このページで学ぶこと
デジタルトランスフォーメーション（DX）を支える主要技術と、AIプロジェクトの運用手法（MLOps・CRISP-DM）、ブロックチェーンなどをまとめています。
DX（デジタルトランスフォーメーション）
DXって最近よく聞くけど、何のこと？
DXはデジタル技術によってビジネスや社会の仕組みを根本から変革することです。単なるIT化（紙→電子化）ではなく、ビジネスモデルや組織そのものを変えるのがポイントです。「Digital Transformation」の略で、TransをXと表記します。
DXの3段階
- デジタイゼーション：アナログ情報をデジタル化（例：紙の書類をPDF化）
- デジタライゼーション：業務プロセスをデジタル技術で効率化（例：ワークフローの電子化）
- デジタルトランスフォーメーション：ビジネスモデル・組織を根本から変革（例：AIによる新しい価値創造）
オープンイノベーション（Open Innovation）
オープンイノベーションって何？
自社だけで研究開発を完結させるのではなく、社外の知識・技術・アイデアを積極的に取り入れてイノベーションを起こす考え方です。大学・スタートアップ・他業種との連携が典型的です。逆に、自社の技術をオープンにして外部に活用してもらう「アウトバウンド型」もあります。
オープンイノベーションのポイント
- 提唱者：ヘンリー・チェスブロウ（2003年）
- 対義語：クローズドイノベーション（自社完結型）
- AI分野での例：OSSの活用（TensorFlow、PyTorch）、学習済みモデルの公開（LLaMA等）
ビッグデータ
ビッグデータって、ただ量が多いデータのこと？
量だけではありません。ビッグデータは3つのVで定義されます。Volume（量）、Velocity（速度）、Variety（多様性）です。従来のデータベースでは扱いきれないほどの大量・高速・多種多様なデータのことを指します。
ビッグデータの3V
- Volume（量）：テラバイト〜ペタバイト規模の膨大なデータ量
- Velocity（速度）：リアルタイムに生成・処理される高速なデータ
- Variety（多様性）：構造化・非構造化・半構造化が混在する多種多様なデータ
IoT（Internet of Things）
IoTって何？
モノがインターネットに繋がる仕組みです。センサー、家電、車、工場の機械など、あらゆるモノがネットワークに接続されてデータを送受信します。IoTで集めたデータをAIが分析し、現場にフィードバックするという流れがDXの基盤になっています。
RPA（Robotic Process Automation）
RPAって何？AIとは違うの？
RPAはパソコン上の定型作業をソフトウェアロボットが自動化する技術です。データの転記、メール送信、レポート作成など、ルールが決まっている作業を自動化します。AIが「判断する」のに対し、RPAは「決まった手順を繰り返す」のが基本です。ただし、最近はAIと組み合わせて非定型作業にも対応する「インテリジェントRPA」も増えています。
RPA
- ルールベースの定型作業を自動化
- 人間が手順を設定する
- 例：データ入力、ファイル整理
AI
- データから学習して判断・予測
- 学習データからパターンを獲得
- 例：画像認識、需要予測
MLOps と DevOps
MLOpsって何？DevOpsとは何が違うの？
DevOpsは「開発（Dev）と運用（Ops）を一体化して、ソフトウェアを素早くリリース・改善し続ける文化・手法」です。MLOpsはそのAI版で、「MLモデルの開発・デプロイ・監視・再学習を自動化・効率化する仕組み」です。AIモデルは作って終わりではなく、精度の監視や追加学習が必要なので、MLOpsが重要になります。
DevOps
- ソフトウェアの開発＋運用の統合
- CI/CD（継続的インテグレーション/デリバリー）
- コードの変更を素早くリリース
MLOps
- MLモデルの開発＋運用の統合
- モデルの学習・デプロイ・監視を自動化
- 精度劣化の検知→再学習のパイプライン
MLOpsが必要な理由
- AIモデルは時間とともに精度が低下する（データドリフト）
- モデルの再学習・再デプロイを効率的に回すサイクルが必要
- 実験管理・データ管理・モデルのバージョン管理を一元化
CRISP-DM
CRISP-DMって何？
データ分析プロジェクトの標準的な進め方を定義したフレームワークです。「Cross-Industry Standard Process for Data Mining」の略で、6つのフェーズを循環的に進めます。AI・機械学習プロジェクトでも広く使われています。
