と企業一覧

AIプラットフォームとは

AIプラットフォームは、AI開発において必要となるソフトウェア、サービスなどを備えている基盤のことです。AIの学習データや機械学習モデルなどに関連する機能や、膨大なデータの処理を行うための環境を提供しています。利用するアプリケーション環境では、機械学習が事前に用意されているため、1からAIの開発を行う場合よりもスピーディーにAI開発を行えるのです。

基本的にAIプラットフォームを利用する場合は、データ解析に用いるための元データが必要となりますが、AIプラットフォームの中にはサンプルデータがあらかじめ用意されているものもあります。そのため、データが少ない企業であってもスムーズにAI開発を行うことが可能です。

AIプラットフォームの種類

AIプラットフォームには主に2つの種類が存在します。「PaaS系の総合型AIプラットフォーム」と「特化型AIプラットフォーム」です。

PaaS系の総合型AIプラットフォーム

PaaS（Platform as a Service）系のAIプラットフォームとは、AIの開発に必要となる環境がすべて用意されているサービスのことです。アプリケーションを稼働するために必要となるハードウェアやOSに加え、膨大な量のデータを学習したAIモデルが用意されているので、AI開発の経験が少ない企業であってもスピーディーに開発を進めていくことができます。

特化型AIプラットフォーム

特化型AIプラットフォームとは、特定の業界向けや特定の機能にフォーカスしたプラットフォームのことです。その例としては、医療分野の画像診断、小売・物流の在庫仕分け、金融・保険の自動与信審査などが挙げられるでしょう。業界によって、必要とされる機能は異なります。必要となる特定の機能がある場合には、特化型AIプラットフォームを利用するのが最適といえるでしょう。

コンサルタントにAIモデル開発について無料相談する

従来のAI開発の課題（デメリット）

従来の方法でのAI開発を検討している企業も多いでしょう。AI開発の経験が豊富な企業であれば、従来のAI開発でも特に問題はありません。しかし、AI開発の経験が少ない企業にとって、従来の方法でのAI開発は多くのデメリットが生じます。具体的にどのようなデメリットがあるのか、見ていきましょう。

費用が高い

従来の方法でAI開発を行う場合、すべての準備を自社で1から進めていかなければなりません。つまり、多くの時間とコストを費やしがちな「データ収集」の作業も自社で行わなければならないということです。

AIプラットフォームの中には、あらかじめデータが学習されたモデルを提供されるものもあります。しかし、その作業さえも1から行う必要があるため、どうしても人件費が膨らんでしまう傾向にあるのです。専門知識を持つ担当者がいない企業は、特に開発費用が高くなってしまうというデメリットがあることを把握しておく必要があるでしょう。

開発までに時間がかかる

従来の方法でAI開発を行う場合、すべての準備を1から行わなければなりません。AIプラットフォームのように環境が整った状態でスタートできるわけではないため、どうしても開発に時間がかかってしまう傾向にあります。

「いち早くAIを導入し、成果に繋げていきたい」と考えている企業にとって、この時間的なロスは大きなデメリットといえるでしょう。特に、専門知識を持つ従業員が自社にいない場合、さまざまな検証を行い、失敗を重ねながら導入に至るため、相当な時間がかかってしまうことも覚悟しなければなりません。

データ収集が大変

より精度の高いAIを開発するためには、教師データの量と質を高めていく必要があります。そのデータ収集作業に労力がかかってしまう点も、一つのデメリットといえるでしょう。AIプラットフォームの中には、すでにデータが収集されたAIモデルを提供してもらえるものも存在します。

「データ収集に必要となる時間や労力を、別の業務に充てていきたい」という企業の場合、AIプラットフォームを利用したほうが多くのメリットを得られるでしょう。

AIモデル作成の流れ

1.データ収集

AIモデル作成において欠かせないのは、機械学習を行うための学習データを収集することです。機械学習を行うには、まず学習データの準備が必要になります。たとえば、画像を種類（ジャンル）ごとに分類するためのAIモデルを開発する場合、「犬」「猫」「ウサギ」「ライオン」などの正解となるデータが必要になります。その学習データは、分野によって必要な量も異なるため一概にはいえませんが、単純な画像分類を行うのであれば、それぞれのクラスに1,000枚～10,000枚が必要になるでしょう。

