人工知能プロジェクトからビジネス価値をうまく引き出すための 8 つの秘訣

[[249778]]

AI はビジネスに大きな可能性を秘めていますが、ほとんどの組織がそのメリットを十分に活用していないことは明らかです。ここでは、AI プロジェクトからビジネス価値を引き出す方法について、早期導入者向けのヒントをいくつか紹介します。

あらゆる分野のビジネスリーダーは人工知能の価値を認識していますが、それを適切に使用することによってのみ、その価値を真に実現することができます。

ここでは、先駆者たちの経験と教訓の一部を要約し、後世の人たちにとって有意義な参考資料となることを願っています。最近のデロイトの調査によると、AI を早期に導入した企業の 82% が認知技術への投資からプラスの財務結果を得ており、ROI の中央値は 17% でした。

成功した AI プロジェクトと失敗した AI プロジェクトの最大の違いは何でしょうか? それがテクノロジー主導型かビジネス ニーズ主導型かに関係なく、手がかりはあると、デロイト コンサルティングの分析および認知部門の責任者である Nitin Mittal 氏は言います。

AI を最大限に活用したいと考えている組織は、次の点に留意する必要があります。「AI が適している可能性のある特定のユースケースに焦点を当ててください。達成する必要のあるビジネス目標に焦点を当て、その価値を証明し、拡張してください。私たちが目にした多くのケースが成功しているのはそのためです」とミタル氏は語りました。

AI から実際の利益を得た人々から、AI プロジェクトをビジネス価値に変える 8 つのヒントを紹介します。

1. 特定の問題に焦点を当てる

GE のソフトウェア研究担当副社長コリン・パリス氏は、GE ではビジネス価値があらゆる AI プロジェクトの中心にあると述べています。

「私たちは、一連の最小限の実行可能な製品から始めます。それは実際に何かを予測するものでしょうか？そして、もしそれができるなら、より安く、より速く、あるいはより多くの収益を生み出すことができるでしょうか？そして最後に、それをどのように拡張し、どのように展開してビジネス価値を得ることができるでしょうか？」と彼は語った。

この一連のフォローアップアクションは非常に重要です。

たとえば、AI システムがメンテナンスが必要な機器を予測する場合、その予測をワークフローに統合する必要があります。これは、適切なタイミングで適切なメンテナンスを実行するために適切なフィールドエンジニアを派遣することを意味する場合があります。

在庫システムに統合する必要がある場合もあります。

あるいは、実際のマシンとの統合が必要になる場合もあります。 「AI によって、温度や圧力を上げる必要があるタイミングを実際に理解できるようになるのであれば、それを制御システムに統合する必要があります」と彼は語った。

2. AIの限界を理解する

人間が予測をしようとすると、ダニング・クルーガー効果と呼ばれる心理的な罠に陥ってしまうことがあります。これは、あるトピックについて自分がどれほど知識が乏しいかに気づかず、自分が専門家であると誤って信じている場合に発生します。その結果はユーモラスにも悲劇的にもなり得ます。

人工知能システムも同じ罠に陥る可能性があります。たとえば、特定のデータ セットでトレーニングされた AI に、まったく異なるデータ セットに基づいて予測を行うように要求すると、まったく間違った答えが返されますが、AI の予測を信頼するように学習したユーザーには説得力があるように見える場合があります。

現実には、分析モデルが特定のデータ セットに適しているかどうかを理解するには、データ サイエンティストが必要です。 「データに基づいた仮定を理解する必要がある」とIBMのパリス氏は言う。 「モデルをテストするにはどうすればいいですか? 機能するかどうかを確認するには、他の種類のデータを生成したり、データをシミュレートしたりする必要があるかもしれません。」次に、実行中にデータをチェックして、仮定が有効であることを確認する必要があります。これは、AI の専門家として何年ものトレーニングを受けた後にのみ実行できることです。 ”

新入社員やデータ サイエンティスト以外の人はこのトレーニングを受けられない可能性があり、組織は誤った結論に陥る危険性があります。

この問題に対処するため、GE は「Humble AI」と呼ばれる AI システムの開発に着手しました。これは、どのような状況でアルゴリズムが適切であるかを認識し、その場合にのみ機械学習モデルを使用する AI システムです。

