タグ: 機械学習

GoogleがGlassの実証研究を再検討するなか、スタンフォードの研究者らはこの端末を自閉症の子供が感情を認識し、識別するのを助けるために活用している。

スタンフォード大学の事務所ビル内にひっそりと存在する小さなオフィスでCatalin VossとNick Haberは、自宅でも自閉症の治療を続けられるよう、顔を認識してトラックする技術と機械学習を組み合わせる研究を行っている。この Autism Glass Project（自閉症治療のGlassプロジェクト）は、スタンフォード医科大学院のWall Labの取り組みの一つで、月曜日の午前中に研究の第2フェーズをローンチしたと伝えた。

このソフトウェアは機械学習を活用して、Vossが顔の「アクション・パーツ」と呼ぶ特徴を検知して抽出する。

プロジェクトの第2フェーズでは、100人の子供を対象とし、自閉症を自宅で治療するためのシステムの有効性を調査する。Autism Glass Projectのソフトウェアは、端末が向けられた人の顔の感情を識別し、端末を装着しているユーザーに対してその人の表情を言葉で表す。

画像認識を活用して感情を子供たちのために翻訳することは、ほんの最初のハードルに過ぎない。チームが取り組んでいるさらに大きな課題は、子供たちが端末から学び、最終的に端末がなくても良いようにすることだ。

「いつも装着していなければならないものにはしたくありませんでした」とHaberは強調する。

端末がない状態での学習を検証するため、チームはプロジェクトの第1フェーズを昨年ローンチした。その間、研究所内で40の研究を行った。当初、Wall Labは一台のGoogle Glass端末しか所有しておらず研究には制限があったが、Google がさらに35台の端末を寄付したこと、そして今年の6月初旬にはPackard Foundationが37万9408ドルをこのプロジェクトを補助金として寄付したことで状況は好転した。

子供たちとコンピューター画面とのインタラクションを研究した後、チームは子供たちが「周囲の環境と関わる」ことができる第2フェーズを設計したとVossは話す。彼らのチームは、MITのMedia Labが開発した「Capture the Smile（笑顔をつかまえよう）」というゲームを研究に採用した。

このゲームでは、Glassを装着した子供たちは特定の表情の個人を探す。このゲーム内のパフォーマンス、そして動画分析とクイズ内容を合わせてモニタリングすることで、各研究参加者の持つ自閉症の「数量的な自閉症状の表現形」を導き出すことができる。自閉症状の身体的な表れを数値的に観察することで得られるものだ。それを長期間トラックしていくことで、チームは端末を利用することで子供たちの感情認識を助けていることを実証することができるだろう。

研究の第2フェーズは数ヶ月間に渡って行う予定だ。このプロジェクトの独自のテクノロジーにより自閉症の治療プロセスに保護者が深く関わることが可能となる。

「子供が母親にどれくらいの割合で話をしているかや、子供が母親を見ている時間などを知ることができます」とVossは言う。

この研究で子供たちは、Google Glassの端末を日に3回、毎回20分ほど装着する。Wall Labの研究者にとってそれだけの時間でも、子供たちが何を見ているかを分析することで視覚的な関わりが感情を認識するプロセスにどのような役割を果たしているかを深く理解にすることにつながるという。

プロジェクトの第2フェーズはおおがかりのようだがVossと彼のチームにとってこれはまだ多くあるステップの内の最初の方だという。Wallはこの治療法が補償され、広く利用できるようにするためには、臨床データを集め、米国医師会の承認を得る必要があるという。

Wall はこのテクノロジーが広く臨床の場で使用が認められれば、このチームの自閉症治療のボトルネックを広げるという目標を達成できると話す。現在この研究には100名ほどの参加者がいるが、研究を続けることでこれまでにない広範なデータセットを獲得し、ソフトウェアと技術を改良していくことができるだろう。今日から彼らのウェブサイトで、プロジェクトの参加希望者の受け付けを開始している。

彼らのテクノロジーが広まるのはもう少し先のことだが、この技術は自閉症のスーパーヒーローを描いた小説のシリーズにも取り上げられている。Alexei Russell著の「Trueman Bradley」シリーズの2つ目の本で、主人公は感情を「見る」ことができる眼鏡を受け取る。これは、Voss、Haberと彼のチームへの賞賛だ。

