企業における人工知能: 8 つの誤解を解明

私たちはどんな新しいテクノロジーについても誤解しがちです。これは特にAI分野で顕著に表れているようです。これは、その潜在的な影響がすでにある種の神話的性質を生み出しているという事実に関係しています。

「AIは、探索すべき広大な世界があり、未知の世界を探索することは混乱を招き、恐怖を感じることもあるため、誤解されることが多い」と、Veryのエンジニアリング担当副社長ビル・ブロック氏は語る。

これは、企業内で AI の実用的なアプリケーションを構築しようとしている IT リーダーにとって特に問題となります。

「AIは企業でますます一般的になりつつあるが、その応用シナリオや、従来のシステムを改善または更新する方法については、依然として多くの誤解がある」とブロック氏は述べた。「ロボットが同僚になる」というのは「ロマンチック」だが、異なるタイプのテクノロジーがどのようにシステムを強化し、より効果的な環境を作り出すことができるかを理解する必要がある。

実際、「テクノロジーをロマンチックに描く」ことは、AI で達成したい戦略的な CIO の最終的な成果ではなく、高額なセールストークの定番となっています。

さらに、ロマンチックな現実は、実現可能な目標の妨げとなる神話を生み出すことがよくあります。そこで私たちは、IT リーダーやその他のビジネス プロフェッショナルが事実と虚構を区別できるよう、今日の企業における AI に関する一般的な誤解を特定するよう、ブロック氏と他の専門家に依頼しました。

誤解1: AIは機械学習と同じ

いいえ。両者の違いを理解することが重要です。機械学習は、AI のサブ分野のようなものです。

「多くのコミュニケーションでは、これらの用語の間にほとんど区別がないことに気がつきました」と、SigOpt の研究科学者であるマイケル・マコート氏は述べ、これは問題だと語った。

たとえば、企業の経営陣が、分類モデルの構築はデータを使用して意思決定プロセスを強化することと同じであると考えている場合、モデルの構造と意味を確立するという重要なステップを無視することになります。これにより、企業による AI への投資が不十分になり、より大規模なシナリオに参入するための人材が不足し、最終的には失敗に終わることになります。

誤解2: AIと自動化は同じものである

AIと自動化も混同されることが多いです。確かに、両者の間には重要なつながりがあります。

「人々が AI に詳しくなるにつれ、AI は思考できる機械、あるいは少なくとも一連の定義済みモデルとアルゴリズムに基づいて知的な決定を下せる機械だということが分かるようになります。『自動化』とは、単に人間の介入なしにタスクを完了することです」とブロック氏は言います。「自動化は必ずしも AI を意味するわけではありませんが、AI の最も影響力のある使用例のいくつかは、自動化を劇的に強化するでしょう。」

誤解3: データが多いほどAIの結果は良くなる

この誤解は根深い。 AI が成功するための唯一の本当の前提条件は「データ」であるようです。

現在、AI および機械学習チームの作業は、ほぼ完全にデータマイニングとクリーニングに集中しています。

「重要なのはデータの量ではなく、質です」と、LexisNexis Legal and Professional の最高データ責任者であるリック・マクファーランド氏は言います。「大量の質の悪いデータやラベル付けが不十分なデータでは、結果に近づくことはできません。分散の式はサンプル サイズに反比例するため、モデル作成者が「正確な」結果を作成して騙される可能性があります。」

初期のAIの失敗から学んだ共通の教訓の一つは、大量のデータを投入すればうまくいくだろうと想定していたことだと彼は語った。初期段階では、データが多いほど良いというわけではありません。

「質の高いデータは効果的なアルゴリズムに不可欠です」とベリーのブロック氏は述べ、解決する問題が何であれ、質の悪いデータは悪い結果を生み出すと付け加えた。

「ベストプラクティスは、構造化された方法とバイアステストを使用して、より優れたトレーニングデータセットを作成することです。」マクファーランド氏は、モデル作成者は実際にはより低コストで入手できる小規模なデータセットを使用できると述べています。

誤解4: AIは導入した瞬間から価値を生み出す

データが増えることが悪いことだというわけではありません。 実際、それは時間の経過とともにますます必要になりますが、量と質が同期していなければなりません。一般的に言えば、AI イニシアチブに対してすぐに投資収益が得られると期待する人はいませんが、時には、AI をオンにするだけで魔法のような効果が得られると説明する人が多くいます。