「もしその範囲内にいなければ、このモデルは使わないでしょう。過去20年間使用してきた物理モデルに戻りたい」とパリス氏は語った。 「この AI は自身の能力の限界を知っています。」

同氏は、「謙虚なAI」は現在テスト中だと語った。 「数百万ドルの機械を扱っているときは、機械の寿命や性能を損なうようなことはしたくありません。ただ一歩下がって、通常のルーチンに戻ってください。」

3. ステークホルダーと顧客の声に耳を傾ける

企業によっては、AI システムが有用な結果を生み出すことを保証するために、外部からの支援が必要になる場合があります。

「理想的には、ホワイトボード会議でプロジェクトを開始し、主要な関係者全員が午後を費やして詳細を確認し、クエリ要件を文書化しておくことです」と、Healthy Nevada プロジェクトの主任データ サイエンティスト、ジム メトカーフ氏は述べています。

たとえば、Healthy Nevada チームは心臓病患者のための治療法の開発に取り組んでいます。これには、患者が退院する際に処方された薬に関する情報を収集する必要があります。しかし、スタチンなどの一部の薬は、患者が初めて入院したときに処方され、退院した後も処方され続けることがよくあります。このシステムでは、これらが心臓発作に関連する新しい薬ではなく、患者がすでに服用している薬であると想定されます。問題は、薬の量が予想よりも少なくなったときに初めて発見されます。

「最初から関係者全員ともっと詳しく話し合っていれば、チームはもっと早くこの問題に対処できたかもしれない」とメトカーフ氏は語った。 「当社のデータ サイエンス チームは、思い込みをしないことを学びました。誰かがキーボードに指を置く前に、クエリ要求を徹底的に確認し、話し合い、文書化します。」

企業支出管理プラットフォームのプロバイダーである Coupa では、ある顧客が不正行為を検出する新しい方法を思いつきました。

「私たちの業界では、支出詐欺をサイロ化した形で監視してきました」と、同社の製品戦略およびイノベーション担当副社長であるドナ・ウィルチェク氏は語る。「たとえば、経費報告書の詐欺や調達における詐欺だけを監視するアプリケーションは数多くあります。」

しかし、ある分野で不正行為をする従業員は他の分野でも不正行為をする可能性が高いことが判明したと彼女は述べた。調達の専門家や財務監査人との会話を通じて、不正行為を発見する秘訣は不正行為の中心にいる個人をターゲットにすることだということが明らかになりました。

「そこで、AI の本当に美しく実用的な応用が登場します」と彼女は語った。 「このデータは、人間の監査人が特定のパターンを識別するには量が多すぎます。」

AI は不正検出のプロセスを高速化することもできるため、企業は支払いが行われる前に不正を発見できます。 「通常、顧客は購入の途中でそうすることはできない。取引プロセスが遅くなるからだ」と彼女は語った。

Coupaは現在、企業から報告された詐欺の事例を収集し、それらの実際の事例をAIシステムに入力しています。

4. ドメインの専門知識を活用する

AIだけでは万能ではないことに気づき始めた企業が増えています。

「多くの場合、企業は『膨大なデータの山、巨大なデータレイクがあるので、AIを接続すれば何か面白いことを教えてくれる』と言う」と、世界的な情報技術コンサルティング会社インフォワールドのAIおよびビッグデータ担当テクニカルディレクター、JJ・ロペス・マーフィー氏は言う。 「はい、AI は隠れたパターンを発見するのに役立ちますが、適切な質問がなければ答えは得られません。自動的に行われるわけではありません。」

データから洞察を引き出すためにデータサイエンティストとAIの専門家だけに頼るのは大きな間違いだと、自閉症やその他の行動健康問題を抱える子供の特定を支援するために行動診断にAIを適用しているコグノアの最高AI責任者、ハリム・アバス氏は述べた。

現実の世界では、データが相互に依存していたり​​、一部のデータが無関係であったりするため、専門家がその違いを認識する必要があります。たとえば、青い壁の部屋で診断された患者のグループが、白い壁の部屋で診断された別のグループとは異なる結果を示した場合、パターンを探す分析モデルは、壁のペイントに臨床的意義があると推測する可能性があります。

