機械知能に取って代わられない5つのスキル

「機械知能が人間のために行っている 5 つのこと」という記事では、機械が常に新しい奇跡を生み出していることがわかります。また、人間と機械の可能な限り強力なパートナーシップを推進するために実行できる、また実行すべき賢明な手順があることも注目に値します。

将来の力を生み出すあらゆる人間のパフォーマンスの基盤となる複雑なスキルが存在します。機械は模倣することはできますが、完璧に再現することは決してできません。この記事で説明する 5 つの能力は、想像力、創造力、推論力 (帰納的思考と演繹的思考)、問題解決力です。

01 想像力

火星への最初の旅に備えて、NASAのエンジニアたちは多くの新しいコンセプトを考案しました。 NASAのトーマス氏は、一つの構想は宇宙飛行士を重篤な治療に導くことができる緊急医療システムだと述べた。

地球と火星の間で信号が伝わるのに40分かかり、宇宙飛行士が火星で怪我をしたり病気になったりしても、リアルタイムで地球上の医師に相談することはできない。したがって、火星ミッションには、緊急医療診断および治療システム、つまり「手のひらの上の医者」が必要です。

火星への旅は積載量とエネルギーによって制限されており、どちらの面でもその制限を超えることはできません。あまり重いものを運ぶことはできませんし、地球のようにコンピューター室全体のコンピューティング リソースを使用することもできません。 NASA にはどんな良い解決策があるのでしょうか? トーマスは実はまだ答えを持っていません。しかし、NASAが直面したこの難問は、人間が依然としてコンピューターより優位に立っていることを示している。完璧な答えを得るには並外れた想像力が必要です。

「これはデータサイエンスの問題です」とトーマス氏は言う。「なぜなら、情報はたくさんあるのに、何が起こっているのか明確には分からないからです」。NASAは、宇宙飛行士と周囲の環境を監視するためのセンサーやその他の機器を備えた火星ベースのシステムを開発することを決定しなければならなかった。

NASA はどのようにしてどの病気の治療計画を立てるかを選択するのでしょうか? 幅広い症状に対処できるインテリジェントなシステムが必要になります。感染症などの長期にわたる慢性疾患は、地球上の専門家によって依然として管理可能です。動脈出血などの緊急事態には、その場で対処する必要があります。では、中毒のような、その中間に位置する問題についてはどうでしょうか?

「手のひらのお医者さん」の開発など課題解決は人の力です。コンピューターは想像することができません。少なくとも、プロトタイプを参照せずに斬新なアイデアを思いつくことはできません。想像力には、補間や外挿だけでなく、創造性も必要です。コンピューターのおかげで、会議室が突飛で、野心的で、興味深く、先見性のあるアイデアでいっぱいになるわけではありません。人間の想像力はインスピレーションと夢の源です。

人間と機械が協力して働くとき、より賢く、より想像力豊かになろうと努力する必要はありません。可能性に対して自分自身を開くだけでいいのです。

たとえば、自動運転車がもたらすチャンスをつかむ。自動運転車が公道を走るようになると、運転手は電車や飛行機の中、あるいは自宅のリビングルームやダイニングルーム、寝室にいるのと同じくらいゆっくりと時間を過ごすことができるようになるでしょう。高速道路を疾走し、並行デジタル宇宙と繋がるこの居住ユニットでは、人々は娯楽、教育、ダイエット、個人の健康（マッサージなど）のためにどのような製品やサービスを利用するのでしょうか？

実用的な観点から見ると、想像力は通常、テーマを抽出するための原材料としてさまざまな可能性を使用することを必要とします。

• ビジネスを経営している場合、この新しいテーマをどのように活用して収益を上げることができますか? (車の位置と同期したナショナル ジオグラフィック チャンネル スタイルの説明番組を提供しますか?)
• 政府機関や第三セクターで働いている場合、国民に奉仕するという使命をよりよく果たすにはどうすればよいでしょうか? (機械学習から推測された地域の事件のパターンに基づいて安全警報を送信しますか?)