なお、従来の機械学習の場合、一定数のデータを取り込んだ後は精度の向上が期待できなくなります。しかし、深層学習（ディープラーニング）であればデータを増やした分だけ精度が向上していくため、できる限り多くの学習データを準備することが大切になります。

そのため、データ量は多ければ多いほど良いといえますが、データ量の増加はモデルの学習時間を増加させてしまうため、バランスをとりながらビジネスに利用していくことが重要になるでしょう。

AI学習データの活用ガイド！データセットを作成したい人は必見！

2.データ処理

データの収集が終了した後は、そのデータを適切に処理するための機能を構築していく必要があります。それがアノテーションという作業です。

アノテーションとは、「注釈」という意味を持つ英語です。要するに「意味を与える」ということなのですが、ビジネスの場においては「データ活用」の際に利用されることが多い傾向にあります。そのため、IT用語としては「あるデータに対してタグやメタデータなどの情報を与えること」と定義されるのが一般的です。

そんなアノテーションですが、近年はビッグデータ関連のサービスやAI市場が勢いを増しているという背景もあり、アノテーションの需要も高まりつつある状況です。アノテーションは、対象となるデータに「意味を与える」という極めて重要な業務であり、大量のデータを分析していく上では欠かせません。

ちなみに、アノテーションが深く関わっているビッグデータについては、明確な定義があるわけではありません。ただ、一般的には「さまざまな種類・形式が含まれている巨大なデータ群」を指します。厳密には、「構造化や定義化が行われておらず、日々リアルタイムで生成されていく大量のデータ群」ということになるでしょう。

3.モデル構築

データ処理の作業が終わったら、次にモデル構築を行っていきます。モデル構築にはさまざまな種類が存在するため、分析の目的に応じて最適なモデルを選択することが大切です。

主なモデルの種類としては、以下のようなものが挙げられるでしょう。

ロジスティック回帰
サポートベクターマシン（SVM）
多層パーセプトロン（MLP）
二分探索（binary search）
k近傍法（K-NN）
ランダムフォレスト
CNN
RNN
LSTM

たとえば、画像の識別を目的としているのであれば、CNNが最適なモデルといえます。言語解釈を目的としているのであれば、RNNやLSTMが最適なモデルといえるでしょう。

4.再学習

モデル構築が終了すれば、実際にAIモデルを運用していくことが可能になるわけですが、一度モデル構築を終えればすべてが終了するわけではありません。効果的なAIを活用し続けるためには、継続的な再学習によってアップデートを繰り返していく必要があるからです。

こういった考え方のことを、MLOpsと呼びます。MLOpsとは、DevOpsとML（Machine Learning : 機械学習）を組み合わせた造語です。例えば20代に売れていた商品が、時間の経過に伴って30代に売れるようになることもあるでしょう。その場合、20代に売れることを予測していたモデルの性能は劣化してしまいます。こういった「変化」にも柔軟に対応していくためには、AIモデルの再学習を定期的に行っていくことが大切になるのです。

DevOps：「開発」と「運用」を組み合わせた造語。開発担当者と運用担当者が連携して協力する開発手法。

AIプラットフォームを導入するメリット

AIプラットフォームを導入すると、どのようなメリットが得られるのでしょうか。具体的なメリットについて詳しく見ていきましょう。

低コスト

1つ目のメリットとして挙げられるのは、「低コストに抑えられる」という点です。自社で1からAIを開発する場合、専門知識を持つエンジニアの人件費が必要になります。また、構築に時間を要するため、時間的なコストも費やさなくてはなりません。

AIプラットフォームの場合、使用料こそ発生しますが、自社開発と比べればコストを抑えられるというメリットがあります。また、構築済みのAIモデルが提供されるため、時間的なコストも大幅に削減することができるでしょう。

