人工知能は良いものだが、企業はAIの適用時に4つの大きな間違いを犯している。

問題は正確には何ですか? これらのエラーを回避する方法はありますか?

今日、人工知能 (AI)、機械学習 (ML)、その他の新興技術には、個人、企業、さらには政府の多くの複雑な問題を解決する大きな可能性があるというのが社会的コンセンサスとなっています。

しかし、過去 2 年間で AI の導入が増加しているにもかかわらず、AI 技術の導入がビジネスの進歩に大きな価値をもたらしたと認めている企業はごくわずかです。

では、問題は一体どこにあるのでしょうか? 企業は AI テクノロジーを適用する際にどのような間違いを犯しているのでしょうか? これらの間違いを回避する方法はあるのでしょうか?

間違った問題を解決しない

問題を解決するために AI をどこに適用するかを決定するときは、適切な視点から状況を検討し、組織のビジネス側と IT 側の両方を設計プロセスに関与させることが重要です。

なぜなら、ビジネス部門も IT 部門もすべての意見を述べることはできないからです。ビジネスリーダーは競争上の優位性を獲得するためにどの手段を講じるべきかを知っており、一方テクノロジーリーダーはそれらの目標を達成するためにテクノロジーをどのように活用するかを知っています。

両者が協力することで、問題、要件、望ましい結果の全体像を把握し、どの変更が運用上および財務上最も大きな影響を与えるかを優先順位付けすることができます。

たとえば、ある消費財小売企業の平均請求書処理時間は 36 時間でしたが、コストを削減し、効率を高めながら処理を高速化したいと考えていました。 AI/ML ソリューションを適用すると、請求書処理時間が 30 分に短縮され、効率が 720% 向上すると推定されます。

この改善は紙の上では良さそうに見えましたが、同社の週次決済プロセスでは処理時間の改善は大きくなく、解決策は実装されませんでした。

解決すべき問題を見つけたら、それを収益の増加、利益率の改善、リスクの軽減という 3 つの主要なビジネス ドライバーに結び付けることが重要です。そして、上記の場合、時間の節約は必ずしも収益の増加やコストの削減を意味するわけではありません。

データの品質が成功の鍵

今日、ほとんどの人は AI プロジェクトにおけるデータの重要性と危機感を疑問視しません。クリーンで信頼性が高く、アクセス可能なデータは、正確な結果を達成するための鍵となります。

人工知能システムの場合、アルゴリズムが優れていてモデルが効果的であっても、データ品質が悪かったり、収集が困難または不可能だったりすると、全体的な失敗を意味します。

したがって、企業は、どのようなデータを収集する必要があるか、それを実際に収集できるかどうか、収集がどの程度困難で費用がかかるか、そしてデータが必要な情報を提供するかどうかを決定する必要があります。

たとえば、金融機関は AI/ML を使用してローン処理を自動化したいと考えていますが、ソース レコードにデータ要素が欠落しているためにエラー率が高くなり、ソリューションが失敗します。

これを行うには、各レコードを確認するための 2 番目の ML モデルを作成する必要があります。必要な信頼区間を満たすレコードは自動プロセスで先に進められ、要件を満たさないレコードは手動で取り出され、データ品質の問題が解決されます。

この多段階のプロセスにより、必要な人的介入が大幅に削減され、機関の効率が 85 パーセント向上しました。データ品質の問題に対処するための追加の ML モデルがなければ、自動化されたソリューションを使用しても、機関は有意義な結果を達成することはできなかったでしょう。

自分で構築しましたか、それとも第三者に依頼しましたか?

