拡張分析は、機械学習と自然言語処理を用いて、通常は専門家やデータサイエンティストが行う分析プロセスを自動化するデータ分析へのアプローチである。この用語は2017年に、Gartnerの調査論文でリタ・サラム、シンディ・ハウソン、カーリー・イドインによって紹介された。このアプローチはビジネスインテリジェンスと分析に基づいており、データ分析をより利用しやすく効率的にすることを目的としている。
拡張分析では、機械学習アルゴリズムがデータを選別して関係性、傾向、パターンを特定し、固定されたプログラム済みルールに依存するのではなく、データから動的に学習する。自然言語生成は非構造化データを平易な英語で読める言語に変換し、自然言語クエリはユーザーが検索ボックスに入力したり音声で話したりしたビジネス用語を使ってデータを照会することを可能にする。インサイトの自動化は機械学習アルゴリズムを使用してデータ分析プロセスを自動化し、手動介入の必要性を減らす。
データ民主化
データ民主化は拡張分析の主要な目標であり、データの混雑を緩和し、データのゲートキーパーを排除することを目指している。このプロセスは、ユーザーがデータを理解するための方法と並行して実装される必要があり、企業の意思決定を迅速化し、データに隠された機会を発見することが期待されている。データ民主化には3つの側面がある: データのパラメータ化と特性化、ブロックチェーンとDLT技術のOSを使用した独立して管理される安全なデータ交換によるデータの分散化、そして同意市場主導のデータ収益化である。
分散型アイデンティティ管理とデータ所有権のビジネスデータオブジェクト収益化は、データ民主化の採用を加速する2つの機能である。これらにより、個人と組織は複数のネットワークとユースケースにわたって参加者を識別、認証、承認でき、中央管理に依存せずにパーソナライズされたセルフサービスのデジタルオンボーディングをユーザーに提供できる。
ユースケース
拡張分析はさまざまな領域に応用されている。農業では、農家が水使用量、土壌温度、水分含有量、作物の成長に関するデータを収集し、拡張分析はこのデータを理解してビジネス上の意思決定のための洞察を特定できる。スマートシティでは、米国の多くの都市が毎日大量のデータを収集しており、拡張分析はこのデータを簡素化して、交通や自然災害対応を含む都市管理の効果を高める。
分析ダッシュボードでは、拡張分析は大規模なデータセットを取り込み、組織の意思決定を支援する非常にインタラクティブで情報豊富なダッシュボードを作成する。拡張データディスカバリは、組織が潜在的に重要なデータの相関関係や傾向を自動的に発見、視覚化、説明するのに役立つ。データ準備プラットフォームは、将来の分析のために大量のデータを整理およびクレンジングできる。ビジネスでは、拡張分析は売上データ、消費者行動データ、流通データの分析へのアクセスを提供し、意思決定を支援する。
技術的基盤
拡張分析の技術的基盤は、人工知能と深層学習の進歩から引き出されている。ニューラルネットワークアーキテクチャを含む機械学習モデルは、パターン認識と予測分析を可能にする。多くの場合大規模言語モデルによって支えられた自然言語処理機能は、ユーザーが会話型クエリを使用してデータと対話することを可能にする。データ拡張やモデル枝刈りなどの技術は、モデルの効率と堅牢性を向上させる。
これらのシステムは、アマゾンウェブサービス、アジュール、グーグルクラウドなどのプロバイダーからのクラウドインフラストラクチャに依存することが多く、スケーラブルなコンピューティングリソースを提供する。AWSトレイニウムチップやグラフコアプロセッサなどの専用ハードウェアは、トレーニングと推論を加速する。MIT CSAIL、スタンフォードAIラボ、バークレーAI研究などの研究機関は、基盤となるアルゴリズムの進歩に貢献している。
進化と採用
2017年の導入以来、拡張分析はニッチな概念からビジネスインテリジェンスプラットフォームの主流機能へと進化してきた。Gartnerは、2020年までに拡張分析が分析およびビジネスインテリジェンスソリューションの新規購入の支配的な推進力になると予測した。このアプローチは、ビジネスユーザーが特別なトレーニングなしで高度な分析を実行できるようにすることで、データサイエンス人材の不足に対処する。
採用は、データソースの急増とより迅速な意思決定の必要性によって加速されている。農業から都市計画まで、さまざまな業界の組織が拡張分析をワークフローに統合している。この技術は、生成AIとトランスフォーマーアーキテクチャの進歩とともに進化し続けており、自然言語の理解と生成機能を強化している。
課題と考慮事項
その利点にもかかわらず、拡張分析は課題に直面している。データ品質と統合は依然として重要であり、洞察の正確性は基盤となるデータに依存する。組織は、信頼とコンプライアンスを確保するために堅牢なデータガバナンスを実装する必要がある。データアクセスの民主化は、セキュリティとプライバシーに関する懸念も引き起こし、分散型アイデンティティ管理と安全なデータ交換メカニズムが必要となる。
さらに、拡張分析は多くのプロセスを自動化するが、最終的な決定を検証し下すためには人間の監視が依然として必要である。この技術はドメイン専門知識の代替ではなく、人間の能力を拡張するためのツールである。2020年代初頭の時点で、進行中の研究は自動化された洞察の解釈可能性の向上とバイアスの低減に焦点を当てている。