「データセットの規模が大きくなるにつれて、こうした愚かな結論を避けられるようになる」と彼は語った。 「しかし、まだ微妙な変化があるかもしれません。」

分野の専門知識を持たないAI専門家はこれらの問題に気付かないだろうと彼は述べた。これは、データ セットが少ない場合や人口統計データが少ない場合など、データ セットが小さい場合に特に重要です。

もちろん、ドメイン専門家には独自の偏見がある、とアバス氏は言う。 「特定の変数と特定の条件の関係について誤った考えを持っている可能性があります。二重チェックを行う良い方法は、ドメインの専門家からの入力を受け取り、それを AI 側でも行い、両方が合格したケースのみを処理することです。」

社内の臨床専門知識は、Cognoa がこれらのモデルが機能しているかどうかを判断し、改善するのにも役立ちます。

「現実世界で慎重に構築された実験で AI アルゴリズムを検証するたびに、現実とシミュレーションの間に不一致が見つかる可能性が高い」と彼は語った。 「しかし、分析を活用すれば、製品に関する深い洞察を得て、さらに最適化することができます。」

化学研究データを収集し公開する創業 111 年の企業である CAS が発見したように、データ管理においては、ドメイン専門知識と人工知能を組み合わせることも不可欠です。

「スペース、下付き文字、ダッシュ、化学構造内の 1 文字の変更などが、安全な反応と爆発的な反応の違いを生む可能性があります」と、CTO の Venki Rao 氏は言います。「そのため、当社の工場には 350 人以上の博士号取得者がいて、データを管理しています。」

最近では、同社はデータの分類と整理に人工知能を活用し始め、博士号取得者の一部をより複雑な仕事に割り当てている。しかし、単純な光学文字認識システムを構築する場合でも、ドメイン専門家の専門知識が必要です。たとえば、「nm」はナノモルの略語ですが、「mm」はミリモルの略語であり、6 桁の違いがあります。システムが適切に変換されない場合、これは安全な化学反応と危険な化学反応の違いを意味する可能性があります。

「純粋な技術者であれば、初日から当社で働くことは不可能だ」と彼は言う。「化学を理解せずにテクノロジーでAIシステムを無理や​​り操作しても、最良の結果は得られないだろう」

これにより採用がより困難になり、アウトソーシングが不可能になることもあるとラオ氏は述べた。 「しかし、この投資はすでにソリューションの品質という形で成果を上げています。」

5. 実世界でのテストの価値を認識する

いかなる戦闘計画も敵との接触を生き残ることはできません。また、いかなる AI システムも現実世界との接触を生き残ることはできません。あなたの会社がこの事実に直面する準備ができていない場合、AI プロジェクトは開始される前に失敗する運命にあります。

クレディ・スイス・グループ AG の認知およびデジタルサービス部門の責任者であるジェニファー・ヒューイット氏は、この課題に真っ向から取り組みました。

同社が新しい顧客サポート チャットボットである Amelia のリリースを決定したとき、Hewit 氏は、チャットボットがすべての質問またはほとんどの質問に自力で回答できず、諦めて顧客を人間のエージェントに転送する可能性が高いことを知っていました。

「私はかなり早い段階で実用化することに決めました」と彼女は言う。チャットボットが初めて実用化されたとき、ユーザーの意図を理解する能力はわずか 23% だったと彼女は指摘した。

しかし、チャットボットは現実世界に存在することで、多文化、多言語、多世代の会話を観察し、そこから学ぶことができます。

「すぐに本番稼働を開始し、組織に当社の能力を実証することで、5 か月で彼女の意図理解能力を 23% から 86% に向上させることができました。」

6. 人工知能の「ブラックボックス問題」に注意

信頼性は、AI が現実世界に参入する際に直面するもう 1 つの問題です。AI システムが洞察に至った経緯を把握することは事実上不可能であり、この問題は「ブラック ボックス問題」として知られています。

「私たちは、決して乗り越えられない過程を経験してきた」と、米国で4000万人以上に行動医療を提供しているボストンを拠点とするビーコン・ヘルス・オプションズの執行副社長兼最高成長責任者、クリスティーナ・マイネリ氏は語った。

