McKinsey AI Notes: 19 の業界における 400 を超える人工知能の使用事例を解読すると、1 兆ドルの価値はどこにあるのか?

[[229251]]

最近、マッキンゼーは、人工知能が分析技術の年間価値の40％を占め、毎年3.5兆～5.8兆米ドルの潜在的価値を生み出す可能性があると指摘する調査レポートを発表しました。これは、さまざまな業界の年間収益の1％～9％に相当します（2016年）。

Smart Insider の今号では、企業、物流、防衛、旅行、公共部門など 19 の業界における 400 以上のユースケースを分析し、人工知能のビジネス機能と経済的メリットを評価した McKinsey AI Frontier Note を推奨します。

以下は著者がまとめた乾物類です。

1. 人工知能の1兆ドルの価値

現在までに知られている人工知能の最大の可能性は、回帰や分類などの分析技術にあります。ニューラル ネットワーク テクノロジーにより、機能性が向上したり、追加の洞察やアプリケーションが生成されたりする可能性があります。

ケーススタディによると、旅行、運輸、小売、自動車、ハイテク、エネルギー、化学、娯楽・メディア、基礎素材、消費財、農業、銀行、医療システム・サービス、公共部門、通信、医療用医薬品、保険、先進電子機器・半導体、航空宇宙・防衛など19の業界に人工知能（フィードフォワードニューラルネットワークや畳み込みニューラルネットワークを含むAI）を導入すると、より価値の高い製品やサービス、収益の増加、コスト削減、消費者余剰など、3.5兆～5.8兆米ドルの潜在的価値を生み出すことができます。

これは、分析技術全体の価値規模（9.5兆ドル～15.4兆ドル）の40％に相当します。各業界では、AIの潜在的価値は業界全体の平均1％～2％を占めています。応用可能性が最も小さい（500億ドル未満）航空宇宙および防衛の場合でも、これはレバノンのGDPに相当します。

通信業界の場合、事業者は大量の構造化された顧客データを保有しており、これは従来の分析手法とAI分析技術に非常に適しています。AIの潜在的な価値は業界の年間収益の3％から6％で、1,000億ドルを超えます。同様に、公共部門では、大量のデータとユースケースがあるため、AI の適用分野としては比較的成熟していますが、データのプライバシーと分析の成功の解釈可能性/論理的透明性により、潜在的な価値が制限されます。それにもかかわらず、公共部門には AI テクノロジーにとって大きな潜在的機会が残っています。

AI分析技術は、保険業界におけるより正確なリスク評価や保険料設定、製薬会社におけるAIアルゴリズムを用いた臨床試験リスクの低減、鉱業会社における生産中断リスクの予測によるより効果的な探査・掘削・採掘計画の実現など、さまざまな業界のリスク管理にも活用されるでしょう。さらに、AI は銀行の顧客タイプを識別したり、不正検出を効果的に改善したりするなど、新しい製品やビジネス モデルを作成することもできます。

AI にとって最も価値ある機会は、サプライ チェーン管理と製造業におけるマーケティングおよび販売にあります。企業の場合は、自社の部門ポートフォリオを調査し、業界の価値推進要因を理解し、AI を導入する機会を探し、適切な投資展開を決定する必要があります。さらに、デジタルインタラクションの頻繁化により、小売業やハイテクなどの消費財業界では、AIマーケティングおよび販売アプリケーションがさらに多く登場するでしょう。特に電子商取引プラットフォームでは、AI分析に基づくリアルタイムのプロモーション、価格設定、製品動向、生成モデルを使用したエンドツーエンドのサプライチェーン最適化により、さまざまなコストを効果的に削減し、運用効率を向上させ、精密なマーケティングを実現できます。

2. 人工知能の簡単な説明

読者がより具体的な AI テクノロジーのフレームワークを確立できるように、このセクションでは重要な AI 関連の概念について簡単に説明します。

人工知能とは、1956 年のダートマス会議で正式に提案された人工機械知能を指します。機械学習は、人工知能を実現する主流の手段です。データトレーニングモデルに基づいており、つまり、大量のデータを分析することで機械が学習し、プログラミングを必要とせず、特定の対象を要約して識別します。データ間の固有の相関関係を発見し、予測を行うことに重点を置いています。