スモールスタート

スモールスタートを実現できるという点も、AIプラットフォームのメリットの一つです。企業によって事業の規模は異なるため、いきなり大規模での実施に抵抗がある企業も多いでしょう。

その点、AIプラットフォームであれば、「まず小規模でAIを活用し、効果を確認してから規模を拡大していく」といった柔軟な使い方が可能です。効果を確認した上で予算を拡大しながらAI活用を進めていくことができるのは、予算が限られる企業にとって大きなメリットといえるでしょう。

ノーコード

企業によっては、専門知識を持つエンジニアが不足しているケースもあるでしょう。自社開発を行う場合、専門知識を持つエンジニアは必要不可欠になるため、人件費がかかってしまいます。しかし、AIプラットフォームであればプログラミングの知識がなくても導入できる環境が整っているため、専任のエンジニアを必要としません。

ノーコードでAIを導入できるという点は、エンジニアが不足している企業にとって大きなメリットといえるでしょう。

総合型AI開発プラットフォーム一覧と活用事例

現在は、さまざまな企業がAI開発プラットフォームを提供しています。まずは、代表的な総合型AI開発プラットフォームと、その活用事例をご紹介していきますので、ぜひ参考にしてみてください。

IBM Watson

（参考：IBM Watson (ワトソン）- ビジネスのためのよりスマートなAI – 日本 | IBM）

最も代表的なAIプラットフォームとして挙げられるのが、IBM Watsonです。IBM Watsonは、アメリカのコンピューター関連製品（サービス）を取り扱っている「IBM」によって開発された質問応答システムのことです。AI（人工知能）として紹介されるケースも多々あるのですが、IBMによると、厳密には「拡張機能（Augmented Intelligence）」という枠組みになるといいます。また、名前の由来はIBMの実質的な創業者トーマス・J・ワトソンの名前であり、機能や仕組みなどを表しているものではありません。

Watsonの大きな特徴として挙げられるのは、人間では難しいとされる膨大な量のデータも扱うことができ、そのデータを学習して回答の精度を高めていくことができるという点です。そのため、学習するデータの量が増えていくにつれて、難しい内容の文章もしっかりと理解し、回答することができるようになるのです。

また、総合型AI開発プラットフォームということもあり、音声認識や画像認識、正確分析といったさまざまな目的で活用できるのも特徴のひとつです。そんなIBM Watsonの代表的な導入事例としては、バーチャルアシスタントに活用したJALが挙げられるでしょう。

日本航空（JAL）とIBMは、業務でのAI活用の可能性を探るため、赤ちゃん連れの家族を対象にしたIBM Watsonによるハワイ旅行のバーチャルアシスタントを開発しました。

チャットボットの「マカナちゃん」というキャラクターを軸に、ユーザーとコミュニケーションをとるスタイルが生まれました。「マカナ」はハワイ語で「贈り物」という意味があり、ハワイで離乳食を入手するための方法について答えたり、機内サービスで離乳食を依頼する方法に答えたりと、赤ちゃん連れの顧客が持つ悩みを解消するためのサービスになっています。マカナちゃんの開発にあたって、まずは想定される会話を2,000～3,000パターン収集し、それをベースに回答を組み立てていきました。そして、マカナちゃんによるバーチャルアシスタントを2016年12月から2カ月間の期間限定で公開したところ、機械学習によって回答率が8割まで向上したという結果が得られたのです。

IBM Watson（ワトソン）をわかりやすく解説！

Amazon Web Services（AWS）

（参考：アマゾンウェブサービス（AWS クラウド）- ホーム）

アマゾンはAIを積極的に活用する動きを見せている企業の一つであり、産業界から多くの注目を集めています。そんなAmazonが提供しているAmazon Web Services（AWS）も、代表的なAIプラットフォームの一つといえるでしょう。