「考えてみると、私たちは自閉症の子供たちにスーパーパワーを与えているのとそう違わないようです」とVossは話す。

[原文へ]

（翻訳：Nozomi Okuma /Website/ twitter）

パーソナライズした体験をもたらすアルゴリズムは、昨日選んだものにも、今日選ぶもの、明日選ぶものの全てに影響を与えるようになる。

しかしパーソナライズ化が上手く行っていない所もある。私たちは興味のない、ユーザーの気を引こうとする広告に継続的に出くわす。デジタルのパーソナルアシスタントはそんなにパーソナライズされていない。ニュースフィードの深いアルゴリズムの溝がユーザーと友人を引き離しているし、オンラインで見るコンテンツは同じものがずっと繰り返し表示されている。

パーソナライズのための私たちの偶像は、遊園地の鏡張りの迷路に映る自分の姿のようだ。パーソナライズ化の過程でユーザーは抽象化され、デジタルという鏡に投影されたユーザーの興味関心は実際のものと乖離してしまっている。

パーソナライズ化のために埋めるべきギャップ

現在のパーソナライズされた体験が未完成なのには、5つの主要な要因がある。

データギャップ：これは、アルゴリズムの環境によりユーザーに関するデータが限定されていることで起きる。システムは、ユーザーに提供する体験とそれに対するフィードバックのループの文脈でしか、ユーザーを理解することができない。システムに外部のデータソースからの情報を入力したとしても、ユーザーの興味や好みの一部しか理解することができない。

計算処理ギャップ：計算処理の能力と機械学習テクノロジーの限界を指す。現在最速のシステムでも、複雑な個人をシステムのルールに従って理解するには遅すぎるのだ。同時に、最も先進的な機械学習のソリューションも、コンピューターがユーザーのことを遅滞なく学び、順応するには、まだ十分ではない。

興味ギャップ：ユーザー、プラットフォーム、そしてサードパーティーの関係者（例えば、マーケッター）の意図が合致しないことを指す。つまり、ユーザーが見るものやできることは、誰の興味や好みを元に優先順位が決定されているかという問題だ。ユーザーは広告に興味がないかもしれないが、彼らの意思とは関係なく表示される。誰かがユーザーの注意を引くために料金を支払っているのなら、ユーザーが選べる範囲が狭まるのだ。

行動ギャップ：ユーザーの本当の意図と利用できるものの不一致を指す。例えば、ユーザーは存在していない「これは面白くない」ボタンを押したいと思っているかもしれない。あるいは、特定の画像を今後一切見たくないと思うかもしれないが、そのようにできる方法が存在しないといった場合だ。ユーザーの行動はフィードバックループの限定的な環境に収まるように簡略化されているのだ。

コンテンツギャップ：プラットフォームやアプリケーションにユーザーが求めていることやニーズにぴったり合うコンテンツがないことを指す。また、提供しているコンテンツの多様性が限定的な場合もある。例えば、スポーツニュースやレストラン情報のアプリやウェブサイトは関連するコンテンツがなくなる場合がある。トピックがニッチであるほど、ユーザーにとって継続的に有益なコンテンツが提供されるチャンスは少なくなる。

また、パーソナライズ化の根幹には普遍的なパラドックスが存在している。

パーソナライズ化は、デジタルの体験を個人の興味や好みに適応することを約束している。同様にパーソナライズ化はユーザーに影響を与え、毎日の選択や行動を起こす基準となり、ユーザーを形作っている。複雑でアクセスできないアルゴリズムが、ユーザーの代わりに見えない所で選択を行っている。それらは、ユーザーが認識できる選択肢を減らしている。つまり、個人の裁量を制限しているとも言える。

パーソナライズ化におけるギャップと内在するパラドックスにより、パーソナライズ化は不十分で未完成のままだ。ユーザーにとってアルゴリズムが自分の意図ではなく、他の誰かの意図を汲んでいるように感じてしまうのはそのためだ。