企業は人工知能システムを構築する際、独自に開発するか、第三者を導入するかという相反する選択に直面することがよくあります。一般的に、社内で構築されたソリューションは、アルゴリズムの開発、データのクリーニング、モデルのテストと検証の作業がすべて自社で行われるため、非常に「制御可能」です。

ただし、独自の AI ソリューションを構築するのは複雑であり、オープンソース コードを使用しない限り、使用するツールに関するライセンス料や、事前のソリューション開発とメンテナンスに関連するコストが発生します。

では、サードパーティ ソリューションですべてがうまくいくのでしょうか? 必ずしもそうとは限りません。サードパーティ ソリューションには、モデルやその動作にアクセスできない、モデルが想定どおりに動作しているかどうかを知る方法がない、ソリューションが SaaS ベースの場合はデータにアクセスできない、回帰テストを実行したりエラーの許容度やエラー率を把握したりする方法がないなど、独自の課題があります。

規制が厳しい業界では、規制当局が質問してくるため、これらの問題はさらに困難になります。

たとえば、ある金融サービス会社は、人工知能を使用して疑わしいアクティビティを識別する SaaS ソリューションを検証していました。第三者が関与しているため、同社は基礎となるモデルやデータにアクセスできず、モデルがどのアクティビティが疑わしいかを判断する方法についての詳細も把握していない。では、企業はどのようにデューデリジェンスを実施し、ツールが機能することを検証するのでしょうか?

この場合、同社は、検出しようとしていた疑わしいまたは悪質な活動をシミュレートするしか選択肢がないことに気付きました。しかし、この検証アプローチにも、テストが悪影響を及ぼさないようにしたり、サービス拒否状態を生じさせたり、サービスの可用性に影響を与えないようにするなどの課題があります。

同社は、生産への影響のリスクを最小限に抑えるために、テスト環境でシミュレーションを実行することを決定しました。企業がこの検証方法を利用することを選択した場合は、サービス契約を確認して、この種のテストを実施する権限があることを確認し、影響を受ける可能性のある他の第三者から許可を取得する必要があるかどうかを検討する必要があります。

関連するすべての音を収集する

AI ソリューションの開発を検討する際には、ビジネス関係者、IT、コンプライアンス、内部監査など、関連するすべての意思決定者を事前に集めることが重要です。これにより、計画と作業の開始前に、要件に関するすべての重要な情報が収集されます。

たとえば、あるホテル管理会社は、ヨーロッパの厳格なデータ保護法である一般データ保護規則 (GDPR) の要件に従い、データ主体のアクセス要求 (DSAR) に対応するプロセスを自動化したいと考えていました。 DSAR では、企業は要求に応じて、要求者に関して企業が保有する個人データのコピーとそのデータの使用目的を提供する必要があります。

そのため、同社は DSAR プロセスの要素を自動化する AI ソリューションの開発を外部ベンダーに依頼しましたが、プロセスに IT 部門は関与していませんでした。

結果として得られた要件定義は、会社がサポートするテクノロジー ソリューションと一致しませんでした。概念実証では、ソリューションによって速度と効率が 200% 以上向上することが実証されましたが、IT 部門は新しいソリューションを長期的に維持するためのコストが節約額を上回ることを懸念したため、ソリューションは実稼働に移行されませんでした。

同様の例として、ある金融サービス組織では、要件定義の開発にコンプライアンス チームを関与させませんでした。その結果、開発された AI ソリューションは組織のコンプライアンス基準を満たさず、認証プロセスは文書化されておらず、ソリューションは会社が要求するのと同じ ID およびアクセス管理 (IAM) 標準を使用していませんでした。コンプライアンスは、概念実証段階を部分的にしか通過しなかったソリューションを「無効」にすることもあります。

AI/ML ソリューションの開発または実装の早い段階で、関連するすべての意見を取り入れることが重要です。これにより、要件定義が正しく完全であり、ソリューションが必要な標準を満たし、意図したビジネス目標を達成することが保証されます。

結論

AI やその他の新興テクノロジーを検討する場合、企業は成功を確実にするためにプロセスの早い段階で適切な行動を取る必要があります。最も重要なのは、次の点を確実にする必要があることです。1) 追求しているソリューションが、収益の増加、収益性の改善、リスクの削減という 3 つの主要目標のいずれかを満たしていること。2) 必要なデータを取得するためのプロセスが確立されていること。3) 構築するか購入するかの決定が十分な情報に基づいていること。4) 早い段階ですべての関係者が関与していること。