Amazon Web Services（AWS）では、さまざまなサービスが提供されており、多くの企業がそのサービスを活用しています。代表的なものとしては、画像・動画の解析サービスである「Amazon Recognition」が挙げられるでしょう。

これは、動画や画像の中から特定の人物を判別したり、動きの解析を行ったりするサービスとなっています。この「Amazon Recognition」も料金は従量課金制となっており、最初の利用から12ヶ月間は「1ヶ月1,000分」まで無料で動画解析を行うことが可能です。

Google Cloud Platform（GCP）

（参考：利用を開始する – Google Cloud Platform）

Googleが提供しているGoogle Cloud Platform（GCP）も、代表的なAIプラットフォームの一つです。Google Cloud Platform の大きな特徴としては、Google社で利用している技術やインフラと同じものを利用できる点が挙げられるでしょう。

現代の検索エンジンの中心ともいえる「Google検索」はもちろん、Google MapやYouTubeといったものと同じ環境が利用できます。また、Googleが提供している世界最大規模のネットワークを利用できる点も大きな魅力の一つです。

さらに、そのネットワークも負荷分散されているので、通信障害が起こるリスクは抑えられています。その上で、高速通信も実現されているので、非常に環境の整ったプラットフォームといえるでしょう。

なお、AI開発においては「画像認識」「画像検索」「翻訳」「生産性向上」といった目的で活用されるケースが多いです。Googleの提供するcloud AIプロダクトには、さまざまなサービスが含まれているため、幅広い分野での活用が期待できるでしょう。

Salesforce Einstein

（参考：ビジネスにAIの力を – Salesforce Einstein | セールスフォース・ジャパン）

「Salesforce Einstein」とは、株式会社セールスフォース・ドットコムが開発した機械学習技術のことです。2018年に、「Sales Cloud Einstein」という営業支援アプリケーション内で「Salesforce Einstein」を活用した新機能「Einstein売上予測」が発表され、実用化に至っています。

そんなSalesforce Einsteinでは、機械学習の代表的な機能として以下のようなものが利用可能です。

Einstein Discovery

Salesforceの内部もしくは外部のさまざまなデータから、営業活動につながるパターンを発見し、生産性を向上させるための機能です。AIが問題点を洗い出してシンプルな形で解決策を提案してくれるため、Salesforce内で対策を行っていくことができます。

Einstein予測ビルダー

離れていく顧客の数やライフタイムバリューなど、営業における成果を予測する機能です。コーディングの必要がなく、クリック操作だけでAIモデルを作成できるため、専門的な知識を持ち合わせていない担当者でもしっかりと活用できるでしょう。

Einstein Next Best Action

アプリ上にレコメンデーション（おすすめ）を提示することができる機能です。提示するレコメンデーションの定義づけやルール作成、予測モデルを構築してレコメンデーションを表示させることで、ユーザーにより効率良く使用してもらえるようになります。

実際にSalesforce Einsteinを導入し、成果に繋げている企業も多く存在します。例えば、アメリカのU.S. Bankでは、法人向けの営業において「Salesforce Einstein」を活用したことにより、営業での成約率がこれまでと比較して2.35倍に高まったそうです。

Microsoft Azure

（参考：クラウドコンピューティングサービス | Microsoft Azure）

Microsoft が提供している「Microsoft Azure」も、多くの企業で活用されているプラットフォームの一つです。Azureには、AIの開発を行う機能や利用を簡単にするためのサービスなどが数多く提供されています。Azure AIを使用することによって、実績のあるセキュリティで保護され、責任あるAI機能が活用できるという点は大きな魅力といえるでしょう。

たとえば、Microsoft Azure で提供されているサービスの一つであるAzure Machine Learningは、自動化された機械学習とエッジデプロイメント機能を備えたPythonベースの機械学習ツールとなっています。ビジュアルインターフェイスを使用することによって、コーディングを行わずにドラッグ＆ドロップで機械学習を行えるので、専任のエンジニアがいない企業でも気軽に導入することができるでしょう。