アルゴリズムによるパーソナライズ化の中核に人を置く

パーソナライズにより、個別ユーザーに対して更に良いサービスを提供するためには3つのデザインと開発の道が考えられる。

まず、パーソナライズ化には新しいユーザーインターフェイスの枠組みとインタラクションモデルが必要だ。直接的なアクションやそうでないアクションを効率的に学習してパーソナライズするインターフェイスは、データギャップを埋めることができる。同様に、システムがユーザーがしていることとそうでないことを学習することで、計算処理ギャップも埋まっていく。興味ギャップの問題を解くには、ユーザー自身が表示されるものを直接コントロールできるようにすべきだろう。ユーザー主導で異なるコンテンツやサードパーティーからの関連コンテンツを混ぜることのできるインターフェイスが必要だ。これによりユーザーは、自分に対し表示されているものを知ることができる。システムの透明性は、ユーザー自身が自分の好みを調節することを可能にし、プラットフォームやサードパーティーにとっても有益に働くだろう。

行動ギャップを埋めるには、本当の意図や反応を反映したカスタム絵文字やジェスチャーといった文脈も意識したインタラクションを実現する、ユーザー順応のインターフェイスが必要だ。また、システムはユーザーが興味を持ちそうなものが利用可能になった時、あるいは具体的なアクションが取れるようになった時に通知することでコンテンツギャップの減少につながるだろう。それは、腕に着けた端末の振動や、デバイスの画面の賢い通知メッセージといった形かもしれない。新しいインターフェイスは、リアルタイムではなく、パーソナライズ化した「自分時間」を優先するようになる。

次にパーソナライズ化には、関連したもの、意外なもの、タイムリーなもの、成熟したコンテンツを混ぜて提供することだ。データギャップと計算処理ギャップの観点では、より多様な選択肢を提供することで、システムがユーザーの本当に興味のあるものを詳しく理解することができるようになる。ユーザーは、自分の興味関心をより詳細に伝えることができる。そしてシステムは、ユーザーの行動から、これまで知り得なかったあるいは、形式通りではないものの中に関連性を見出すことができるだろう。

興味ギャップに関しては、関連情報と意外な情報を混ぜることで、ユーザー自身がどの情報を優先するかを決定することができる。関連した情報の中でも多様な選択肢を用意することで、システムが限定した情報の箱の中にユーザーを閉じ込めることがなくなる。時に表示される関連のないコンテンツも体験を阻害することはない。関連性があるかどうか、セレンディピティを起こす内容であるかどうかは、どちらも主観的で文脈に依存しているものだ。アルゴリズムはユーザーが新しいことを探索するのに前向きな時と、目標があり、特定の情報を求めている時を判別することができるようになる。

行動ギャップを狭めるためには、多様な賢いレコメンドで、ユーザーが自身のルールで選択することができるだろう。システムはユーザーの短期と長期における関心をそれぞれ理解し、ユーザーの情報ニーズを予測することができるようになる。タイムリーであるかどうかは、関連性と同義ではない。大量のコンテンツは、時間の経過と共に魅力や意味を失うのではない。コンテンツギャップは、幅広く分野の濃い内容の興味深い情報が集まるほど、効果的に埋まっていくことだろう。

そしてパーソナライズ化は、集合的知識と人工知能を取り入れるべきだ。物事の関連がすぐに分かり、コンピューターはより賢くなって、物事は更に効率的になる。計算処理ギャップを減少させるためには、人と機械の情報の流れを加速させることだ。人は（まだ）この世界で最もパターン認識に優れたシステムだ。私たちは協力して、意味のあるサインを見つけだすことができるだろう。人工知能が順応するインターフェイスと予測を立てる学習システムを強化することにより、人による意味付けを活用することができる。

人が主軸となるパーソナライズ化は、人がキュレートしたシグナルと順応する機械学習のソリューションを統合する。この方法で知的なシステムは、個人及び集合的なインタラクションと洞察により進化することができる。そして、人の想像力と非合理性がアルゴリズムの決定による制限を打破するだろう。

パーソナライズ化のパラドックスはどうだろうか？パーソナライズ化の領域の中には、客観性は存在しないし、客観的な視点もあるべきでもない。ユーザーがアルゴリズムを形作り続け、アルゴリズムもユーザーを形作り続ける。それがさらに私たちにとって有益になるよう、人が周りの物事の関連性や意味付けを主観的に行う方法をパーソナライズ化アルゴリズムが理解する必要がある。

結局の所、パーソナライズというコンセプトは、産業的な大量生産とマーケティングの世界から派生したものだ。アルゴリズムの力を借りた意思決定を行う新時代に移行しつつ、個人の能力に重きを置くには、パーソナライズ化アルゴリズムではなく、選択アルゴリズムを作らなければならないということかもしれない。