データ、アルゴリズム、ネットワークを組み合わせて、これらの新しい資産を作成するにはどうすればよいでしょうか。想像力を刺激し、斬新なコンセプト、戦略、ビジョンで想像力をかき立てる必要があります。これはあなたの肩にかかっている仕事です。

David Rose 氏が Ditto Labs とそれ以前の 5 つのスタートアップを設立したときに採用した想像力のアプローチを考えてみましょう。ローズ氏は、ディットーでは実績のある起業家戦略を採用したと語る。彼は、機械知能の新たな力が新しい「問題領域」にどのように適用できるかを想像しています。インスピレーションは学術研究から生まれました。

「驚くべき出来事が起きた」と彼は語った。「学術界から、広範囲にわたる影響を与える優れた技術やアイデアを厳選することができるのだ。」

ローズ氏は、MITの同僚たちが、自動運転車やドローンの物体識別などの難しい問題を解決するためのコンピュータービジョン技術を開発していることに気付いたことから始めました。コンピューター ビジョンは、マシンがさまざまなオブジェクトを区別できる場合にのみ機能します。網膜スキャナー、指紋リーダー、顔認識などのすでに一般的なアプリケーションであっても、あるものを別のものと区別することは依然として課題です。

ローズ氏は、最も特徴的な種類の画像であるロゴや商標を認識するためにコンピューターを使用することにしました。

こうしてディットーが誕生しました。同社の成功は、ピクセルで構成された写真が、機械が構造化データに変換できる新しい非構造化データ ストリームを提供するという認識に基づいていました。開発された新しい機能により、マーケティング担当者が関心を持つ多くの質問に、より適切に答えることができます。

現在、ローズは「ビッグデータ」と「ビッグ写真」を組み合わせ、さらに「ビッグ感情」を加えることが期待されており、これがアフェクティバの事業の主軸となっている。

ファンタジーのように聞こえるかもしれませんが、それがポイントです。明日のリーダーシップには、コンピュータの認識、記憶、組織化能力に支えられた強力な想像力が必要になります。

このような想像力は、過去の革新的な思考とは異なります。幼稚園では習わなかった概念、たとえばクラウドソーシング（新しい問題を解決するために国際的なチームを集める）や、無形の感情情報を 1 と 0 のシーケンスに変換すること（Affectiva は、希望、インスピレーション、フラストレーションをエンコードする方法に取り組んでいます）を使用する必要があります。

02 創造

想像したものを創造できますか? コンピューターはまだこの目標には程遠いです。したがって、創造性、つまりさまざまな新しいコンポーネントを組み立てるときに形成される想像力は、数学的企業の時代にリーダーが際立つことを可能にする2番目の重要な能力です。

創造性とは、既存の計画を実行することではなく、計画を構成する要素を創造することです。それは、アウトソーシング、ネットワーキング、コラボレーションなどの一般的な方法を使用して、ビジョンの構成要素をどのように配置するかに関するものです。

Uberの事例を見てみましょう。同社の600億ドルの市場価値は、多数の工場や設備を所有し、運営することによって達成されたわけではない。地図ナビゲーションやクレジットカード決済の承認を発明したわけではありません。運転手を雇用したり、車を提供したりはしません。では、Uber の中核資産とは一体何でしょうか? それは、多数の知的財産権の集合体です。

Mathematica では、リーダーの創造性は、企業、政府、非営利団体の独自の機械知能リソースを 1 つにまとめる優れたスキームを設計することに帰着することがあります。価値を生み出す秘訣は、ハードウェアを統合することなくコンピューターが対話し、コードを統合する方法を備えたデジタル リソースのサプライヤーを統合することにあります。これにより、深みと多様性に富んだ、一種のグローバルなデータ サイエンスのるつぼが誕生しました。

