企業向け人工知能アプリケーション開発ガイド

AI アプリケーション開発プロセスを詳しく調べ始める場合、まずこれらのプロジェクトが通常のアプリケーション開発プロジェクトとどのように異なるかを理解することが重要です。 AI に関しては、企業がすでに同様のプロジェクトを開発している場合でも、すべての問題には独自のソリューションが必要です。一方では、人工知能を構築するためのさまざまな事前トレーニング済みモデルと実証済みの方法が存在します。さらに、AI はさまざまなデータとビジネスケースに基づいているという点で独特です。このため、AI エンジニアは通常、ビジネスケースと利用可能なデータを詳しく調べ、既存の方法とモデルを調査することからこの取り組みを始めます。

これらの側面により、AI プロジェクトの作成は、従来のソフトウェア開発よりも科学研究に近いものになります。なぜそうなるのか、そしてこの現実を理解することで、組織がプロジェクトにこれらのプロセスと予算を実行する準備をするのにどのように役立つのかを探ってみましょう。

人工知能プロジェクト分類

AI プロジェクトは次の 4 つのグループに分けられます。

簡単なプロジェクト: 典型的な例としては、公開データセットとよく知られた手法を適用することで実装できる、本番環境対応モデルが挙げられます。たとえば、ImageNet は画像の分類を目的としたプロジェクトに適しています。
よく知られたテクノロジープロジェクト: このような場合、プロジェクトに必要な適切なテクノロジーはわかっていますが、データの収集と準備に取り組む必要があります。
詳細な調査が必要な項目: 原則として、モデルがどのように機能するか、既存のデータをどのように適用するか、特定のタスクを達成するためにモデルをトレーニングするためにどのような手順を実行する必要があるかを把握できます。モデルがどのように動作するかわからないため、経験だけに基づいて予測することはできません。起動プロセスでは、追加のテストとケース処理が必要です。
実稼働プロジェクトには追加の労力が必要です。この一連のケースのデータとモデルはどちらも実際に十分に試されていません。

AI プロジェクトはなぜ予測不可能なのでしょうか?

AI プロジェクト開発の状況は、テクノロジーとすぐに使用できるソリューションで構成される 3 段階のピラミッドとして視覚化できます。

上位層には、サードパーティのライブラリや実績のある企業ソリューションなど、AI の使用に適した既製の製品が含まれています。たとえば、小切手詐欺の検出、顔認識、物体検出のための Google のソリューションは優れた例です。

2 番目のレベルには、ビジネス上の課題を説明する新しい領域が含まれます。課題を解決するための適切なモデルがあるかもしれませんが、実装中にその有効性を証明するには、テクノロジーを若干変更または適応させる必要があります。モデルは特定のユースケースに特化される必要があり、これにより AI の使用における新たなニッチが出現します。

科学研究は下位レベルを構成します。モデルが何を示すのか分からないため、科学的研究はまだ実用化できる状態ではありません。これは AI システムにとっては深いレベルですが、この方向への取り組みは可能です。

AIアプリケーション開発と従来のアプリケーション

AI を使用したアプリケーション開発は、非 AI アプリケーションと基本的には変わりませんが、概念実証 (PoC) とデモンストレーションが含まれます。デモと AI コンポーネントの準備が整うと、ユーザーインターフェイス (UI)/ユーザーエクスペリエンス (UX) フェーズが始まります。

アプリ開発会社が AI 駆動型アプリの作成を任されたときに最初に行うことは、クライアントにニーズとデータについて尋ねることです。AI は製品の中核となるものか、それともアドオンなのか? この質問の答えは、ソリューションの洗練度に影響します。

顧客は必ずしも最も正確で最新のソリューションを必要としない場合があります。したがって、AI コンポーネントの不足が成熟した製品開発を妨げているかどうか、また AI コンポーネントなしで製品を作成することに意味があるかどうかを調べることが重要です。それが解決されれば、先に進むことができます。

まず、AI プロジェクトは次の 2 つのサブカテゴリに分けられます。

ゼロから構築されたアプリケーション
既存のアプリケーションへのAIコンポーネントの統合

AIアプリケーションをゼロから構築

したがって、AI 対応の新しいアプリケーションをゼロから開発することに決めた場合は、このため、AI アプリケーションを統合するためのインフラストラクチャが存在しません。ここで最も重要な疑問が浮かびます。AI 機能の開発は、ログイン/ログアウトやメッセージや写真の送受信など、通常のアプリ機能と同じように処理できるのでしょうか?

一見すると、AI はユーザーが操作できる機能にすぎません。たとえば、AI を使用すると、メッセージがスパムであるかどうかを検出したり、写真に写っている顔の笑顔を識別したり、顔認識や音声認識を利用して AI ベースのログインを可能にしたりすることができます。しかし、AI ソリューションの開発はまだ初期段階であり、研究に基づいています。これにより、特にビジネス目標が革新的で複雑な AI ソリューションの考案を必要とする場合には、アプリケーションの AI 機能がプロジェクト全体の中で最もリスクの高い部分であるという認識に至りました。

たとえば、ログイン/ログアウト画面、メッセージングシステム、ビデオ通話を備えたチャットアプリケーションを構築する場合です。ビデオ通話では Snapchat のようなフィルターをサポートする必要があります。以下は、リスクマトリックスとアプリケーションのさまざまな機能の複雑さの概要です。