そのようなアルゴリズムをどこが構築することになるのだろうか？

[原文へ]

（翻訳：Nozomi Okuma /Website/ twitter）

編集部記：Nathan Sikesは、Crunch Networkのコントリビューターである。
Nathan Sikesは、FoxtailmarketingのプロダクトのVPを務め、実践的なSEOとデジタルマーケテイング手法の調査と導入に注力している。

ディープラーニング、あるいは深層構造ラーニングのコンセプトは、ここ数ヶ月で頻繁に話題に上るようになった。世界に名だたる複数の大手検索関連企業がこの分野に力を入れ、進歩が見られるからだ。Google、Facebook、MicrosoftにBaidu（中国の検索エンジン）は、このテクノロジーに投資することでアプリケーションの進化を加速し、更には比較的新しい人工知能（AI）技術の活用も進んでいる。

この記事では、ディープラーニング技術とそれが今日のオンライン世界における検索エンジン最適化（SEO）にどのような影響を及ぼすかについて述べたい。ディープラーニングとは何か、そしてその歴史を簡単に振り返り、AI技術で私たちの身の回りのデジタル世界を創造し、より良くしようとしている主要プレイヤーの動きを見ていこうと思う。

本物の人工知能を探し求めて

ディープラーニングの影響を本当に理解するには、それが何であり、どこから来たかを知る必要があるだろう。ディープラーニングの起源を一つの場所や人に特定することはできないが、この分野に詳しい人なら、現代ディープラーニングの父はGeoffrey Hintonであると同意するだろう。現在彼は、Googleとトロント大学で活動している。Hintonは、1980年代にBackpropagation の開発に貢献し、最近ではNeural Computation and Adaptive Perception Program（ニューラルコンピューティングと適応知覚プログラム）で研究し、変化を求めていた分野を点火することとなった。「過去2、30年間Hintonは、ニューラルネットワークとディープラーニングの最前線を牽引してきました」とKai Yuは話す。彼は、Baiduのディープラーニング研究機関でディレクターを務めている。「私たちはこのような早いスピードで市場に影響を与える機械学習や人工知能を経験したことがありません。驚くべきことです」と続けた。

Hintonの功績は、現在人工ニューラルネットワークとディープラーニングの研究に取り組んでいるほとんどの大手企業に見ることができる。現在Facebookで働くYann LeCunは、1980年代にHintonと共にBackpropagationを開発していた。Baiduのチーフサイエンティストを務めるAndrew Ngは、GoogleのDeep Learning Projectを立ち上げ、Hintonとそこで何年も共に働いた。これら数人のエンジニアは、それぞれ競合する企業で働いているが、力を注いで追い求めているものは同じだ。本物の行動学習をする人工知能の開発だ。

10年以上前、ビジネスの世界はディープラーニングの分野に背を向けた。チップの処理能力の限界と人工ニューラルネットワークで用いるデータセットは、Hintonと彼の同士が掲げた仮説を実行不可能なものとし、時代が追い付いていなかった。

2015年に先送りすると、ポテンシャルのあるアプリケーションで溢れる全く新しい環境がある。これに気がついたのは何も大手企業だけではない。Clarifaiのような小さな組織も、拡張された学習能力を広告やコンテンツのキュレーションのための調整やフィルタリングに使用している。他にもMoz（SEO企業）のような企業も、カスタマーにより優れたプロダクトとサービスを提供するこの技術が、これからの時代を形作ると捉えている。「Mozのような企業も機械学習技術を部分的に一定のレベルは使用しています。ディープラーニングは全く活用していませんし、多くのニューラルネットワークの技術も使用していません。しかしその方向に向かうことはあると思います」とMozのブログでRand Fishkinは説明している。

多くの企業はディープラーニングがこれから時代を形作ると捉えている。また、この新しい商業サイエンスを有効に活用するのに多額の資金やリソースも必要ないことを知っている。IBMのWatson Analyticsは、500MBまでアップロードでき、ディープラーニング用のリアルタイムのアプリケーションを無料で試すことができるフリーミアムサービスを提供している。Google Adwordsや他の販売に関連する数値をツールに入力することで、スタートアップ企業でも、データの中に関連性や予測するのに役立つ情報が得られるだろう。Watson Analytics以外にも、他社が開発していて、活用しているテクノロジーを見てみよう。