近い将来、数学企業はアプリケーション プログラミング インターフェイス (API) を使用して相互に通信するようになります。 API は、データが秘密裏にまたは舞台裏で交換され、企業間の強力なつながりを生み出すチャネルです。 API はテクノロジーの進化における単なる足がかりに過ぎませんが、競合他社や消費者の目に触れない新しいタイプの戦略的提携を形成することができます。

API により、人手を介さずに瞬時に大規模なデータ交換が可能になります。機関はさまざまな情報を共有およびアクセスでき、情報の使用方法は機関自身のみが把握できます。そのため、組織は最も得意とする業務を遂行し、組織のエコシステム内で最も生産的で収益性の高い領域の開発に集中することができます。

創造性とは、地下室で装置を発明し、特許を取得して利益を独占することではありません。とはいえ、それはまだ良いアイデアです。それは、世界中の研究室で斬新なコンセプトを構築し、それを利益のために共有することを意味します。数学会社を率いる場合は、日常業務を数学社会に統合して、会社の戦闘力を高めることができます。

数学の社会では、今日のインターネット機器と同じように、機関は互いにつながっています。資産の取得を通じて数学社会とつながることができない場合でも、デジタル機能の統合を通じてつながりを確立することは可能です。

Ditto Labs のローズ氏は、今日のリーダーは API コレクションの管理者であると考えています。これは、リーダーが現在、複雑な生産チェーンで買い手と売り手の役割を切り替えているのと同じです。たとえば、Ditto は Affectiva のサプライヤーとバイヤーの両方である可能性があり、Affectiva は Nike や Procter & Gamble などの大企業のサプライヤーとバイヤーの両方である可能性があります。

企業が製品コンポーネントを物理的なサプライ チェーンにアウトソーシングできる場合、データとコードも仮想サプライ チェーンにアウトソーシングできます。創造性は、生き残るための最も有利な方法を見つけることから生まれます。

「顧客が重視するデータ インサイトとインタラクティブ性を提供しようとしているのです」とローズ氏は言います。「顧客はインサイトがどこから来るのか気にしません。」成功するには、「素早く考え、新しいデータの世界で常に新しいユーザー エクスペリエンスを模索する人材が必要です。クレイジーな発明家だけでなく、何か新しいものを導入する適切なタイミングを見極められる優れたコミュニケーターも必要です。」

創造行為には、物理​​的なエコシステム内でどのように相互作用するかを考えることが含まれます。Uber が Epi-demico などの企業にワクチンを配達したときのように。機械知能の時代において、私有財産を守るために自らを孤立させると、爆発的に増え続ける世界的なデジタル資源の宝庫を活用する機会を逃すリスクがある。

適切な組み合わせを構築するということは、時間の使い方を変えることを意味します。つまり、コミュニティ、他の業界の仲間、スタートアップ企業、大学の研究室でより多くの時間を過ごすということです。現在、代理店はこれまで以上に大規模な組織の一部となっています。数学的企業の優れたリーダーになりたいのであれば、企業の外部とのつながりを広げて自分の価値を高めなければなりません。

03 & 04 推論: 帰納法と演繹法

さて、私たちは再び出発点に戻り、質問をします。通常、ここで人間が得意とする 3 番目と 4 番目の認知能力、つまり帰納的推論と演繹的推論が使われ始めます。

帰納的推論は、答えを見つけるために機械と積極的にやり取りすることを容易にするため、さらに重要になります。ここが人間と機械のパートナーシップが輝くところであり、並行するデジタル世界がなければ多くの可能性が失われます。

たとえば、中西部の大規模病院チェーン（以下、MedWest と略す）の研究者たちは、敗血症が致命的な病気になるのを防ぐことができるかどうかを知りたいと考えていました。敗血症は、通常入院を必要とする全身感染症です。研究チームは過去数年間にわたり、何千人もの敗血症患者から電子病院記録を収集した。患者の中には病状が悪化し、より危険な重度の敗血症を発症した人もいたが、そうでない患者もいた。