SAS

（参考：SAS Viya | SAS）

アメリカのSASが提供しているプラットフォーム「SAS Viya」も多くの企業で導入されています。

プライベートやパブリッククラウドだけでなく、SASクラウド、オンプレミスでも利用できるのが特徴です。また、インメモリーの並列分散によって、データ量やユーザ数に応じた自由なスケールアップ、スケールダウンができるのも特徴といえるでしょう。

DataRobot

（参考：DataRobot – Enabling the AI-Driven Enterprise）

DataRobotは、世界トップクラスのデータサイエンティストの知識やノウハウがふんだんに盛り込まれたAIプラットフォームです。機械学習の予測モデル構築とその運用を得意としています。約3,000種類のモデルの中から、企業にとって最適なモデルを自動で提供してもらえる点は大きな魅力といえるでしょう。

ヘルスケア、流通、製造、金融など、さまざまな分野の企業で導入されていることからも、DataRobotの柔軟性がお分かりいただけるのではないでしょうか。

Vertex AI

Vertex AI は、Google Research が開発した革新的な ML ツールを統合したプラットフォームです。統合された UIとAPI により、機械学習におけるプロセス全体をより効率的に進めていくことが可能になります。機械学習においては、ソリューションを適材適所で使い分けていくというのも一つの手段といえます。ただし、そのような使い分けを行う場合には、連携をスムーズにするための時間やスキルが必要になるわけです。

その点、Vertex AIのようなプラットフォームであれば、機械学習で解決したい本質的な課題解決の時間が削られてしまう心配がありません。さらなる業務効率化を実現できるという点で、大きな魅力のあるプラットフォームといえるでしょう。

MatrixFlow

MatrixFlowは、簡単な操作で機械学習・深層学習（ディープラーニング）のモデルを作成することができるプラットフォームです。こプラットフォームの最大の特徴は「ドラッグ＆ドロップで機械学習・深層学習のモデル構築が行える」という点です。

既に用意されている機械学習・深層学習のレシピをそのまま利用していくことも可能なので、プログラミングの知識が少ない方でも手軽にモデル作成を行えるのです。また、一度作成したモデルはMatrixFlow上で動作確認を行えるため、動作確認の手間も大幅に削減することができます。「人材育成が困難だが、AIモデル作成を行いたい」という場合におすすめのツールといえるでしょう。

ピタゴラスAIクラウド

株式会社アクティブコアが提供する「ピタゴラスAIクラウド」は、プログラミングの必要がなく、データ前処理から予測モデルの構築・運用までを自動で行う最新のAIプラットフォームです。

時系列予測、複数分類、二値予測、画像認識、音声認識などから、自動で最適なアルゴリズムを選んでくれるので、専門知識のない方でも問題なくモデル構築を行うことができます。また、最適なアルゴリズムを自ら選択する手間もないため、業務効率を追求したい企業にとっても大きなメリットが得られるでしょう。

ET Brain

ET Brainは、アリババグループが提供しているAIプラットフォームです。アリババグループではスマートシティ向けの「ET City Brain」なども提供しており、大きな注目を集めています。このET City Brainでは、都市の交通信号や公共交通機関、気象データ、市民のスマートフォンなどからデータを収集し、集約します。そして、アリババ独自のアルゴリズムで処理を行い、交通状況の改善等を実現していくという仕組みが実現されているのです。

ET Brainは、中国の重慶市や江蘇省・蘇州市、マカオ、マレーシアのクアラルンプールなどで導入されており、今後さらに導入の幅が広がっていくことが期待されています。

Neural Network Console

ソニー株式会社が提供する「Neural Network Console」は、「ディープラーニングを活用したい」「AI分野での人材育成を行いたい」といったニーズに応えるために開発された、深層学習プログラム作成プラットフォームです。このプラットフォームの最大の魅力は、やはり「プログラムを書けない人でも気軽にディープラーニングに触れることができる」という点でしょう。