Google Research：Googleは、Forbesの「2015年、最も価値あるブランド企業」のリストの三位に入った。ただ、誰もが彼らは検索で一位であることに異論はないだろう。Googleは、この10年で機械学習能力で多くの進化を果たした。彼らは、画像、動画、言語の理解を深めるための開発に力を入れている。

Googleは調査、買収（2014年に買収したDeepMindなど）やImagenet Large Scale Visual Recognition Challenge（単語と画像を紐付けるデータベース）とのパートナーシップなどを通して、ディープラーニングの新しい分野での検証と適応に注力してきた。最近Googleは、初めて見る画像を説明するためのキャプションを自動で付ける機能を公表した。Googleの検索アルゴリズムにこのような画像認識と検索機能が実装された場合を想像してみよう。

そんなに遠い未来のことではないだろう。Geoffrey Hintonは、Redditの「Ask Me Anything（何でも聞いて）」のセッションで「次の5年で最も面白い分野は動画とテキストの内容の理解だと思います。次の5年内に、例えばYouTubeの動画から、何が起きている内容かを説明する機能が出来ていなければ、がっかりします」と説明している。

Facebook FAIR：世界で最も人気のSNSは、検索でも強いプレイヤーに成長した。今後もこの分野においてマーケットシェアを拡大していくだろう。Facebook AI Research （FAIR）はFacebookが人工知能とディープラーニングを未来のソーシャル、購買活動とメディアへの応用に注力していることを表すものだ。事実、彼らの顔認識ソフトウェア、Torch（ディープラーニングのための開発環境）のオープンソースモジュールへの貢献、最近ではMike Schroepfer (FacebookのCIO) がFacebook AIが 動画内の登場人物の動きを認識できるようになったことを発表したことを考えると、Facebookは、ディープラーニングによる学習能力を最も活用している企業であると言えるかもしれない。

Microsoft Project Oxford：最近発表したhow-old.netの顔認証プロジェクトで　Microsoftの技術を多くの人が知ることとなった。しかしほとんどの人はこのプロジェクトは、Microsoftの機械学習研究チームによって製作されたことを知らない。Microsoftのブログによると「数人の開発者が、ウェブページと機械学習APIを統合し、リアルタイムでアナリティクスをストリームするこのソリューションを全て構築するのに、一日しかからなかった」と伝えた。これは始まりに過ぎない。このようなプロジェクトの他にも、近い内にProject OxfordとCortana（Microsoftの「パーソナルアシスタント」）がWindows 10とInternet Explorerの代替ソフトであるEdgeに実装されるだろう。

WolframAlpha：WolframAlphaは抜群の知名度があるとは（まだ）言えないが、ここ数年の人工知能の分野の有力なプレイヤーである。彼らの究極の目標は、何もかもコンピュターで処理できるようにすることだ。まずは、専門的な知識と能力が要求される分野に注力している。彼らは最近、画像認識、新たな問題の作成、言語認識と更にはFacebookの分析まで開発対象を拡大した。

何故これが重要なのか？

もし人工知能が検索に統合されたらどうなるかと想像する時期を超え、それがいつ行われるかという時期に到達した。上記の企業は、それの実現に向けて業界を引っ張っている。これらの情報を鑑みた上で、ディープラーニングが次の5年間で検索にどのような影響を及ぼすのだろうかという予想をいくつか記載する。

新しいSEOの基準：あなたがオンラインのマーケターでこれらの技術に心躍らないのなら、この分野はあなたに合っていないのかもしれない。このタイプの人工知能を搭載した検索エンジンで、マーケターは画像優位のSNS、動画共有サイト、スライドでのプレゼンテーションプラットフォームといった新しいチャネルを有効に使うことができるようになる。また、検索者に役立つ画像や動画を提供し「信頼」を得ることもできるだろう。

スパムサイトの死：Googleは長い間スパムサイトとの戦いを繰り広げてきた。スパム手法を用いるサイトのランキングを下げるための専用アルゴリズム Penguinまで開発した。私の予想では、姑息なリダイレクト、中身が薄く価値の無いスパム手法を用いるウェブサイトは大幅に減少すると考えている。これにより、より安全で整ったウェブが出現するだろう。