医療界のリーダーたちは、研究者たちに重要な疑問に答えるよう求めた。それは、2つの患者群のバイタルサインの違いを観察して、敗血症の悪化を早期に警告できるかどうかだ。もしそのような警告があれば、大きな進歩となるだろう。なぜなら、患者が重度の敗血症を発症すると、治療して死を防ぐには手遅れになることが多いからだ。

研究チームは患者の記録をまとめた後、患者のバイタルサインデータを時系列順に並べた。その後、研究者らは新たな分析手法を用いて、時間の経過に伴うバイタルサインの変化のパターンを探した。

研究者らは、敗血症患者の容態が悪化し始める数時間前に、患者のバイタルサインが一定のパターンで変化することが多いことを発見した。それは医師たちが気づいていなかったパターンでした。研究者たちは、治療オプションを早期に実施して命を救うことができるように、これらの変化がないかメッドウェストの患者を直ちに監視し始めました。

これは帰納的推論の力であり、人間と機械の両方が解決するのに適した質問を生み出します。リーダーとして、あなたはこの力の始まりの場所にいます。機械知能をアシスタントとして利用すれば、質問するだけで機械が新しい答えを見つけるお手伝いをします。問題解決の旅は、理論的な好みや偏見を持って始まるものではありません。調査を始めて最後までやり遂げるだけで、出てくる答えが私たちの人生を完全に変える可能性があります。

リーダーとして、あなたは、誰が、何を、いつ、どこで、なぜといったあらゆることに関わる質問をします。

Merck の場合、次のような質問が考えられます。ワクチンを購入または使用しているのは誰か? 製造において最も制御できない変数は何か? バッチで不良品が発生する割合が最も高い時間帯はいつか? 異常はどこで探せばよいか? 月曜日に生産されるバッチの品質が最も高いのはなぜか? 自社の生産ラインがグローバルな供給および製造エコシステムにどのように適合しているかについて、データから何がわかるか? これらの洞察に基づいて、どのように対策を講じるか?

あなたが戦略を立てている軍司令官だと想像してください。兵士、兵站、敵の情報、その他多くの戦争の要素を戦略的に考慮する必要があります。もちろん、あなたの目標は戦いに勝つことですが、勝利には代償が伴うため、長所と短所を比較検討する必要があります。どのように選択すればよいでしょうか?

機械にアドバイスを求めると、実際の戦闘状況を反映したモデルが満載されており、たとえば 25 個のオプションが提示されますが、そのそれぞれは理解できない複雑さから抽出されたものです。

この場合、必要なのは単一の最適な答えではなく、機械が考えていないオプションをリストし、現在の状況に最適なコストとトレードオフを備えたソリューションを特定することです。このように、機械知能の時代には、人間と機械が密接に連携して、調査における帰納的手法の力を最大限に活用することになります。

帰納的推論の最も基本的な方法は、複雑なデータから何が見つかるかについての先入観を持たずに、物事をあるがままに観察することです。質問をしたら、機械知能がアルゴリズムを使用して答えを提供します。

データとモデルに関してあなたが提起する疑問は、複雑なシステムがどのように機能するかを反映しています。このデータは、これまで保存していたデータよりもはるかに広範囲にわたります。これらのモデルは、人間の脳が考え出せるものよりもはるかに複雑です。機械が答えられるような適切な質問をすれば、斬新で役に立つ答えを得られる可能性が飛躍的に高まります。

データに関して、「ゴミを入れればゴミが出てくる」という古い格言があります。質問をする場合も同じ原則が適用されます。悪い質問は役に立たない洞察を生み出します。

鶏が先か卵が先かと尋ねますか? そうすると、鶏が先か卵が先かという質問をしていることになるので、答えは得られません。代わりに、生物進化の歴史の中で卵を産む動物の祖先はいつ現れたのかと尋ねることができます。何百万年もの進化の歴史の観点から尋ねることで、いくつかの現実的な可能性を得ることができます。