最終的に同社は、患者の状態が悪化して入院が必要になる前に、早期に患者を特定するための AI システムを構築することを決定しました。システムが実際に使用可能であることを保証するために、Beacon Health はシステムを使用する人々を集め、ワークフローだけでなくアルゴリズムの動作方法についてもトレーニングを行いました。

そのため、システムが稼働する前に、既存の患者の古いデータを使ってリハーサルが行われました。

「高リスクとみなされる人は実際に高リスクなのです。なぜなら、彼らは病院に入院しているからです」と彼女は言う。「私たちの臨床医はそれがどのように機能するかを見ることができ、それが私たちがブラックボックスになることを減らすのに役立っています。」

その後、AI システムを現在の患者に使用したところ、プロジェクトの最初の 12 週間で約 300 人の高リスク者が特定されましたが、そのうち 57% は従来の方法では検出されていなかった人々でした。

「これはかなり衝撃的です。これまで、彼らが高リスクだとは知りませんでした」とマイネリ氏は語った。 「今、チームは彼らに影響を与えようとしている。」

これには、患者に電話して医療提供者と連絡を取り、必要な薬を確実に受け取れるようにすることも含まれます。

1 ～ 2 か月以内に、Beacon Health はこれらの介入の結果を確認することになります。請求が処理されるまでにはしばらく時間がかかるため、これはもう 1 つの重要な現実世界のテストとなります。

「結果がどうなるかを本当に知るには、最終的なデータを見る必要がある」と彼女は語った。

7. 明確な指標を確立する

AI プロジェクトの結果を測定するための明確なビジネス指標を持つことは、AI プロジェクトが効果的であり、継続的にサポートされるべきであることを証明するために重要です。

多くの企業は、AI プロジェクトのこの側面に十分な注意を払っていません。デロイトの調査によると、コスト削減、収益、顧客維持など、財務収益を正確に測定するために必要な主要業績指標を測定している企業は調査対象企業の 50% 未満です。

報告書の著者でデロイトのテクノロジー、メディア、通信センターのエグゼクティブディレクターであるジェフ・ルークス氏は、これは人工知能のような新興技術に共通する問題だと述べた。

「それらは、企業がより成熟した技術を用いるのと同じ厳格さで管理されていないことが多い」と彼は書いている。

その結果、AIプロジェクトは「行き詰まって」しまい、規模が拡大しないパイロット版や商業的利益のないプロジェクトになってしまう可能性があると彼は述べた。

8. 社内から人材を育成する

AI テクノロジーとビジネス ニーズの両方を理解している人材はどこで見つけられるでしょうか? それは簡単なことではありません。現在、AI 人材が世界的に不足しており、専門知識が求められることから、潜在的な候補者の数はますます少なくなっています。

デロイトの AI 調査によると、69% の企業が従業員の間で中程度、重大、または極端なスキル ギャップがあると回答しています。

GEでは、人工知能に必要なプログラミングと分析のスキル、そしてビジネス面で必要な物理学と工学の知識を持つ人材を見つけるのにも苦労している。

「当社は大学に投資し、リンクトインを検索し、新聞記事を読み、会議で必要な人々と会う」とGEのパリス氏は語った。

しかし同社は、AIコースを受講した人や、制御システムと材料科学のコースを受講したAI開発者など、材料科学のバックグラウンドを持つ人材も社内で探している。

パリス氏は、専門知識と AI スキルの両方を備えた人材を見つけることは、旅の始まりに過ぎないと語った。 GEにはその知識を実際の応用に応用できる人材が必要だと彼は語った。 「ビジネス上の問題をデータの問題として分析するにはどうすればよいでしょうか?」

この目標を達成するために、GE は AI とエンジニアリングを組み合わせた部門横断的なトレーニングを提供しています。これまでに、10～15人の科学者とエンジニアがこの過程を経験しており、これは同社の科学者とエンジニア全体の約3分の1にあたる。

パリス氏は「今後さらに多くの人がこのプロセスを経験する可能性がある」と付け加えた。

これは、企業文化、組織システム、指標、さらにはインセンティブの変更のほんの始まりに過ぎません。

「これはGEのような企業にとって大規模な取り組みであり、私たちは今、その初期段階にいるだけだ」と彼は語った。 「しかし、一度正しい方向に進めば、私たち全員の未来は変わるでしょう。」