デバイスとの連携の改善：Googleのモバイルゲドンのアップデートが、このタイプのアップデートの最後ではないはずだ。Facebook（Oculus）、Microsoft（Hololens）のような企業が仮想現実のヘッドセットを押し出すのなら、どのような端末にどのようなウェブサイトを表示させるべきか学習し優先順位を付けることができる、賢い検索エンジンが必要になる。

隠れ場所がなくなる：検索エンジンの企業の人工知能が賢くなり完璧に近づくほど、ユーザーをトラックする機能も高まるだろう。Verizon、AT&TやFacebookが最近リリースした、次世代の「スーパークッキー」のような技術が誕生し、オンラインでユーザーが隠れることが困難になる。

画像コンテンツの重要性が増す：ミレニアル世代は、彼らより上の世代より遥かに広告を見ない。 Simply Measured（ソーシャルメディアのアナリティクス企業）によると、Facebook上の全てのブランド投稿の62%、エンゲージメントの投稿の77%は写真だった。通常のテキストだけの投稿は少ない。更にHubspotの調査では、魅力的な画像要素とグラフィックスをブログ投稿やソーシャルメディアのコンテンツに加えることで、最大94%の閲覧数の増加と37%のエンゲージメントの増加が得られるそうだ。

画像でカスタマーのイマジネーションを喚起したり、注意を引くことが今後更に重要になってくると、検索を用いる企業は気が付いている。そのようなコンテンツが近い内に優先されるようになるだろう。

[原文へ]

（翻訳：Nozomi Okuma /Website/ twitter）

画像：NeydtStock/Shutterstock

コンピュータの能力は、一歩々々、人間に近づいていると言われる。今週ご紹介するのはMITのComputer Science and Artificial Intelligence Laboratory（コンピュータ科学と人工知能研究所）の研究プロジェクトで、画像や映像から物を認識し、さらに、その場の状況を認識する。これはコンピュータをさらに賢くするための、重要な機能の一つだ。

人間が画像を見ると、そこで今何が起きているのかをおおむね直観的に判断できる。しかし今のコンピュータビジョンや機械学習システムは、それが苦手（にがて）なため、車の自動運転とか荷物の配達などのインテリジェントなシステムの進歩を阻んでいる。状況認識に取り組んだMITの研究者たちは、これまであったシステムよりも33%高いパフォーマンスを実現したという。

今週彼らが発表した論文によると、その彼らのシステムは、画像を見て、そこで何が行われているかを判断するだけでなく、その状況を構成する個々の物も認識する。つまり、全体の認識だけでなく、個別の認識もできる。

おもしろいのは、研究者たちは自分たちの状況認識技術が約50%の認識精度を達成した理由を、正確に把握していない（なお、人間の状況認識精度は約80%）。とにかくそのシステムは画像中の何らかの視覚的特徴を拾って、それらを返しているのだ。人間もやはり、いくつかの特徴から、状況を判断している。たとえばベッドが写っていれば寝室、長いテーブルと椅子とスピーカーホンがあれば会議室だ、と判断するだろう。

高度な機械学習システムでは物の認識と場面の認識が一体化しているだけでなく、お互いを強め合っている、とチームは考えている。もしそうなら、いまよりもずっと賢いコンピュータの研究開発が一層加速され、言うまでもなく、ユートピアまたは黙示録の世界が訪れてしまうだろう。

[原文へ]
（翻訳：iwatani(a.k.a. hiwa）

[筆者: Vik Singh]
編集者注記: Vik SinghはInferの協同ファウンダでCEO。それまでの彼はSutter Hill Venturesの正社員起業家。彼は検索やソーシャルネットワークやコンテンツオプティマイゼーションの分野で13件の特許を持っている。

その業界に詳しいDavid Raabの説では、マーケターの三人に二人は既存のマーケティング自動化ソフトウェアに大なり小なり不満である。またBluewolfの調査報告書“State of Salesforce”は、マーケティングソフトへの投資のわずか7%しか、まともなROIを得られないという。この、企業や商店に大きな利益をもたらすはずの自動化マーケティングは今、標準性を欠く乱雑な多様化とユーザの不満が激化しているのだ。

自動化マーケティングがそうなってしまった原因は、そのルーツがメール爆弾であることにある。そういうシステムはユーザのターゲットページや入力フォームやWebのアクティビティデータやトリガや、などなどに長年勝手に貼り付いてきたから、だんだん、やることが多くなって肥大し、ユーザがうんざりするような、口数ばかり多い無能ソフト/アプリケーション/サービスへと頽落した。

