IoT・RPA・チャットボット

③ オープンデータの公開主体

オープンデータは組織が自らの保有するデータをWeb上に公開することを想定しており、その組織は官民のいずれであるかを問いません。

④ 行政データのオープンデータ化

行政データのオープンデータ化とは、行政組織で収集されてきたデータを広く社会に公開し、民間で利活用できるようにすることを指します。

行政のオープンデータには予算や調達情報、白書や統計情報、地図情報などがあり、公開することにより行政の透明性を高めること、産業界での二次利用を通じてビジネスの活性化を図ることなどを狙いとしています。

⑤ 「機械判読に適し」の意味

「人が読める」ことと「機械が読める」ことは別

公開する側の配慮が必要——形式を選ぶことで、利活用のしやすさが変わります。

⑥ ストリームデータ

ストリームデータは、次の性質をもつデータです。

⑦ ストリームデータ処理

これらのデータをリアルタイムに処理および破棄する技術をストリームデータ処理といいます。

代表的なストリームデータ処理に、複合イベント処理などがあります。

「破棄する」がポイント

すべてを貯めておけないから、その場で処理して捨てる——これがストリームデータ処理の考え方です。

⑧ 複合イベント処理（CEP：Complex Event Processing）

複合イベント処理とは、発生したイベント（事象）に関するデータの流れを追跡して分析し、何らかの結論を得る技術です。

具体的には、データに対する処理条件や分析シナリオをあらかじめ設定しておき、データがその条件に合致する場合に、決められたアクションを実行します。

刻々と収集されるビッグデータをより短時間で処理できる技術として注目を集めています。

⑨ ストリームデータの例

⑩ 第12章とのつながり

第12章で学んだエッジコンピューティングは、このストリームデータをエッジ側で処理する技術です。

両者は密接に関連します。

中小企業がオープンデータを使う

具体的な活用例

例1：出店判断

これらを重ねると

例2：需要予測

両者を組み合わせて、気温と売上の関係を学習させる——教師あり学習の応用です。

例3：補助金・制度の活用

診断士としてのオープンデータの使い方

「根拠のある数字」を示せる

ストリームデータ処理の実例

例：製造ラインの異常検知

複合イベント処理の「複合」の意味

「複数のイベントの組み合わせ」を条件にできる

なぜ複合が必要か

単一の条件では誤報が多くなる——複数の条件を組み合わせることで精度が上がります。

「リアルタイムに処理および破棄する」ことの意味

例：1秒に1,000件のデータが発生する場合

残すものと捨てるもの

第12章のエッジコンピューティングの「通信量削減」と同じ発想です。

確認してみましょう

> 次の記述の正誤を判定せよ。

> a　オープンデータは組織が自らの保有するデータをWeb上に公開することを想定しており、その組織は官民のいずれであるかを問わない。

> b　ストリームデータ処理とは、急速に生成され続けるデータをリアルタイムに処理および破棄する技術である。

> c　複合イベント処理とは、蓄積したデータをまとめて分析し、統計的な傾向を見つける技術である。

解答　a：○　b：○　c：×

• c：×……複合イベント処理とは、発生したイベント（事象）に関するデータの流れを追跡して分析し、何らかの結論を得る技術です。データに対する処理条件や分析シナリオをあらかじめ設定しておき、データがその条件に合致する場合に、決められたアクションを実行します。

③ IoTで実現するもの

④ IoT・ビッグデータ・AIの関係

IoTの発展においては、IoT、ビッグデータ、人工知能（AI）の性質をふまえこれらを一体的にとらえることが必要とされます。

つまり、IoTでさまざまなデータを収集して現状の見える化を図り、収集したデータを蓄積（ビッグデータ化）して、AIを活用しながら処理分析を行うことで将来を予測するといった関係性が成り立ちます。

