ビジネスに人工知能を導入する際に考慮すべき3つの要素

最近、ますます多くの企業が人工知能に投資しています。しかし、成功するには、推論の解釈可能性、データ密度の低い環境、より豊富な知識グラフの実現などについて実際的な考慮をする必要があります。

企業においては、人工知能の利用が着実に増加しています。幅広い業界の経営幹部を対象としたコンステレーション・リサーチの調査によると、回答者の 70% が、現在自社で何らかの AI テクノロジーを使用していると回答しています。さらに、回答者の大多数は、2018 年に AI 投資に最大 500 万ドルを費やす予定であると回答しました。

[[236524]]

人工知能によってもたらされる大きなチャンスを認識する企業が増えるにつれ、この新しいテクノロジーが企業全体に与える大きなビジネス影響を確認するために考慮する必要がある実際的な問題があることに気づき始めています。数多くの顧客環境に AI を適用してきた経験から、組織は説明可能な AI の欠如、データ密度の低い環境、より豊富なナレッジ グラフの必要性という 3 つの要素に対処する必要があることがわかりました。適切に導入して実装するには、企業はまずこれらの実際的な問題を考慮し、AI 実装プロセス全体を通じて常に念頭に置く必要があります。

1. 説明可能なAIの欠如

説明可能な AI は、「なぜ？」という質問に答える能力に重点を置いています。なぜマシンは特定の決定を下したのでしょうか？実際、多くの新興 AI には、固有の「ブラック ボックス」概念があります。「大量のデータをボックスに入力すると、ボックスから実際の決定や推奨事項が出てきます。」しかし、箱を開けてそのロジックを理解しようとすると、大きな課題が生じます。企業が特定の決定の根拠を開示し、説明することが求められる規制市場では、これを採用するのは難しいかもしれません。さらに、説明可能な AI が不足していると、AI を正常に実装するために会社全体で必要な変更管理に影響を及ぼす可能性があります。回答を元のデータ セットまたはドキュメントまでさかのぼることができない場合、従業員が受け入れるのが難しい価値提案になる可能性があります。

トレーサビリティを備えた人工知能を実装することが、この課題に対処する 1 つの方法です。たとえば、商業銀行はポートフォリオのリスクをオンラインで管理しています。銀行は中小企業5,000社に融資できる。同社はローンポートフォリオのバランスシートでその健全性を監視する。これらの表は、異なる言語で書かれていたり、異なる会計基準が採用されていたりする場合があります。

AI を使用すると、銀行は実際にこれらのバランスシートをすべて取得し、情報を抽出し、非構造化データを構造化データに変換して、リスク スコアを算出することができます。銀行はリスク スコアを取得し、それをクリックしてドリルダウンし、最終スコアにつながったサブコンポーネントの数値を確認できる必要があります。正しくないスコアを見つけた場合。ユーザーは、意味をなさない数字に到達するまで、次の詳細レベルにドリルダウンし、その後、たとえば 16 ページの 36 番目の貸借対照表にたどり着く可能性があります。脚注には、スコアを導き出すために使用されたシステムに関する情報が記載されます。ユーザーは決定を表示し、マシンをそのエンドポイントに誘導したコンポーネント情報を解析できます。トレーサビリティの実装は、規制遵守の達成に役立ち、人工知能の応用を促進します。

2. データ密度が低い環境

AI は大量のデータを活用できる場合に最も効果を発揮します。たとえば、Siri のような仮想アシスタントを備えた会話型 AI は、電子メール、オンライン ショッピング、複数のアプリケーションにアクセスできます。そのため、ほとんどの AI アプリケーションは、アルゴリズムを何百万ものデータ ポイントで実行できるビジネス ツー コンシューマー (B2C) 環境で始まります。多くの場合、企業は常に同じ量のデータにアクセスできるわけではありません。たとえば、組織が過去の契約を準備している場合、100 万件や 1,000 万件ではなく、10 万件の契約を扱うことになるかもしれません。その結果、企業はアルゴリズムをトレーニングするために手動で処理しなければならないファイルが多すぎるという二重の課題に直面しています。これらのドキュメントからデータを抽出する 1 つの方法は、統計的手法を使用した従来の自然言語処理アルゴリズムを使用することです。さらに、意味を解釈し、文脈に基づいてデータを抽出する計算言語学は、少量のデータを扱う場合に効果的であることがわかりました。