たとえば下の図はEloquaのスクリーンショットだが、この積み木ゲーム(Jenga)のような画面を見ると、われわれ自動化マーケティングの連中が今マーケターたちに提供しているものが、どんだけややこしくて脆（もろ）いものであるか、が分かる。われわれ、と言ったのは、こんな面倒な推奨ワークフローをマーケターに提示しているのは、Eloquaだけではないからだ。

自動化マーケティングが自動化しない

最大の問題は、上図のようなワークフローが、良い見込み客を見つけるための画一的で普遍的な法則とされ、具体的なデータに基づく指針になっていないことだ。

たとえば、こんなワークフローだ: “ユーザがこのリンクをクリックして、そのあと、あのリンクを二度クリックしたら、二日後にこのメールを送りなさい…”。これが、絶対的なルールとして書かれている。ユーザがWebサイトのデザインを変えたら、この（多くの人が無視したであろう）ワークフローは、もう使えない。

こんな低レベルな構成では、多様な現実への対応がほとんどできない。こういうワークフローを作った者がいなくなったら、どうするのだ？　ワークフロー地獄は深刻なパフォーマンスの問題ももたらす。

私が実際に見たある企業は、自動化マーケティングシステムのすべてのワークフローを8時間以上もかけて処理してから、やっと見込み客をCRMシステムに渡していた。ネットで見つけた見込み客に営業が接触するまで、8時間以上もかかるのだ。自動化マーケティング約束した、スピードと単純化と、そしてまさに自動化は、どこにあるのだ？

2018年にはどのマーケティングプラットホームが優勢か？

今は、自動化マーケティングを再発明すべき時だ。そのプラットホームは、スケーラブルで応答の速いデータベースと、データに連携したワークフローシステムを提供する必要がある。それは、見込み客や顧客に関するデータを調べることに最適化された、軽いシステムでなければならない。また、サードパーティが特殊な目的の応用システムを構築できるために、クリーンなAPIを提供すべきだ。

そんな方向に向かうための条件は、早くも整いつつある。まず、膨大な量の外部データ、先進的なデータサイエンスと、さまざまな特殊目的に対応するマーケティングアプリケーションの登場。3年後の2018年には、新世代の自動化マーケティングソフトウェアが出揃うだろう。そして2018年に優勢になっているマーケティングプラットホームは、予測能力があって、どんな見込み客に対しても適切なリコメンデーションを出力する、オープンなプラットホームだ。

最初に予測ありき

明日のプラットホームは、何もかも詰め込んだ一枚岩的な自動化マーケティングシステムではなく、インテリジェントで痩身で、多くの小さな専門的アプリケーションに接続できる基幹プラットホームだ。それは豊富なデータに基づいて、顧客とのさまざまなタッチポイント（接触点）に適切なリコメンデーションを配布する。

最新のデータサイエンスと、それに基づくビッグデータ分析や機械学習技術により、そこらにあるさまざまなデータから重要な信号を読み取ることが、できるようになっている（Netflixのムービーのリコメンデーションは一体どうやっているのか、考えてみよう）。またコンピューティングのインフラストラクチャが安価になったので、多様な顧客モデルの作成とそれらに基づく具体的な個人化を、個々の企業に合わせてできるようになった。今ではConversicaやLytics、RelateIQ、そしてInferのような企業が予測分析を誰の手にも届くようにし、見込み客の育成やキャンペーンの最適化、見込み度の判定など、自動化マーケティングのこれまでの課題だった項目に対しても、より効率的で効果的なソリューションを提供している。

予測能力のある人工知能(predictive intelligence)は今、すべての企業がこぞって求めている。それがさまざまなニッチのアプリケーションと結びついたプロダクトやプラットホームは今後、誰にでも使えて、具体的なアクションに結びつくシステムとして普及するだろう。それは使いやすいだけでなく、企業の進化の方向性に即したものでなければならない。そんなシステムは、ワークフローの構成など面倒なタスクも自動化するので、ユーザはパフォーマンスのチューニングとか劣化などを心配する必要がない。こういう予測型のシステムは、一人々々の顧客のアクションについて自分で学び、適応し、そして自分を改良していく。