だからこそ、リーダーとしてこのプロセスを把握し、より広く、より洞察力のある目で世界を見る必要があるのです。

あなたには、頼りになる仕事と人生経験、視点、組織に関する知識があります。ソクラテスが言ったように、あなたは「吟味された人生」を送っています。批判的な目と、常に未知のものに対する好奇心を持つ心で、あなたは重要な行動について一連の疑問を投げかけます。問題についてより深く考えていくと、独自の理論が形成されます。

これは、最初から問題を正確に把握しているという意味ではありません。こんなに幸運なのは珍しい。まず、クエリ要求がマシンが理解できる形式でフォーマットされるように、データ サイエンティストと連携する方法を学ぶ必要があります。

一方、純粋に帰納的なアプローチを採用し、予期しない結果を受け入れる場合、問題における起こり得る結果についていかなる仮定も立てることはできません。重要なのは、組織を究極の重要な質問へと導く原動力となる価値ある質問を考え出すことです。

帰納的推論が観察を通じて真実を発見することであるならば、演繹的推論は実験を通じて仮説を検証することです。帰納的推論では、可能性があると思われる事柄から推論を形成します。演繹的推論では、特定の前提に基づいて結論を導き出します。実際には、両方のタイプの推論が使用されますが、一部の分野では、帰納的推論は間接的で非公式な性質のため、好ましくありません。

新しい方法で機械と連携する場合、これら 2 種類の推論を使用して多くのことを達成できます。 2 つの推論モードを交互に行うことは、複雑な問題の謎を解明する手っ取り早い方法となることがよくあります。これが科学者の仕事のやり方です。科学的な理論が確立したら、演繹的推論を利用して、あらゆるものを変えることができる疑問を見つけます。

サンフランシスコ警察の幹部は、より的を絞ったパトロールによって自動車盗難を減らしたいと考えています。データ科学者の指導の下、研究チームは犯罪データベースを検索し、自動車盗難の多発地帯3か所と、最も頻繁に事件が発生する時間帯である土曜の夜7時頃を発見した。

データ科学者たちは警察の協力を得て、主要なホットスポットが公園に囲まれていることを発見した。新たな理論が生まれました。都市では、公園の自然エリアが泥棒が窃盗を開始して逃げるのに最適な場所であるということです。これにより、いつどこでパトロールを強化すべきかが明らかになり、その後のフィードバック データにより、「公園理論」が自動車盗難対策のパトロール プログラムに対する最善の答えであるかどうかを検証できます。

したがって、人間と機械のコラボレーションでは、人間側の直感によって、より良い質問と回答が得られることがわかります。考えなくても、直感でアイデアが浮かび、マシンはその理論をテストするために辛抱強く待機します。

05 問題に対する解決策を構築する

機械が苦手だが人間が得意とする 5 番目のスキルは、問題に対する解決策を構築することです。最初の課題は、問題そのものとその内容を特定することです。次に、人間と機械のコラボレーションをどのように活用して答えを見つけるかを決定します。

もう一度言いますが、科学的研究と同様に、素晴らしい結果を達成するには、問題の定義とそれを解決する方法が、投入される知的努力と同じくらい重要です。構築、指示、発見、分析のプロセスが決定されると、コンピューターはタスクや数学的計算を実行できるようになります。

問題を解決する方法は数多くあり、始めるための手順も数多くあります。どのようなデータを使用するのでしょうか? どのアルゴリズムが最も役立つのでしょうか? どのようなモデリング手法を使用するのでしょうか? 適切な行動方針は何でしょうか?

コンピュータは数学の天才ですが、どのような計算を実行するかを独自に推測することはできません。これは、アルゴリズムの専門家になる必要があるという意味ではありませんが、アルゴリズムで何ができて何ができないか、またどこで使用できるかについて優れた直感を持っている必要があります。

これは、人間が機械と協力して問題を解決するときに持つ力を示す簡単な例です。大手金融機関における私たちの任務は、不正行為の大部分を阻止し、金融機関が資金を回収できるように、不正行為を早期に検出する方法を見つけることでした。