1. ニューラルネットワーク

ニューラルネットワーク技術は機械学習の概念であり、本質的には、情報処理の観点から人間の脳のニューラルネットワークを抽象的にシミュレートして計算モデルを確立することです。

神経接続に基づく計算モデルは 1940 年代に注目され始め、大量のトレーニング データ (画像、ビデオ、音声を含む) を使用してデータ分析がうまく実装されました。ディープラーニングが開発される前は、ニューラル ネットワークは通常 3 ～ 5 層と数十個のニューロン/ノードしかありませんでしたが、ディープラーニング以降、ニューラル ネットワークは 7 ～ 10 層、あるいはそれ以上に拡張され、シミュレートされるニューロンの数も数百万に増加し、より複雑な問題に対してより信頼性の高い処理を実現しました。現在の人工知能の台頭は、主に大規模なディープラーニングです。

具体的には、ニューラル ネットワークには主に 3 つの種類があります。

1.1 フィードフォワードニューラルネットワーク

フィードフォワード ニューラル ネットワークは、最も一般的な人工ニューラル ネットワークです。この構造では、情報は再帰ネットワークなしで、入力層から「隠れ層」を経由して出力層へと一方向（順方向）にのみ移動します。最初のシングルセクション ニューラル ネットワークは 1958 年に提案されました。コンピューティング能力とトレーニング アルゴリズムの急速な発展により、フィードフォワード ニューラル ネットワークはより高いパフォーマンス レベルを示しました。

1.2 リカレントニューラルネットワーク

リカレント ニューラル ネットワークとは、方向性を持ってループ状に接続されたノードを含む構造を持つ人工ニューラル ネットワークを指します。任意の時間シーケンスの入力シーケンス (手書き、テキスト、音声形式) を処理するのに非常に適しています。 2016 年 11 月、オックスフォード大学の研究報告によると、ニューラル ネットワーク (および畳み込みニューラル ネットワーク) に基づくシステムは、唇の動きを読み取る認識アプリケーションで 95% の精度を達成しました (経験豊富な人間の唇の動きを読み取る人の精度は約 52%)。

1.3 畳み込みニューラルネットワーク

畳み込みニューラル ネットワーク (CNN) は、動物の視覚皮質にヒントを得た論理構造を持つディープ フィードフォワード人工ニューラル ネットワークの一種であり、大規模な画像処理 (視覚認識タスク) で優れたパフォーマンスを発揮します。

2. その他の機械学習の概念

学習方法の観点から、機械学習は、教師あり学習（トレーニングデータセット内のターゲットに人間がラベルを付ける）、教師なし学習（トレーニングデータセットに人間がラベルを付さない）、半教師あり学習（トレーニングデータセットに部分的にラベルを付ける）、強化学習（入力データをモデルへのフィードバックとして使用する）に分けられます。

アルゴリズムの種類の観点から見ると、一般的な機械学習アルゴリズムには、決定木アルゴリズム（ツリー構造を使用して決定モデルを確立する）、回帰アルゴリズム（連続値の予測用）、分類アルゴリズム（離散値の予測用、分類は事前にわかっている）、クラスタリングアルゴリズム（離散値の予測用、分類は事前にわからない）、ニューラルネットワーク、および統合アルゴリズム（複数の学習モデルの統合）が含まれます。

以下のことを理解しやすくするために、新興ビジネスで大きな可能性を秘めた 2 種類の機械学習テクノロジーについてさらに説明しましょう。

2.1 生成的敵対ネットワーク/GAN

生成的敵対ネットワーク (GAN) は、2 つのネットワーク (ジェネレーターとディスクリミネーター) が同時にトレーニングされ、ミニマックス アルゴリズムで競合する、ディープラーニングの分野における重要な生成モデルです。この敵対的アプローチは、実際のアプリケーションにおける従来の生成モデルのいくつかの困難を回避し、敵対的学習を通じていくつかの解決不可能な損失関数を巧みに近似します。画像、ビデオ、自然言語、音楽などのデータの生成に広く使用されています。