別の例として、資産管理会社は自然言語処理や機械学習などのテクノロジーを使用して、金融機関や投資家からの明細を高速に集約することができます。各企業には 80,000 件の文書があり、各文書は 50 ～ 60 ページの長さで、1 ページあたり 40 ～ 50 件の取引が含まれており、そこから最終的に知識が抽出されます。これはかなりの量のデータであり、手動で処理するのは面倒ですが、多くの主流の AI アプリケーションに必要なデータのほんの一部にすぎません。

したがって、すべての AI が必要な量のデータにアクセスできるわけではないことに注意することが重要です。最適な AI ソリューションを決定する際には、データ環境を理解することが重要です。データ密度の高い環境では、組織は教師なし学習アルゴリズムをより効率的に実行できます。教師あり学習は、データ密度が低い設定で最も効果的です。合成データ作成などの新しいテクノロジーは、必要なデータがすべて揃っていない場合でも企業がモデルをトレーニングするのに役立ちます。たとえば、小売業界では、企業はゲームシミュレーションを使用して合成データを作成できます。

3. より豊富な知識グラフが必要

AI がデータ密度の低い環境で最適な結果を生み出すのに苦労しているのと同様に、AI には現在、特定のドメインや業界のアプリケーションに関連付けることを可能にする豊富な知識グラフが欠けています。

ナレッジグラフは、コンテキストの関係をキャプチャし、人工知能でデータ モデルをトレーニングし、受信した情報を正しいコンテキストで分類できます。これにより、Alexa や Siri などの音声アシスタントが、「一番近いスターバックスはどこですか?」などの一般的な質問に答えられるようになります。Alexa と Siri は、Amazon や Apple のサービスからの検索結果を含む何百万もの参照ポイントを接続することで、ユーザーに即座に回答を提供できます。現在の AI は、こうした単純なやり取りには役立ちますが、実際の人間の会話の複雑さを再現または理解することはできず、消費者が期待する思慮深いやり取りを捉えることはできません。

たとえば、5歳の子どもが母親に「ベンが私を押した。私は転んだので起き上がって彼を押し返した。先生は私に気付いたがベンには気付かなかった。だから私は停学になった。不公平だ」と不満を言ったとします。5歳の子どもなら誰でもこれが何を意味するか理解できるでしょうが、AIシステムは因果関係と公平性を理解していないため、依然として困難を極めるでしょう。 AI システムでは、ナレッジ グラフに加えて、思考を完了するための会話型インターフェースも必要です。

企業内では、チャットボットを通じて会話型 AI を使用して、よりインタラクティブなエクスペリエンスを顧客に提供しようとしている企業が多くあります。銀行はこの点で先頭に立っており、顧客がオンラインポータルやモバイルアプリのチャットボットを通じて基本的な口座情報を入手できるようにしています。ただし、ローンの申請や契約書の確認など、より複雑な要求は機械にとって困難な場合があります。ボットは、使用される単語のオントロジー、質問のコンテキスト、複数の会話フローのスレッドを考慮できる必要があります。プロセス全体をスムーズにするには、特定の分野、特定のコンテキスト、特定の知識を有機的に組み合わせる必要があります。企業は、ビジネス環境において AI のより魅力的なエクスペリエンスとアプリケーションを推進するために、ドメイン固有の AI を積極的に開発し、適切な知識管理システムに組み込んでいます。

AI への投資と実装が進むにつれて、企業は次の 3 つの実際的な要素を考慮する必要があります。まず、ブラック ボックスを開き、機械の決定を追跡し、説明可能な方法で提示します。次に、利用できる情報があまりない環境で AI を適用する方法を理解します。 *** ドメイン知識と経験学習を組み込むことで、ナレッジグラフを充実させ、より効果的な AI アプリケーションを推進します。