詐欺は何百通りもの形で現れる可能性があり、詐欺は頻繁に発生し、詐欺師は素早く行動するため、事例を追跡する際にそのパターンを把握することが困難な場合があります。私たちは、10 年間蓄積されたデータと 400 を超える変数を基に、「悪意のある行動」をモデル化して検出し、将来の犯罪を防止できるように努めています。

問題を解決する方法を変えました。 「悪意のある行動をどのようにモデル化するか」と問うのではなく、「善意の行動もモデル化したらどう役立つか」と問いかけました。私たちが発見したように、運用ルールに従う善意の顧客の特徴をモデル化し、悪意のある行動の他のモデルと組み合わせると、不正行為の検出とブロックがはるかに効果的になります。

つまり、実際には、個々の取引に焦点を当てるのではなく、類似した人々のグループ（たとえば、同様の生活環境や収入構造を持つ人々）の共通の行動パターンに焦点を当てる必要があるということです。

「良い」行動のパターンに導かれることで、懸念される異常な行動を見つけて対処することが容易になります。 「悪意のある」行動とそれが善良な行動とどう違うのかが際立ちます。この質問から、最終的に、この機関に 10 億ドルを超える大規模で広範囲にわたる詐欺事件が発生していることが判明しました。

問題解決のもうひとつの例は、自動運転車用ソフトウェアの構築において Google と Tesla が採用した異なるアプローチを比較することです。 Google は、運転プログラムが考えられるあらゆる状況を予測して対応できるように、何百万もの道路シナリオを使用してモデルをトレーニングします。同社は自社で製造した車にのみソフトウェアをインストールし、自社のテストドライバーを使用している。

対照的に、テスラは、すべてのドライバーが使用できるように、車載のオートパイロット テスト機能を備え、製造するすべての車にオートパイロットを搭載しています。テスラ車の一部のソフトウェアは、限定的な自動運転で顧客を支援することができます。このソフトウェアのもう一つの機能は、車に影響を与えないドライバーの行動をすべて記録することであり、これによりテスラは将来的に完全自動運転機能を実現するために継続的にデータを蓄積することができる。

この問題に対する 2 つのアプローチの結果を比較してみましょう。Google は 6 年かけて実際の自動運転車の 100 万マイル分のデータを収集しましたが、Tesla の 7 万台の車は 10 時間ごとに 100 万マイル分のドライバー データを生成できます。データを活用して次のブレークスルーを最初に掴むのは誰でしょうか?

教訓はこうです。コンピューターに「パフォーマンスを向上させてください」（または「車のソフトウェアを向上させてください」）と指示することはできないということです。まだ質問をして、それをどのように構築するかを考え出す必要があります。

人間が機械に対して持つ他の利点と同様に、特定のタスクでは人間の方が優れているため、人間と機械のコラボレーションに重要な主要な機能をさらに開発する必要があります。成功のための強固な基盤を確保するために優先する機能を選択する場合、この記事では慎重に準備された候補リストを紹介します。

著者について: Josh Sullivan 氏は、米国の有名なコンサルティング会社 Booz Allen Hamilton のパートナーです。同氏は同社のデータ サイエンス チームを設立し、そのリーダーを務めています。同チームは、データ サイエンスが複雑な組織の問題をどのように解決できるかをビジネス リーダーに示すことに尽力しています。彼は、数百のフォーチュン 500 企業や政府機関と協力し、MathCorp の原則を採用してビジネスを成功に導く組織の再編を支援してきました。アンジェラ・ズタバーンはブーズ・アレン・ハミルトンの副社長であり、マセマティカル・カンパニーにおけるリーダーシップ、変革、イノベーションの専門家です。彼女が主導した機械知能とデータ サイエンスの戦略は、何百もの企業や組織が競争上の優位性を獲得するのに役立っています。彼女の仕事には、ディープラーニングや量子機械学習の分野も含まれます。

この記事は「デジタル時代の企業の進化: 機械知能 + 人間の知能 = 無限のイノベーション」から抜粋したもので、出版社の許可を得ています。