この3つで1つの流れ

⑤ IoTの構成

⑥ M2M（Machine to Machine）

M2Mとは、コンピュータネットワークに繋がれた機械同士が人間を介在せずに相互にデータ連携を行い、自動的に最適な制御が行われるシステムのことです。

⑦ M2MとIoTの違い

M2Mは、IoTという言葉が使われる以前から使われていました。

その多くは、工場内の工作機械や鉄道や道路などの監視・制御などの目的で使われ、閉じたネットワークの中で運用されていました。

一方IoTは、機械だけでなく、膨大な量の「モノ」がつながり、インターネットを介してクラウドと連携されているオープンシステムであることが特徴です。

⑧ 「閉じたネットワーク」か「オープンシステム」か

この対比が、M2MとIoTを分ける最大のポイントです。

⑨ M2Mの典型的な用途

⑩ 第12章とのつながり

第12章で学んだエッジコンピューティングは、リアルタイム処理を必要とするM2MやIoT端末への対応において優れているとされていました。

⑪ IoT導入で考えること

最後の点が重要

「つなぐ」ことにはリスクが伴う——第6章で学んだセキュリティ対策が、ここでも必要になります。

② 実体はソフトウェア

RPAにはロボティックという言葉が入っていますが、実体はソフトウェアです。

この点が試験で問われます。

③ デジタルレイバー

デジタル技術が創り出した働き手（デジタルレイバー（労働者））とよばれることもあります。

④ RPAのメリット

RPAを使うと、次のことが可能になります。

⑤ 3つのメリットの性格

⑥ RPAが得意なこと

⑦ RPAが苦手なこと

「定型作業」が前提

⑧ AIとの組み合わせ

組み合わせると適用範囲が広がる

⑨ RPAの3段階

一般に、RPAは適用の高度さで3段階に分けられます。

⑩ 導入の注意点

1つ目が最も重要

第9章で学んだBPRの発想——単に現業をIT化するだけでは不十分——が、RPAにもそのまま当てはまります。

⑪ 「野良ロボット」の問題

管理の仕組みが必要

② 2つの分類

自動的に会話する方法は、大きく2つに分類されます。

③ ルール型（人工無能型）

想定される質疑応答をプログラムし、あらかじめ登録することで会話が成り立つように見せています。

FAQ対応などの問い合わせに適しています。

④ ルール型のメリットとデメリット

運用に合わせたシナリオやルールが用意されていることが多いため、開発側にとって使いやすいですが、すべてのパターンや表現の揺れに対応するためには膨大な入力が必要になります。

「表現の揺れ」とは

すべてを登録するのは困難——これがルール型の限界です。

⑤ 機械学習型（人工知能型）

あらかじめ登録した大量なデータの中から繰り返し学習し、回答のパターンを見つけます。

機械学習したなかで質問内容の傾向を学習し、統計的に的確である確率が高いと推測される回答を導き出します。

⑥ 機械学習型のメリットとデメリット

ルール型に比べ圧倒的に自然なやりとりが可能であるものの、回答の精度が人工知能の精度に左右され、開発・導入費用にコストがかかります。

⑦ 2つの比較

⑧ 「人工無能型」という呼び方

知能がないことが必ずしも欠点ではない

確実性を重視するならルール型——用途によって選び分けます。

⑨ SFA（Sales Force Automation）とは

SFAは、営業担当者の行動管理や商談の進捗状況などの機能を有する営業支援システムです。

顧客情報や過去の商談履歴、案件の進捗状況を一元管理し、営業担当者やチームで共有できます。

⑩ SFAの主な機能

主な機能として、訪問予定や商談記録の管理、案件進捗の可視化、営業活動データの分析やレポート作成、スケジュール管理や通知などがあります。

⑪ CRMとの関係

SFAは顧客との関係性を重視するCRM（Customer Relationship Management）と補完関係にあり、統合的に活用することで営業力の強化が期待されます。

⑫ SFAとCRMの使い分け

近年は境界が曖昧

⑬ 企業経営理論とのつながり

CRMは、企業経営理論のマーケティングでも学ぶ概念です。