マーケティングとセールスを循環させるリコメンデーション

（フルサークル (full-circle)リコメンデーション）

一人の顧客や見込み客に、マーケティングとセールスが別々に対応すべきではない。未来のプラットホームは顧客データをめぐる派閥性を解消し、すべての、マーケティング/営業機能を一元化する。今すでにKnoweldgeTreeなどのサービスは、営業とマーケティングとのあいだの風通しを良くすることによって、それを実現しようとしている。次のベストアクションやベストコンテンツが、片方の独断で決まらないようになる。

顧客に関する予測も、営業とマーケティングが共有する。セールスデータの履歴をよく吟味して、良い見込み客とはどんなタイプか、を見つけ出す。そしてその情報を、営業とマーケティングの両方に浸透させる。さらに、その結果に対しても然りだから、この情報活動には循環性がある。そこで‘フルサークル’と呼ぶ。

良い見込み客を拾い上げるための予測モデルを、短期的なCR（コンバージョンレート）重視型から長期お買い上げ重視型に変えることができれば、カスタマーサクセスチームがそれを利用して顧客のロードバランスを図れる。

オープンなプラットホームを目指せ

次世代のマーケティングプラットホームは強力なAPIを提供する。Autopilotがその好例だが、でもどんな企業でも、焦点を絞った、インサイトに満ち満ちた、由緒正しいツールを作ることはできる。それらは今はびこっている、何でも屋のような、インテリジェンスのないプラットホームより10倍も優れている。

たとえば仕込みキャンペーンをやる場合は、予測インサイトと痩身的システムならではのスケーラビリティを利用して、それまで無視してきた仕込み用データベースから見込み客を見つけるだろう。そういうデータベースは、見込み客の見込み度の得点を、彼らのWebビヘイビアに応じて絶えず更新しているから、仕込み客を見つけるのにはうってつけだ。そしてそういう見込み度の高い見込み客に個人化されたメールを送ったり、そのリストをセールスに回すことによって、仕込みキャンペーンが回り出す。

今ではマーケティング関連のサービスが2000近くあると言われる。CRMのSaaS化や自動化マーケティングが流行（はや）ってきたためだが、SalesforceのAppExchangeの影響も大きい。でも自動化マーケティング関連のサービスは、まだ幼児期にあるため、充実したエコシステムやAPIがなく、したがって成功例に乏しい。

でも、個々のアプリケーションのレベルでは、優れたものが現れ始めている。そして今後のオープンなマーケティングプラットホームは、CRM型ではなくデータ型（データ分析型）になるだろう。そもそも、CRMにデータを提供したり、またCRMからデータを拾う側、すなわちデータサイドが、顧客情報を長期的に多く集積しており、それらが効果的に分析されれば、マーケティングに大きく貢献しうるのだ。

クラウドコンピューティングが伸びていくとき、“ソフトウェアの終焉”という言葉が言われたような意味で、予測型プラットホームは自動化マーケティングというカテゴリーに革命をもたらす。未来のマーケティングは、キャンペーンの管理や見込み客の行動調査などを超えたものになる。

新しいプラットホームは、ワークフローとプログラムとアクションの形を、今後ますます強力になる予測インサイトの枠組みの中で変えていく。それらのワークフロー等は、マーケティングとセールスのあいだのギャップを、予測を糊としてCRMと自動化マーケティングをくつける（一体化する）ことにより、橋渡しする。

身軽でスケーラビリティの大きいデータプラットホームというものがまずあり、そこに予測のレイヤを置く。そしてコンバージョンを高めセールスを成功に導く良質なアプリケーションが、予測を活用する。初めに予測ありきのソフトウェアが世界を食べている。今その歯は、マーケティングとセールスに食らいついたところだ。覚悟を決めよう。

〔訳注: 本稿の筆者は、機械学習による予測ソフトのベンダ。自分が前に買ったり調べたりしたものに基づいて、来る日も来る日も、同じようなものの広告ばっかし見せてくれるのは、そういう‘機械的’ソフトが猛威を揮っているから。マーケティングが、その企画者実行者の人間知と人間性と創造力に基づく、クリエイティブな営為、新しいものや新しい発想を作り出す仕事であることは、ここでは完全に無視されている。本当のヒット商品や人気店は、どうやって生まれているのか、考えてみよう。データの集積と分析は重要だが、それらの処理の形や方向性を決め、処理結果から何かに気づくのも、人間性の能力だ。〕

[原文へ]
（翻訳：iwatani(a.k.a. hiwa）