Neural Network Consoleには、初心者でも手厚いサポートが受けられるスターターパックが設けられ、「研修」「テクニカルサポート」の2つが付属しています。そのため、ディープラーニングを初めて学び始めるという人でもしっかりと習得していくことが可能なのです。

より手軽にAIモデルを作成できる上に、ディープラーニングを学ぶまでの環境まで整えられることは大きなメリットといえるでしょう。

分野特化型AI開発プラットフォーム一覧と活用事例

ここまでご紹介してきた総合型AIプラットフォームとは対照的な、分野特化型AI開発プラットフォームも存在します。ここからは、代表的な分野特化型AI開発プラットフォームについて見ていきましょう。

VALIS-Cockpit（マーケティング）

VALIS-CockpitユーザーのWeb行動履歴を分析し、どんな人が（ペルソナ）その商品・サービスを「なぜ？（インサイト）」購入したのか可視化することができるマーケティング特化型プラットフォームです。

ユーザーのWeb上でのアクションに表れる態度変容を定量評価できるため、マーケティング効率を高めたい企業にとって大きなメリットがあるでしょう。

AMATERAS RAY（マーケティング）

（参考：AIによる需要予測とDX推進 AMATERAS RAY｜株式会社aiforce solutions）

AMATERAS RAYは、営業部やマーケティング部担当といった現場担当者でも簡単に使用AIプラットフォームです。わずか数クリックで、最適な予測結果を検証することができるため、専任担当のエンジニアが不足している企業にとって大きなメリットといえるでしょう。

また、現場担当者が最大限AIによる予測分析を行えるように、e-learningプログラムの販売やAI研修を積極的に行っているのも魅力の一つです。

Findability Platform（予測）

Findability Platformは、ビッグデータやCognitive Computing、AIを複合的に活用することで、高精度な予測を実現することができるAIプラットフォームです。プラットフォームで生成された大量のモデルの中から、最適なモデルを予測レコードごとにAIが自動で選定してくれるため、AI導入の手間を大幅に削減することができます。

効率的にAIを導入し、高精度な予測を実現したい企業にとって大きなメリットがあるプラットフォームといえるでしょう。

AimeLytics（予測）

（参考：AimeLytics : 予測分析のプラットフォーム-Aimesoft）

AimeLyticsは、アイメソフトが長年に渡って研究開発を続けてきた「予測分析技術」を集結した予測分析AIプラットフォームです。予測分析とは、過去の実績をはじめとする内部データや環境情報、イベント情報、SNS情報等の外部データを分析した上で、予測していく手法のことです。

そのため、株価予測、交通量予測、顧客行動予測、売上予測、需要予測など、さまざまな業界における「予測」の分野で活躍しています。

talkappi（顧客対応）

talkappiは、顧客対応に特化したAIプラットフォームです。顧客対応が発生するさまざまな業界で、「電話待機時間の削減」や「問い合わせ対応効率化」といった課題解決のために活用されています。

代表的な導入事例としては、「横浜観光情報」サイトが挙げられるでしょう。現在は新型コロナウィルスの影響により、観光のあり方についての見直しが不可欠となっています。「横浜観光情報」サイトでは、言語AIトラベルガイド「talkappi」を通じて、スマートフォンやWebサイト上で、旅行前の情報収集や、旅行中におけるタイムリーかつ効果的な情報収集を実現しているのです。

ABEJA INSIGHT FOR RETAIL（小売業）

ABEJA INSIGHT FOR RETAILは、小売流通業界向けの店舗解析サービスです。株式会社ミック経済研究所が発表した「AI（ディープラーニング）活用の画像認識ソリューション市場の現状と展望【2020年度版】」の「小売・卸売AI市場」「マーケティングAI市場」分野において、シェア1位を獲得したことで大きな注目を集めました。

小売業に特化したプラットフォームということもあり、ネットワークカメラや赤外線センサーなどのIoTデバイスからデータを取得・分析し、来店人数や年齢性別推定といった、小売業に欠かせないデータの可視化が行える点は大きな魅力といえるでしょう。