| フェーズ | 内容 | AI開発での具体例 |
|---|
| ①ビジネス理解 | ビジネス目標と課題を明確にする | 「不良品検出率を95%以上にしたい」 |
| ②データ理解 | データを収集し中身を探索・把握する | データの分布・欠損・異常値を確認 |
| ③データ準備 | 前処理・特徴量エンジニアリング | 欠損補完、正規化、特徴量の作成 |
| ④モデリング | モデルの構築・学習・チューニング | CNN、ランダムフォレスト等を試す |
| ⑤評価 | モデルの性能をビジネス目標と照合 | 精度・コスト・運用性を総合判断 |
| ⑥展開・運用 | 本番環境にデプロイ、監視・保守 | API化、精度監視、再学習のサイクル |
CRISP-DMの特徴
6つのフェーズは一方通行ではなく循環的に進みます。評価フェーズでビジネス目標を満たさなければデータ理解やモデリングに戻ります。運用後もデータの変化に合わせて繰り返します。
ブロックチェーン
ブロックチェーンってビットコインの技術でしょ？AIと関係あるの？
ブロックチェーンは暗号資産だけでなく、データの改ざん防止・トレーサビリティに広く使える技術です。AIが使うデータの信頼性を保証したり、AIの判断履歴を透明に記録したりする用途で注目されています。
ブロックチェーンの基本特徴
- 自律分散：中央管理者がいない。参加者全員でデータを管理（P2Pネットワーク）
- 改ざん耐性：ブロック同士がハッシュ値で連鎖しており、1つでも変更すると後続が全て壊れる
- 透明性：全取引履歴が参加者に公開される
「可用性」と「完全性」ってどういう意味？
情報セキュリティの3要素（CIA）の一部です。ブロックチェーンは完全性（Integrity）＝データが改ざんされていないこと、と可用性（Availability）＝必要な時にいつでも使えることに特に優れています。
| 情報セキュリティの要素 | 英語 | 意味 | ブロックチェーンとの関係 |
|---|
| 機密性 | Confidentiality | 許可された人だけがアクセスできる | パブリック型は公開のため機密性は限定的 |
| 完全性 | Integrity | データが改ざん・破壊されていない | ハッシュチェーンで改ざんを検知→非常に強い |
| 可用性 | Availability | 必要な時にいつでも使える | 分散型なので一部障害でも稼働→非常に強い |
BaaS（Blockchain as a Service）
BaaSって何？
ブロックチェーンの基盤をクラウドサービスとして提供するものです。自分でブロックチェーンネットワークを構築しなくても、クラウド上ですぐにブロックチェーン機能を使えます。AWS、Azure、IBM Cloudなどが提供しています。
Docker（コンテナ技術）
Dockerって何？AI開発でなぜ使うの？
Dockerはアプリケーションとその実行環境をまとめてパッケージ化する技術です。「コンテナ」と呼ばれる軽量な仮想環境を作ることで、「自分のPCでは動いたのにサーバーでは動かない」という問題を解決します。AI開発では、学習環境と本番環境を同じにするためにDockerがよく使われます。
DockerがAI開発で使われる理由
- 環境の再現性：ライブラリのバージョンを含めて環境を丸ごとパッケージ化
- MLOpsとの連携：学習→デプロイのパイプラインでコンテナを活用
- 軽量：仮想マシンと違い、OSを共有するので起動が速い
G検定キーポイントまとめ
- DXはデジタル技術でビジネス・社会を根本変革すること。IT化とは異なる
- オープンイノベーションは社外の知識・技術を取り入れてイノベーションを起こす考え方
- ビッグデータは3V（Volume・Velocity・Variety）で定義される
- IoTはモノがインターネットに繋がる仕組み。データ収集→AI分析→フィードバックの流れ
- RPAは定型作業の自動化。AIは「判断」、RPAは「手順の繰り返し」
- DevOpsは開発＋運用の統合、MLOpsはそのAI版（モデルの開発・デプロイ・監視の自動化）
- CRISP-DMはデータ分析の6フェーズ循環プロセス（ビジネス理解→データ理解→データ準備→モデリング→評価→展開）
- ブロックチェーンは自律分散型のデータ管理。改ざん耐性（完全性）と可用性に優れる
- 情報セキュリティの3要素 = CIA（機密性・完全性・可用性）
- BaaSはブロックチェーンをクラウドサービスとして提供するもの
- Dockerはコンテナ技術で環境の再現性を確保。MLOpsで活用される