「AI および ML エンジンはトレーニングが必要で、学習には大量のデータが必要です。一部のデータはシードできます」と NetEnrich の CTO、Javed Sikander 氏は言います。ただし、データの大部分は、AI/ML システムが展開され、学習に重点が置かれているドメインから取得されます。したがって、システムが初日から推奨事項や洞察を導き出すことを期待するのは合理的ではありません。段階的に学習するには、プロセスを構築し、さまざまな環境にリソースを割り当てる必要があります。そうして初めて魔法が起こります。

誤解5: AIと機械学習は主に「ソフトウェア開発」に過ぎない

Algorithmia の CEO である Diego Oppenheimer 氏は、組織は他のソフトウェア開発と同じ方法で AI と ML に取り組んでいると考えています。

「AI/ML 開発は、ソフトウェア開発に関する単なる神話です」とオッペンハイマー氏は言います。実際、ほとんどの ML プロジェクトが失敗する大きな理由は、ML ワークロードの動作が従来のソフトウェアと大きく異なり、大規模に展開および管理するには異なるツール、インフラストラクチャ、プロセスのセットが必要になることです。

オッペンハイマーは次のような問題を指摘した。

1. 異種性: 言語とフレームワークのメニューは膨大で、増え続けています。 2. 構成可能性: AI と ML では複数のコンポーネントのコラボレーションが求められ、各コンポーネントは異なる言語で、異なるチームによって構築される場合があります。 3. 開発プロセス: 従来のソフトウェア開発では、出力は「制御された環境で実行されるコード」です。機械学習では、出力は「進化するエコシステム」です。これには、より反復的なループが必要です。 4. ハードウェア/インフラストラクチャ: CPU、TPU、GPU、エッジ コンピューティング、その他の新しいオプションには、それぞれ異なる利点と課題があります。 5. パフォーマンス メトリック: すべての人、あるいは多くの人に当てはまる標準的なメトリック セットは存在しません。

誤解6：AIは検討すべき「技術」の一つに過ぎない

時には、古いものと新しいものを比べることで、困難なことがより対処可能に思えることがあります。まるで過去の出来事が再び起こっているかのようでした。

AllCloud のデータおよび AI 担当副社長である Guy Ernest 氏は、これにより IT チームが AI を単なる技術サイクルの 1 つと見なすようになる可能性があると述べています。実際にはそうではありません。

「AIは人間の脳や身体に似ています。使えば使うほど、より強力で賢くなります」と彼は語った。

同氏はまた、ほとんどの技術は「脆弱」であると強調した。使用すればするほど複雑になり、壊れる可能性が高くなります。

誤解7: AIはテクノロジー企業だけのものだ

いいえ。 AI はすべてのビジネス上の問題に対する解決策ではありません。

SigOptのマコート氏は、最悪のシナリオでは、企業がAI革命から脱退する可能性があり、現在の傾向が続くと、企業はAI革命を先導するのではなく、追随することになるだろうと述べた。

同氏は、ビジネス界には神話が浸透しており、AIを早期に開発・導入した企業が最も技術に精通し、先進的な企業であるという印象を生み出していると述べた。

誤解8: AIは人間の知能の必要性を置き換える

AI が神秘的な地位にあるのは、部分的にはそれが人間の知能を超越しているからである。この瞬間、「ロボット至上主義」の物語は最高潮に達し始めた。

「機械は、入力されたデータとプログラムされた動作に応じて賢くなります」とシカンダー氏は言う。「AI と機械学習は、膨大なデータの中からパターンを識別し、人間の介入をほとんどまたはまったく必要とせずに自動的に行動を起こすのに役立ちます。しかし、意思決定に使用されるアルゴリズムとモデルは、依然として人間が入力する必要があります。」

レクシスネクシスの最高データ責任者マクファーランド氏は、AIが「人間と同じように」学習すると考えるのは誤解だと述べた。

「人間は学習や問題解決において生来の利点を持っています。その 1 つは退屈です」とマクファーランド氏は言います。「AI モデルは退屈したり、自分たちのやり方の愚かさに気づいたりすることはありません。AI モデルは、ほぼ無限の可能性の中から最善の答えを探し、抜け出せないほど深い「ウサギの穴」にさえ入り込みます。対照的に、人間は無限の可能性を追求することに飽きて、現状を見直し、積極的に別の道を追求します。」