AI導入において、テクノロジーは最大の課題ではないが、人材は

[[427056]]

写真: ゲッティ

従来型企業の経営幹部が人工知能 (AI) や機械学習 (ML) の導入を開始する際、特に分析する社内データソースの検索や適切なツールの選択に関しては、課題は主に技術的なものだと考えることが多いです。しかし、彼らは、従来の企業がすでに豊富なデータを保有しているとは考えていないかもしれません。

一般的に言えば、公益事業や鉱業、運輸や海運、金融サービスなどの分野における従来の企業の業務や顧客とのやり取りでは、すでに大量のデータが生成されています。このデータは、サプライ チェーンの最適化、メンテナンスの予測、事故の削減、生産性の向上、運用効率の改善、収益生産性の向上、顧客価値の向上など、非常に幅広い問題の解決に使用できます。

しかし、世界中の伝統的な企業は、AI を活用してこれらの機会を現実のものにする際の最大の問題はテクノロジーではなく人材にあることにすぐに気付くことが多いのです。

データ サイエンティストやアナリストに対するビジネス上の需要は強く、需要が供給を上回り続けています。 Amazon、Facebook、Google などのテクノロジーリーダーは、多くのデータ サイエンティストを雇用し、彼らに刺激的な課題と魅力的な機会を提供しています。最先端の AI 機能を備えた熱心なデータ サイエンティストの観点から見ると、トラクターの製造、家電製品の生産、発電所の運営、コンテナの出荷を行っている 100 年の歴史を持つ企業は、比較すると「退屈」に見えるかもしれません。

さらに、従来の企業は主要なテクノロジーハブ（シリコンバレー、シアトル、オースティン、ニューヨーク、ロサンゼルスなど）に拠点を置いていない傾向があり、そのことが従来の企業が必要なデータサイエンティストを見つけることをさらに困難にする可能性があります。解決策は、外部からの採用と内部での育成という2本柱の人材戦略です。

興味深い質問で採用する

従来の企業は、データ サイエンティストを引き付けるために、魅力的でユニークかつ現実的なビジネス上の問題を提供することに重点を置くことができますし、そうすべきです。 Dataiku のセールス エンジニアリング ディレクターの Grant Case 氏は、AI と機械学習に基づくエンタープライズ アプリケーションのリーダーであり、オーストラリアとニュージーランドの伝統的な企業と積極的に連携しています。彼は私にこう言いました。「データ サイエンティストに、取り組み、価値に変えられる興味深い問題を提供する必要があります。そこで魔法が起こるのです。」

ほぼすべての業界のほぼすべての従来型企業には、非常に複雑な問題や課題があります。複雑であるがゆえに非常に興味深い問題でもあり、次のような好奇心旺盛なデータ サイエンティストにとって素晴らしい機会が生まれます。

• 気象条件により複数のハブを閉鎖する必要がある場合、非常に複雑な航空システムのスケジュール設定
• 分散型、多方向の生産、伝送、ストレージの世界におけるグリッドとストレージの最適化
• 事故を予測して労働災害を減らす
• 毎日世界中の海運ネットワークとサプライチェーンを移動する何百万ものコンテナをリアルタイムで最適化
• 土地1平方フィートあたりの収穫量を最大化する

世界的海運大手マースク社のデータサイエンスおよび人工知能部門責任者であるベリアン・ジェームズ氏は、同社の海運ネットワークの最適化を「非常に興味深いデータサイエンスの問題」と表現しています。

マールスクは、顧客の貨物の「到着情報」の提供や、同社の脱炭素化の取り組みの推進など、幅広い問題や機会を解決するために AI と機械学習を活用しています。

経営者が立ち止まって考えてみると、ほぼすべての従来型企業には、興味深いビジネス上の問題や、好奇心を刺激し、データ サイエンティストや AI 人材の技術的能力に挑戦するようなさまざまな問題や課題が存在します。したがって、新しい従来型企業が必要な人材を採用するための最善のアプローチは、これらの興味深い問題を活用し、データ サイエンティストが実際に手を動かして魅力的でユニークなビジネス問題の解決に影響を与えるための新しい機会を提供することです。こうしたシナリオは、フェイスブック、アップル、ネットフリックス、アルファベットなどの企業の従業員の長い列の最新のメンバーになるよりも魅力的かもしれない。

適切な能力とビジネス理解を組み合わせて、現地の人材を育成する

外部からデータサイエンティストを雇うことだけが解決策ではありません。あるいは、社内の人材を活用してデータ サイエンスと AI の機能を開発することもできます。このアプローチは多くの場合、より迅速で、より簡単で、より生産的であり、幅広いビジネス目的に十分すぎるほどです。もちろん、これがあらゆる状況の答えというわけではありません。

社内のビジネスを理解し、適切な能力と関心を持つ社内の専門家を雇うことは、技術的には優れていても、業界や特定のビジネスまたは会社の問題や課題に精通していない可能性のある社外のデータ サイエンティストを雇うよりも望ましく、役立つ場合があります。従来型企業の幹部が、データ サイエンティストをビジネスに組み込むことを期待して採用したものの、データ サイエンティストをビジネス管理やプロセスに組み込むのが困難であることが判明し、失望したという話を数多く耳にしてきました。

社内で育成された人材は、最も困難な問題を解決する際に、優秀なデータ サイエンティストの代わりを務めることはできないかもしれませんが、多くの場合、企業の AI と機械学習の活用を大幅に前進させ、大きなビジネス価値を生み出すことができます。従来の企業に見られるいくつかの分野は、AI と機械学習の専門知識の開発に特に適しています。あらゆる種類のエンジニア、オペレーション研究者、物理学者、収益管理者などは、多くの場合、技術的な基礎、定量的なスキル、データに精通し、AI と機械学習を適用および改善する方法を学ぶことができる知的好奇心を持っています。

ケース氏は、化学者と冶金学者がデータと AI で解決できる生産上の課題に直面している鉄鋼会社の例を挙げた。彼は私にこう言いました。「キャリアで先行している有能な人材を見つけ、適切なトレーニングで彼らを武装させることができます。」さらに、これらの人々は通常、重要な利点を持っています。それは、ビジネスを理解しているため、企業のリーダーから認められているということです。

人々の問題を解決する

私は、さまざまな従来型企業で AI や機械学習のアプリケーションに取り組んでいる幹部と話をしてきましたが、最大の課題は文化的なものであり、特にデータ サイエンスと AI をビジネス管理やプロセスに結び付けるために必要な人材を見つけることであることは明らかです。主な課題は技術的なものではありません。これらの企業の幹部は、適切な人材を見つけ、AI アプリケーションとともに実際の業務に彼らを統合することが継続的な課題であると私に語った。

上記の洞察は、データ サイエンスと AI を活用して実際のメリットを実現するには、熟練したビジネス リーダーシップが必要であることを示唆しています。上級管理職は、データ サイエンティストの真の動機と可能性を理解する必要があります。そうすることで、企業は優秀な人材を引きつけ、成長を促進し、従来の業務に統合してビジネス価値を生み出すことができます。