AIBR プレミアム
拓海先生、最近うちの現場で『データはあるが何を作れば良いか分からない』という話を聞きまして、何か使えそうなフレームワークがあると聞きましたが、それって具体的にどういうものですか。
素晴らしい着眼点ですね！InfoPosという考え方は、現場にある『知識の量』と『データの量』を縦横に見て、最適な機械学習（Machine Learning、ML）要素を選ぶための指針なんですよ。
つまり現場にデータはあるけど、そのまま使えるか分からない場合に、どの工程や手法を優先するかを示してくれるという理解で合っていますか。
大丈夫、要点を3つで説明しますね。1) 現場の『知識』と『データ』の状態をマッピングする、2) その位置に応じて候補となるデータ加工やMLアルゴリズムを提示する、3) 最終的にコストと効果の見積りを出す、という流れです。
なるほど。で、実際にうちのような古い設備でも使えるものなんでしょうか。投資対効果（ROI）が見えないと踏み切れません。
素晴らしい着眼点ですね！まずは小さく試す設計が前提です。InfoPosは『どこを強化すれば効果が出やすいか』を教えてくれるため、限られたデータや知識でも費用対効果の高い施策から着手できますよ。
具体的には、どの段階でエンジニアや外注に頼むべきで、どの段階なら社内で小さく試せるのですか。
良い質問です。1) データ前処理や特徴抽出は小さく社内で試せる場合が多い、2) モデル選定と評価は社内での確認後、外注で拡張する、3) 本番運用のインテグレーションは外部の支援が効率的、という具合に段階を分けられます。要は段階ごとの『勝ち筋』をInfoPosで可視化するのです。
これって要するに、うちにある『どれだけのデータが使えるか』と『現場にどれだけの知見があるか』を図で表して、そこに応じた手順を教えてくれる道しるべ、ということですか。
まさにその通りですよ！今日は要点を3つにまとめます。1) InfoPosは『情報の位置（Information position）』で設計選択を導く、2) 実データと知識の組合せに基づき、最も効果的なデータ処理とMLアルゴリズム候補を提示する、3) 小さく試しつつ費用対効果を評価できる仕組みです。大丈夫、一緒にやれば必ずできますよ。
わかりました。ではまずは小さくInfoPosで図にしてみて、そこから投資判断をしていきます。今日はありがとうございました、拓海先生。
素晴らしい着眼点ですね！次回は実際のデータを一緒に見て、InfoPosでの位置決めをやってみましょう。大丈夫、一緒にやれば必ずできますよ。