2.2 強化学習

強化学習は本質的には試行錯誤によるモデルの最適化です。強化学習は、ビデオゲームや Google Deepmind の AlphaGo など、広く採用されています。

3. 実用的問題に対する解析技術

分析手法は、次のようなさまざまなビジネス タイプにおけるさまざまな実際的な問題を解決できます。

• 分類は、一連のトレーニング データに基づいて新しい入力データを分類する作業です。主なタスクは、特定の物理的オブジェクト (トラック、自動車、生産ラインで品質検査を受けている製品など) のグラフィックを認識することです。
• 継続的な推定は、トレーニングデータに基づいて新しい入力データのシーケンス値を評価することです。売上データ、消費者の態度、天気などのデータに基づいて消費者の需要を予測したり、関連データと建物の写真に基づいて不動産価格を推測したりするなどの予測タスクで一般的です。
• クラスタリングは、タスク データに基づいてカテゴリの単一のグループを作成します (たとえば、個人データに基づく消費者の嗜好など)。
• その他のすべての最適化、つまり、システムはタスクに応じて特定の出力を持つ一連の機能最適化結果を生成します。たとえば、ユーザーのニーズ（時間、コスト、好みなど）に基づいた最適な輸送ルートの推奨など。
• 異常検出は、トレーニングデータ/履歴相関に基づいて入力データが異常であるかどうかを判断するもので、本質的には分類機能のサブカテゴリです。
• 情報検索の問題で一般的なランキングとは、製品の購入推奨を提供するなど、検索要件に基づいて特定のランキング基準に従って結果を提示することです。
• 個人の購入履歴に基づいて「次の商品」を推奨するなど、トレーニングデータに基づいた推奨事項を提供する「推奨事項」
• データ生成、つまりトレーニング データに基づいて適切な新しいデータを生成します。使用例には音楽作曲、つまり音楽素材に基づいて特定のスタイルで新しい音楽作品を作成することが含まれます。

3. ユースケースの観点から見た可能性

抽象的な概念名詞について説明した後は、具体的な実践的な事例に焦点を当てていきます。まず、従来のアルゴリズムと比較した人工知能アルゴリズムのパフォーマンス上の利点について説明します (一般に、AI 分析テクノロジーは、従来のものよりも 30% ～ 128% の業界価値の向上をもたらすことができます)。

予測メンテナンス

従来のシステムでは、検知温度や振動状態などのセンサー時系列データを分析し、異常予兆検知や予知保全（部品の残存耐用年数の予測）を実現してきました。しかし、ディープラーニングは、この機能を新たなレベルに引き上げます。データを階層化して、画像や音声など、さまざまな形式の膨大な高次元センサーデータを分析できます。以前は不適切だった低品質のデータ（安価なマイクやカメラからのもの）も使用できます。

調査した事例では、この AI ベースの予知保全 (リモートオンボード診断技術) により、企業はダウンタイムを短縮し、計画的な介入策を策定し、生産性を高め、運用コストを削減することができ、それに伴う経済的価値は総売上の約 1% ～ 2% になります。

貨物機の場合、AI技術による予測メンテナンスにより、機体の寿命を延ばすことができます。従来のモデルと比較して、飛行機モデルのデータ、メンテナンス履歴、IoTセンサーデータ（エンジンの振動データ、エンジン状態の画像や動画などを含む）をより効果的に組み合わせることができるためです。

物流最適化

AI を活用した物流最適化により、リアルタイムの予測、コストの削減、行動の誘導、燃料効率の向上、配達時間の短縮が可能になります。

欧州の貨物輸送のケースでは、AI技術による車両性能検出とドライバー行動分析に基づき、ドライバーはリアルタイムのガイダンス（適切な加速、減速など）を受けることができ、燃料費を最適化してメンテナンスコストを削減し、トラック会社は燃料費を15％節約することができました。ある航空業界の事例では、航空会社が AI を使って交通渋滞や天候関連の問題を予測し、高額なキャンセル料を回避しました。 1 日に約 10 万路線を運航する航空会社にとって、フライトの欠航が 1% 減少するだけでも大きな違いが生じます。