チャットアプリケーションの機能

リスク最小化戦略の観点から、複雑さとリスクが最も低いタスクから開発プロセスを開始することは合理的ではないことは明らかです。 Snapchat のようなフィルターはなぜ最もリスクが高いのかと疑問に思うかもしれません。答えは簡単です。Snapchat のようなフィルターを作成するには、拡張現実 (AR) やディープラーニングなどの最先端技術を多数取り入れ、それらを適切に組み合わせ、コンピューティングリソースの少ないスマートフォンに搭載する必要があります。これを実現するには、数々の並外れたエンジニアリングタスクを解決する必要があります。

既存のアプリケーションにAIコンポーネントを統合する

既存のプロジェクトに人工知能機能を統合することは、AI アプリケーションをゼロから構築することとは少し異なります。まず、AI で強化する必要がある既存のプロジェクトは、AI 機能を考慮したアーキテクチャなしで開発されており、これはよくある状況です。 AI 機能が特定のデータパイプラインの一部であることを考慮すると、AI 機能の開発には、アプリケーションアーキテクチャに少なくとも何らかの変更を加える必要があることが確実であると結論付けられます。 AI の観点から見ると、既存のアプリケーションは次のカテゴリに分類できます。

（１）データベースベースのプロジェクト：

テキスト処理
推薦システム
チャットボット
時系列予測

（２）データベースに基づかないプロジェクト：

画像/ビデオ処理
音声/サウンド処理

AIアプリケーション開発の主な段階

ここでは、一般的な AI アプリケーション開発プロセスが 5 つの段階でどのように進化するかについて説明します。

1. ビジネス分析

最初の段階では、クライアントの意見やビジョンを収集します。これは、全体的なアイデアの概要を記載した文書になります。ここでビジネス分析プロセスが始まります。入力を準備するには、ビジネス上の問題について考える必要があります。企業は、ビジネス上の問題を抱えたアプリケーション開発会社に解決を依頼します。その仕事は、ビジネスと人工知能の能力の交差点を見つけることです。

たとえば、レストランや食料品店チェーンの場合、経営者は購入と販売を分析することで食品廃棄物を減らし、バランスをとることに関心を持っています。 AI エンジニアにとって、このタスクは時系列予測または関係分析タスクとなり、そのソリューションによって特定の数値を予測できるようになります。

2. 機械学習の問題の特定

次の段階は、議論して解決する必要がある機械学習 (ML) の問題を特定することです。これには、コンピュータービジョン、自然言語処理、音声認識、予測、生成 AI などの AI サブフィールドの技術的機能を考慮する必要があります。

3. データ収集

データは機械学習の原動力であり、人工知能アプリケーションの開発における重要なステップです。データには、特定のデータと一般的なデータの 2 つの主な種類があります。一般的なデータはオープンソースのデータウェブサイトから入手できるため、対象者を絞り込み、特定の地域、性別、年齢などの重要な要素に焦点を当てるだけで済みます。大量の共通データによりプロセスを効率化できます。

したがって、顧客がフィットネストラッカーのアクティビティに基づいたアプリを持っている場合、データを適用して学習を転移し、できるだけ早く実装を開始できます。同じことが、大規模なセットから開始できる画像分類にも当てはまります。

（１）新規プロジェクト向けAIPoCの開発

新しい AI プロジェクトの概念実証 (PoC) フェーズは、AI を中心に据える必要があります。これは何を意味するのでしょうか? リスク最小化戦略を満たすには、プロジェクトの中で最もリスクの高い部分である AI 機能から始め、可能であればプロジェクトの他の機能には触れないようにする必要があります。適切な結果を得るために、概念実証 (PoC) フェーズを複数回繰り返すことができます。満足のいく結果が得られたら、MVP/工業化フェーズに移行し、アプリケーションの残りの機能をすべて開発できます。

（２）既存プロジェクト向けAIPoCの開発

AI 機能をエンドユーザーが利用できるようにするには、まずその機能を開発し、既存のアプリケーションと統合する必要があります。つまり、アプリケーションのコードベース、アーキテクチャ、インフラストラクチャです。

AI 機能の最も魅力的な点は、主要なアプリケーションに一切触れることなく、研究、開発、テストを行えることです。これにより、メインアプリケーションを危険にさらすことなく、AI 分離の概念実証 (PoC) を開始できるという考えが生まれました。これが実はリスク最小化戦略の本質なのです。

次の 3 つの手順に従います。

（１）既存のアプリケーションからデータを収集する：

データベースダンプの作成
画像/ビデオ/オーディオサンプルを収集する
収集したデータにラベルを付ける、またはオープンソースライブラリから関連するデータセットを取得する

（２）以前に収集したデータを使用して隔離されたAI環境を構築する：

トレーニング
テスト
分析する

（３）訓練に成功したAIコンポーネントを展開する：

現在のアプリケーションアーキテクチャの変更に備える
新しいAI機能のためのコードベースの適応

プロジェクトの種類に応じて、コードベースを調整すると次の結果が生じる可能性があります。

AIモジュールによるアクセスを簡素化し高速化するためにデータベーススキーマを変更しました
ビデオ/オーディオ処理マイクロサービストポロジの変更
モバイルアプリの最小システム要件の変更

4.PoC段階の見積もり

ビジネスオーナーは、概念実証 (PoC) フェーズで必要となる予算、タイムライン、労力についてソフトウェアベンダーに質問することがよくあります。上で示したように、AI プロジェクトは、通常の開発プロセスと比較して、予測不可能性が非常に高いという特徴があります。これは、タスクの種類、データセット、方法、および手法の多様性が高いためです。これらすべての条件により、仮想プロジェクトの見積もりがかなり難しい作業になる理由が説明されます。それでも、ここでは上記の AI プロジェクトを複雑さに応じて分類する 1 つの方法を示します。