顧客管理

AIは、顧客サービス管理やパーソナライズされたマーケティングにとって重要なツールになりつつあります。

コールセンターでは、音声認識（言語内容だけでなく、感情的なトーンも）と通話経路計画にAIを使用しており、よりシームレスで効果的な顧客体験を顧客に提供できます。販売分野（AmazonやNetflixなど）では、AIはパーソナライズされた「次の」製品の推奨にも効果的に使用されており、販売コンバージョン率が大幅に向上しています。保険分野では、運転データ（運転モードと距離）に応じて自動車保険料を調整できます。旅行会社の場合、幅広い顧客ビュー（追加のホテルとフライトサービス）により、収益が10％〜15％増加します。これは総収益の7％〜12％に相当し、従来の分析の2倍以上の価値です。小売業界では、SKUパフォーマンスデータを使用してプロモーション戦略を最適化できます。

調査によると、69％のケースでAI分析技術が従来の分析技術のパフォーマンス最適化を完了しており、16％の「グリーンフィールド」ケースではAIが不可欠となっている。 「グリーンフィールド事例」は主に、豊富なデータ（大量の音声、ビデオ、画像、テキスト）と人間の対応の統合を必要とする、病気の診断、ケアの改善などの顧客サービスなどのビジネス分野に存在します。

また、医薬品や医療製品、通信などの分野など、AI分析やディープラーニングが適用できないケースが15％あります。一方では、既存の技術やその分野の構造化データの不足（教師あり学習アルゴリズムでは、許容できるパフォーマンスを実現するために、カテゴリごとに少なくとも5,000のラベル付きデータが必要であると推定されています）によって制限され、他方では、業界や規制の問題によって制限されています。

ディープラーニングを活用して分析性能を向上させるほか、Siri、Alexa、Cortana などの多くの一般消費者向け製品や、画像処理に基づく自動運転も開発中です。これらの AI システムでは、データの収集と再トレーニングが必要です (少なくとも毎月、場合によっては毎日更新する必要があります)。データの量と多様性に加えて、特に販売、供給、管理、製造においては、トレーニング データの鮮度も重要です。

4. 今後の課題

人工知能は大きな可能性を秘めていますが、依然として多くの課題と限界に直面しています。

データの観点から見ると、困難は 5 つのポイントにまとめることができます。トレーニング データのラベル付けには多くの場合手作業が必要であり、十分に大規模で包括的なトレーニング データ セットを取得することが困難です (特に医療ユース ケースに影響します)、モデルの透明性を向上させる必要があります (自動車や医療認証などの分野のアプリケーションに直接影響します)、学習には一般化が欠けています (1 つのアプリケーションから別の類似アプリケーションに移行することが困難です)、データとアルゴリズムに偏りが生じるリスクがあります (より社会的な問題です)。

さらに、より洗練されたハッカー攻撃や、高度に個人化された政治的偽情報キャンペーン、欺瞞的なビデオ、その他多数のセキュリティ上の脅威など、AI の悪意ある使用の問題もあります。

データの重要性を考えると、企業や組織にとって、デジタル戦略を策定し、データセンターを構築し（または、より一般的にはクラウドプロバイダーを選択し）、上級の人材を獲得するために競争し、データを取得および生成する方法を検討することが重要です。テクノロジー面では、組織は堅牢なデータ保守およびガバナンス プロセスを開発し、ソフトウェアの最新化 (Agile や DevOps など) を実装し、AI 分析がインスタンス化されて「ラスト マイル」(組織の課題) を克服できるようにする必要があります。

志東曦氏は、AIは現在の情報技術革新の主な原動力の一つとして、莫大な経済的、社会的価値を指し示しており、（技術）革新者、企業、政策立案者など、さまざまな参加者を結集して活気のある産業環境を創出し、より安全で効果的な経済的、社会的福祉を確保していると考えています。 AI技術の導入により、従来の技術の価値が深まるだけでなく、新たな製品やビジネス形態が拡大することは、既存の事例からも十分に明らかです。企業にとって、適切なデジタル戦略の策定は急務です。